A New Approach Utilizing Liquid Catalyst for Improving Heavy Oil Recovery
Notice bibliographique
Résumé
Abstract Chemical-assisted enhanced oil recovery (EOR) has recently received a great deal of attention as a means of improving the efficiency of oil recovery processes. Producing heavy oil is technically difficult due to its high viscosity and high asphaltene content; therefore, novel recovery techniques are frequently tested and developed. This study contributes to general progress in this area by synthesizing an acidic Ni-Mo-based liquid catalyst (LC) and employing it to improve heavy oil recovery from sand-pack columns for the first time. To understand the mechanisms responsible for improved recovery, the effect of the LC on oil viscosity, density, interfacial tension (IFT), and saturates, aromatics, resin, and asphaltenes (SARA) were assessed. The results show that heavy oil treated with an acidic Ni-Mo-based LC has reduced viscosity and density and that the IFT of oil–water decreased by 7.69 mN/m, from 24.80 mN/m to 17.11 mN/m. These results are specific to the LC employed. The results also indicate that the presence of the LC partially upgrades the structure and group composition of the heavy oil, and sand-pack flooding results show that the LC increased the heavy oil recovery factor by 60.50% of the original oil in place (OOIP). Together, these findings demonstrate that acidic Ni-Mo-based LCs are an effective form of chemical-enhanced EOR and should be considered for wider testing and/or commercial use.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».