Study on frequency optimization and mechanism of ultrasonic waves assisting water flooding in low-permeability reservoirs
Notice bibliographique
Résumé
Water flooding is one of widely used technique to improve oil recovery from conventional reservoirs, but its performance in low-permeability reservoirs is barely satisfactory. Besides adding chemical agents, ultrasonic wave is an effective and environmental-friendly strategy to assist in water flooding for enhanced oil recovery (EOR) in unconventional reservoirs. The acoustic frequency plays a dominating role in the EOR performance of ultrasonic wave and is usually optimized through a series of time-consuming laboratory experiments. Hence, this study proposes an unsupervised learning method to group low-permeability cores in terms of permeability, porosity and wettability. This grouping algorithm succeeds to classify the 100 natural cores adopted in this study into five categories and the water flooding experiment certificates the accuracy and reliability of the clustering results. It is proved that ultrasonic waves can further improve the oil recovery yielded by water-flooding, especially in the oil-wet and weakly water-wet low-permeability cores. Furthermore, we investigated the EOR mechanism of ultrasonic waves in the low-permeability reservoir via scanning electron microscope observation, infrared characterization, interfacial tension and oil viscosity measurement. Although ultrasonic waves cannot ameliorate the components of light oil as dramatically as those of heavy oil, such compound changes still contribute to the oil viscosity and oil-water interfacial tension reductions. More importantly, ultrasonic waves may modify the micromorphology of low-permeability cores and improve the pore connectivity.
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 ».