Lab-simulated downhole leaching of formaldehyde from proppants by high performance liquid chromatography (HPLC), headspace gas chromatography-vacuum ultraviolet (HS-GC-VUV) spectroscopy, and headspace gas chromatography-mass spectrometry (HS-GC-MS)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The ability of different methods to analyze formaldehyde and other leachates from proppants was investigated under lab-simulated downhole conditions. These methods include high performance liquid chromatography (HPLC), headspace gas chromatography-vacuum ultraviolet spectroscopy (HS-GC-VUV), and headspace gas chromatography-mass spectrometry (HS-GC-MS). Two different types of resin-coated proppants, phenol-formaldehyde- and polyurethane-based, were examined. Each proppant was tested at different time intervals (1, 4, 15, 20, or 25 hours) to determine the timeframe for chemical dissolution. Analyses were performed at room temperature and heated (93 °C) to examine how temperature affected the concentration of leachates. Multiple matrices were examined to mimic conditions in subsurface environment including deionized water, a solution surrogate to mimic the ionic concentration of produced water, and recovered produced water. The complexity of these samples was further enhanced to simulate downhole conditions by the addition of shale core. The influence of matrix components on the analysis of formaldehyde was greatly correlated to the quantity of formaldehyde measured. Of the three techniques surveyed, HS-GC-MS was found to be better suited for the analysis of formaldehyde leachates in complex samples. It was found that phenol-formaldehyde resin coated proppants leached higher concentrations of formaldehyde than the polyurethane resin coated proppants.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle