MétaCan
Menu
Retour à la cohorte
Enregistrement W3118232654 · doi:10.1115/omae2020-18203

Four-Phase Flow of Oil, Gas, Water, and Sand Mixtures in Pipelines

2020· article· en· W3118232654 sur OpenAlexaff
Mohamed Odan, Faraj Ben Rajeb, Mohammad Azizur Rahman, Amer Aborig, Syed Imtiaz, Yan Zhang, Mohamed M. Awad

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueWater Systems and Optimization
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésPipeline transportPetroleum engineeringSlug flowFlow (mathematics)Two-phase flowMultiphase flowEnvironmental scienceGeotechnical engineeringGeologyMaterials scienceMechanicsEnvironmental engineering

Résumé

récupéré en direct d'OpenAlex

Abstract This paper investigates issues around four-phase (Oil/CO2/water/sand) flows occurring within pipelines. Multiphase flows are the norm, as production fluid from reservoirs typically include sand with water. However, these multi-phase flow mixtures, whether three- or four-phase, are at risk of forming slug flows. The inclusion of sand in this mixture is concerning, as it not only leads to increased levels of pipeline erosion but it also has the potential, to accumulate sand at the bottom of the pipe, blocking the pipe or at the very least hindering the flow. This latter impact can prove problematic, as a minimum fluid velocity must be maintained to ensure the safe and regulated flow of particles along a pipeline. The presence of low amounts of sand particles in oil/gas/water flow mixtures can serve to reduce the pressure exerted on bends. The sand volume fraction must in this case, be relatively low such that the particles’ resistance causes only a moderate loss in pressure. Therefore, the study aims to gauge the impact of oil/gas/water/sand mixtures on various pipeline structures as well as to further investigate the phenomenon of flow-induced vibration to determine the optimal flow variables which can be applied predicting the structural responses of pipelines.

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 enseignants0,101
Score d'incertitude au seuil0,151

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 GPT0,202
Écart entre enseignants0,188 · 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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetWater Systems and OptimizationTravaux en français237 207