Quantification and characterization of hydrocarbon-filled porosity in oil-rich shales using integrated thermal extraction, pyrolysis, and solvent extraction
Notice bibliographique
Résumé
ABSTRACT For oil-rich shales, current solvent extraction– and thermal extraction–based methods inaccurately measure hydrocarbon-filled porosity (φHC). Moreover, the hydrocarbon composition is not characterized by either method. Here, we show how open-system programmed thermal extraction and pyrolysis, LECO total organic carbon, Archimedes bulk density, and helium pycnometry measurements are integrated to calculate oil and gas pore volumes, characterize their composition, and estimate mobility. Use of a modified multiramp, slow-heating thermal extract, and pyrolysis temperature program further subdivides the φHC. Saturate–aromatic–resin–asphaltene (SARA) separation and gas chromatography of solvent-extracted organic matter and thermally extracted oils are used to compositionally classify the φHC. The segregated bulk compositions of gas- and oil-filled porosity measured via this method are shown to overlap and are broken into the following categories: gas-filled porosity (∼C1–C14), light oil–filled porosity (∼C6–C36), and heavy oil–filled porosity (∼C32–C36+). Furthermore, slow-heating multiramp thermal extraction can subdivide the light oil–filled porosity into four components capturing the C11–C13, C12–C16, C14–C20, and C17–C36 ranges of the extractable organic matter. Analysis of solvent-extracted oils by SARA identifies abundant saturates and aromatics in the light oil–filled porosity and abundant resins and asphaltenes in the heavy oil–filled porosity. Low-maturity shales can be dominated by heavy (C32+) oils rich in asphaltene and resin fractions not observed in the produced fluid. The ratios of SARA components in the C15+ fraction of produced fluid and core extract can be used to better estimate the potentially mobile φHC.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».