Characterizing Dispersion Effectiveness at Varying Salinities
Notice bibliographique
Résumé
ABSTRACT Chemical dispersant formulations typically provide maximum oil dispersion in waters between 30–40 ppt (parts per thousand) salt content, which encompasses typical ocean salinity (~34 ppt). As a result, most laboratory studies of oil dispersion effectiveness (DE) are conducted at low to average ocean salinity. Ocean salinity can vary locally from below 20 ppt during ice and snow melt, to extremely high (over 100 ppt) during freeze up periods or within natural brine pools in deeper waters. In this study, the influence of salinity on DE was evaluated using the baffled flask test (BFT) at a dispersant-to-oil ratio (DOR) of 1:25. Benchtop experiments were conducted with Alaskan North Slope (ANS) crude oil in the presence or absence of chemical dispersant at 5 and 25°C and varying salinities (0.2 to 125 ppt). In addition to DE as determined by BFT, oil droplet size distribution (DSD) and fluorescence intensity was measured via a LISST-100X particle size analyzer (Sequoia Scientific, Inc., Bellevue, WA) and ECO fluorometer (Sea Bird - WET Labs, Inc.; Philomath, OR), respectively. Results indicate that in the presence of dispersant, maximum DE occurred at 25ppt, and decreases above and below this salinity. Concentration of small droplets (<10 μm) was twice as high at 35ppt than at the other salinities in the presence of dispersant at 25°C. Treatments without dispersant did not vary significantly as a function of salinity. Flume tank experiments over a range of salinities support the lab scale results of DSD. These results provide a more comprehensive picture pertaining to the influence of salinity on dispersant usage at high salinities.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».