Effect of Aromatic Ring, Cation, and Anion Types of Ionic Liquids on Heavy Oil Recovery
Notice bibliographique
Résumé
Surfactant/alkali flooding is one of the best chemical flooding methods to enhance the oil Recovery Factor (RF). In this research, Ionic Liquid/Alkali (ILA) mixtures were chosen to represent a form of chemical flooding experiments. The selected Ionic Liquids (ILs), {[EMIM][Cl], [THTDPH][Cl], [EMIM][Ac], [BzMIM][Cl], [DMIM][Cl], [BzMIM][TOS], [dMIM][TOS] and [MPyr][TOS]}, were introduced to investigate their efficiency in improving heavy oil (14o API) RF from the sand packs. Besides, the use of mixtures of the same ionic liquids and brine (3.37 wt. % salts) with an alkali (Sodium Bicarbonate [NaHCO3]) were also investigated. In this experimental study, the flooding process started with injecting about 3.2 Pore Volumes (PVs) of only brine, followed by one PV of the chemical composites, and flushed with two PVs of formation brine. The study discussed the influence of cation type, anion type, the structure of the ILs, and the effect of combining ILs/alkali on the RF. The results revealed that the proposed chemical mixtures are effective in enhancing the recovery factor. ILs with shorter alkyl chain and more aromatic rings are noticeably more efficient in enhancing the RF. Finding the optimum composition of ([DMIM][Cl] + NaHCO3) the chemical slug increased the additional RF up to 31.55 (% OOIP). Also, increasing the slug size to two PVs improved the RF to 42.13 (% OOIP). The recovery factor mechanism was explained and supported by measuring the effect of IL types on the viscosity, Surface Tension (SFT), and Zeta Potential (ZP) of the mixture.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».