Phase-Behavior Modeling of Hydrocarbon Fluids in Nanopores Using PR-EOS Coupled with a Modified Young–Laplace Equation
Notice bibliographique
Résumé
48-63.] is coupled with volume-translated Peng-Robinson equation of state to study the effect of capillary pressure on the two-phase equilibrium calculation in confined nanopores. In order to successfully apply the modified Young-Laplace equation during the vapor-liquid equilibrium calculation process, this study models the tuning parameter λ in the modified Young-Laplace equation (as proposed by Tan and Piri for perturbed-chain statistical associating fluid theory equation of state) for several pure hydrocarbons and their mixtures by matching experimental data collected from the literature. The tuning parameter λ can be expressed as a unique function for each pure substance or mixture. It is found that the tuning parameter λ shows a quadratic polynomial relationship with temperature, and the value of λ is always less than one. The λ can become negative under certain circumstances, which adjusts the capillary pressure to a lower value. It increases with an increasing pore radius; this is different from the results obtained by Tan and Piri which showed that the tuning parameter λ decreases with an increasing pore radius. The above rules apply to the tuning parameter λ obtained for both pure substances and mixtures. Using the two-phase equilibrium calculation coupled with the modified Young-Laplace equation, the calculated vapor pressures for pure substances and two-phase boundaries for mixtures match very well with the experimental data. Implementation of the modified Young-Laplace equation greatly improves the accuracy of the two-phase equilibrium calculation considering the capillarity effect. Such a modeling strategy could be integrated into a reservoir simulator to conduct more accurate flow simulations for tight/shale reservoirs.
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 ».