MétaCan
Menu
Retour à la cohorte
Enregistrement W3157540239 · doi:10.24908/iqurcp.7647

The Assessment of Oil Sand Conditioning Using Droplet Size Analysis

2017· article· en· W3157540239 sur OpenAlexvenueaboutno aff
Alex Burns

Notice bibliographique

RevueInquiry Queen s Undergraduate Research Conference Proceedings · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueCoal Combustion and Slurry Processing
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSlurryOil sandsPipeline transportAsphaltPetroleum engineeringSizingEnvironmental scienceParticle sizeGeotechnical engineeringGeologyEngineeringEnvironmental engineeringMaterials scienceComposite materialChemistryChemical engineering

Résumé

récupéré en direct d'OpenAlex

The transportation of oil sand via slurry pipeline reduces downstream processing costs because some separation of bitumen from the sand/clay matrix occurs during transit (conditioning). However, there is currently no real-time method for assessing the extent of conditioning inside a pipeline. We investigated bitumen droplet size analysis as a technique for determining the extent of conditioning in a slurry line by conducting field tests at Syncrude Canada Ltd.'s oil sand operation in Fort McMurray, Alberta. Slurry was withdrawn from two different pipelines at five specially designed sampling stations and the liberated bitumen droplets were allowed to float through a water-filled viewing chamber. The droplets were videotaped and analyzed using particle sizing software to determine the average droplet size and shape. This data was correlated to feed grade, slurry temperature and transport distance to determine if a relationship existed between the physical slurry properties and the droplet data. Results suggest that droplet size analysis can be used to assess the extent of conditioning inside an oil sand slurry pipeline in real time. This technology could be incorporated into the control scheme of an oil sand processing circuit to improve separation efficiency and reduce costs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,013
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
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)0,0010,000

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 Opus0,110
Tête enseignante GPT0,409
Écart entre enseignants0,299 · 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 source (Gemma direct ou Codex distillé), 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

Citations0
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInquiry Queen s Undergraduate Research Conference ProceedingsMême sujetCoal Combustion and Slurry ProcessingTravaux en français237 207