When Metals and Microbes Meet: Preventing Microbial Corrosion in Crude Oil Transmission Pipelines
Notice bibliographique
Résumé
Abstract Corrosion of carbon steel infrastructure in the oil and gas industry can occur via a variety of chemical, physical, and/or microbiological mechanisms. Although microbial corrosion is known to lead to infrastructure failure in many upstream and downstream operations, predicting when and how microorganisms attack metal surfaces remains a challenge. In crude oil transmission pipelines, a kind of aggressive corrosion known as under deposit corrosion (UDC) can occur, wherein mixtures of solids (sands, clays, inorganic minerals), water, oily hydrocarbons, and microorganisms form discreet, (bio)corrosive sludges on the metal surface. To prevent UDC, operators will use physical cleaning methods (e.g., pigging) combined with chemical treatments such as biocides, corrosion inhibitors, and/or biodispersants. As such, it necessary to evaluate the efficacy of these treatments in preventing UDC by monitoring the sludge characteristics and the microorganisms that are potentially involved in the corrosion process. The efficacies of a biocide, corrosion inhibitor, and biodispersant being used to prevent microbial corrosion in a crude oil transmission pipeline were evaluated. A combination of various microbiological analyses and corrosivity tests were performed using sludge samples collected during pigging operations. The results indicated that the combined treatment using inhibitor, biocide 1 and biodispersant was the most effective in preventing metal damage, and both growth-based and Next-Generation Sequencing approaches provided value towards understanding the effects of the chemical treatments. The efficacy of a different biocide (#2) could be discriminated using these test methods. The results of this study demonstrate the importance of considering and monitoring for microbial corrosion of crucial metal infrastructure in the oil and gas industry, and the value of combining multiple lines of evidence to evaluate the performance of different chemical treatment scenarios.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».