Impact of Divalent Ions on Heavy Oil Recovery by <i>in situ</i> Emulsification
Notice bibliographique
Résumé
Abstract Many reservoir formation brines are characterized by high salinity and contain high concentrations of divalent ions such as calcium, magnesium, and potassium. These challenging conditions can render the surfactants ineffective during chemical flooding for enhanced heavy oil recovery. Various brine types can have an impact on the stability of emulsions generated with chemicals as chemicals have various resistant levels toward hard divalent ions and salinities. To investigate the impact of brine hardness on heavy oil‐in‐water emulsion stability, glass tube experiments, microscopic visualization and sandpack flooding experiments, and Hele‐Shaw visualization experiments were conducted in this study under low‐salinity/hard‐brine, high‐salinity/hard‐brine conditions using commercial chemicals, which are designed for specific reservoir brine conditions. Recovery results demonstrated that complex colloidal solution introduced in the previous study with silica and Dodecyltrimethylammonium bromide (DTAB) along with screened chemicals from glass tube tests in this study can enhance heavy oil recovery significantly with an addition of low concentration of xanthan gum (Lee and Babadagli 2018). The results confirmed the robustness of the complex colloidal solution formula to enhance oil recovery with low concentration of polymer under any reservoir brine conditions. The study also demonstrates the potential of polymer as an emulsion stabilization additive for enhanced heavy oil recovery by in situ emulsion generation. Polymer effects seemed to be particularly dominant under the low‐salinity conditions than high‐salinity conditions.
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 ».