MétaCan
Menu
Retour à la cohorte
Enregistrement W3080414115 · doi:10.5006/c2020-14591

The Development of Novel Corrosion Inhibitors for High Temperature Sour Gas Environments

2020· article· en· W3080414115 sur OpenAlexaff
Jody Hoshowski, Paul Barnes, Rolando Pérez, Alyn Jenkins, Tore Nordvik

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCorrosion Behavior and Inhibition
Établissements canadiensSchlumberger (Canada)
Organismes subventionnairesnon disponible
Mots-clésSour gasCorrosionMaterials scienceHigh-temperature corrosionMetallurgyEnvironmental scienceWaste managementEngineeringNatural gas

Résumé

récupéré en direct d'OpenAlex

Abstract Mitigating oil and gas production with chemical inhibitors is challenging when high temperature (>120°C) and H2S is present. The high temperatures associated with deep wells and thermal recovery methods demand an advancement in conventional inhibitor technologies. Traditional organic inhibitors struggle to protect carbon steel assets lending them susceptible to localized corrosion in sour environments. These environments require inhibitors with a combined thermal stability and persistency to provide uniform filming and corrosion protection. For high temperature corrosion applications imidazoline chemistry ranks highly as a chemistry likely to be able to mitigate corrosion at elevated temperatures. However, at temperatures between 120 and 150°C performance is very system specific while over 150°C performance can be severely limited. An extensive in-house screening program was undertaken which identified a generic chemistry (pyrimidine) that exhibited the required performance characteristics up to 175°C for a variety of field applications. Based on this work, several other materials exhibited performance benefits for alternate applications, for instance high temperature, deep water applications. Laboratory testing of the novel corrosion inhibitors at high temperatures, also highlighted the limitations of corrosion test methodologies for evaluating inhibitors under extreme 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 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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,250

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 Opus0,025
Tête enseignante GPT0,241
Écart entre enseignants0,215 · 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'étudeExpérimental (laboratoire)
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

Citations6
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCorrosion Behavior and InhibitionTravaux en français237 207