MétaCan
Menu
Retour à la cohorte
Enregistrement W3048081559 · doi:10.1021/acsomega.0c02307

Numerical Simulation of Polymer Dispersion Systems for Polymer Injection on Offshore Platforms

2020· article· en· W3048081559 sur OpenAlexaff
Zizhen Wang, Tianyang Li, Fangxiang Wang, Lin Guan, Rui Zhang

Notice bibliographique

RevueACS Omega · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueFluid Dynamics and Mixing
Établissements canadiensUniversity of Alberta
Organismes subventionnairesChina National Offshore Oil Corporation
Mots-clésMixing (physics)Venturi effectMaterials scienceJet (fluid)Dispersion (optics)PolymerMechanicsFluentTurbulenceComputational fluid dynamicsMechanical engineeringComposite materialOpticsEngineering

Résumé

récupéré en direct d'OpenAlex

Because of the limited space and high cost of offshore platforms, the dispersion and dissolution of the polymer are required to be of high efficiency, which is essential for polymer injection to enhance hydrocarbon recovery. The numerical simulation models of the water-powder mixing process by Venturi jetting and air-mixing were established. The multiphase flow fields in the water jet ejector, water-powder mixing head, and stirring tank were numerically simulated by FLUENT. Then, the distributions of velocity, volume fraction, pressure, and turbulent kinetic energy of each phase were obtained to evaluate the effects of polymer dispersion and the dissolution of the two mixing methods. According to the maximum velocity of the mixture at the Venturi jet, the optimized length of the throat is 25 mm in our models. The results of the air-mixing process show that a 120° angle of support rods has the best effect of water-powder mixing. The results of the present study show that compared with air-mixing, the combination of Venturi jet and the stirring tank can obtain a broader agitation range and more extensive effect on the flow field, which could uniformly disperse the polymer powder into water. This study has a guiding significance for the design of the onsite polymer injection process.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,067
Score d'incertitude au seuil0,366

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,225
Écart entre enseignants0,210 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueACS OmegaMême sujetFluid Dynamics and MixingTravaux en français237 207