A Review on the Use of Chemicals as Steam Additives for Thermal Oil Recovery Applications
Notice bibliographique
Résumé
Abstract We summarize the major recovery mechanisms of both steam-based recovery process and steam-chemical-based recovery process. Next, we review the previous lab-scale/field-scale studies examining the applications of surfactants, alkali, and novel chemicals in the steam-based oil recovery process. Among the different surfactants studied, alpha-olefin sulfonate (AOS) and linear toluene sulfonate are the recommended chemicals for their foam control/detergency effect. In particular, AOS was observed to perform especially well in residual oil saturation (ROS) reduction and sweep efficiency improvement when being co-injected with alkali. Application of organic alkali (alone or with a co-surfactant) has also drawn wide attention recently, but its efficacy in the field requires further investigation and the consumption of alkali by sands/clay is often an inevitable issue and, therefore, how to control the alkali loss requires further investigation. Novel chemical additives tested in the past five years include fatty acids (such as tail oil acid, TOA-Na+), biodiesel (o/w emulsion), along with other types of chemical additives including switchable hydrophilicity tertiary amines, chelating agents, deep eutectic solvents, graphite and SiO2 particles, ionic liquids, and urea. High thermal stability of some of the novel chemicals and their potential in increasing displacement efficiency and ROS reduction efficiency in the lab studies require further investigation for their optimized application in the field settings to minimize the use of steam while improving the recovery effectively.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».