<scp> Al <sub>2</sub> O <sub>3</sub> </scp> and <scp>CuO</scp> nanoparticles as promising additives to improve the properties of <scp>KCl</scp> ‐polymer mud: An experimental investigation
Notice bibliographique
Résumé
Abstract Drilling fluid technology is one of the most targeted and developed technologies worldwide due to the increasing demand for deeper drilling and more complicated wells. Several studies have shown numerous improvements in the mud characteristics when using nanoparticles (NPs) as additives. This study aims at examining the influence of using aluminium oxide (Al 2 O 3 ) and copper oxide (CuO) NPs on the characteristics of KCl‐polymer mud, which is mainly used while drilling shaly formations. Two sizes of Al 2 O 3 ‐NPs (15 and 40 nm) in addition to CuO‐NPs (40 nm) were investigated at different concentrations (0.1, 0.3, 0.5, 0.7, and 1.0 wt.%) using a standard viscometer and API filter press. Zeta potential (ζ‐potential), scanning electron microscopy (SEM), and energy‐dispersive X‐ray spectroscopy (EDX) were used to elaborate the effect of NPs on the properties of NPs‐based KCl‐polymer mud. The results showed higher potential of Al 2 O 3 ‐NPs and CuO‐NPs to enhance the mud properties when used at small concentrations of 0.3–0.5 wt.%. Furthermore, NPs were found to play a key role in building efficient filter cakes with time during filtration (up to 90 min). Moreover, smoother surface morphologies and less porous structures of filter cakes were observed when using NPs with some agglomeration of CuO‐NPs due to higher density. The Herschel‐Bulkley model was found to provide a better fitting of the rheological data of NPs‐based KCl‐polymer mud than the Bingham plastic model. This approach would be able to virtually overcome any shale issue encountered by proactively plugging nanopores while inhibiting the water absorption in shale formations.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».