MétaCan
Menu
Retour à la cohorte
Enregistrement W4293115899 · doi:10.11159/iccpe22.126

Prediction of Critical pH for Fines Migration Pre and Post Nanofluid Treatment in Sandstone Reservoirs using the DLVO Modelling

2022· article· en· W4293115899 sur OpenAlexvenueno aff
Rizwan Muneer, Muhammad Rehan Hashmet, Peyman Pourafshary

Notice bibliographique

RevueProceedings of the World Congress on Mechanical, Chemical, and Material Engineering · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDLVO theoryNanofluidPetroleum engineeringGeologyEnvironmental scienceGeotechnical engineeringMaterials scienceChemical engineeringEngineeringNanotechnologyNanoparticleColloid

Résumé

récupéré en direct d'OpenAlex

Injection water pH affects the release of fines in sandstones.The force equilibrium between fines and sand governs the attachment or release of fines in the system.At a pH higher than a critical value, fines are released and block the pores, causing formation damage.The fines release can be avoided by adjusting the pH and using nanofluids.This paper introduces the concept of DLVO modelling to estimate the critical pH before and after the application of nanofluids without extensive experimentation.Scanning electron microscopy determines the average size of in-situ fines collected from sandstone core.Injection brine of 11700ppm and 0.1wt% nanofluid are prepared, zeta potentials of dispersed sand are measured with varying pH from 2 to 12, and the resulting attractive and repulsive surface forces between fines and sand grains are quantified.The DLVO models are developed to predict the mobilization of fines and a critical pH before and after the application of silica nanofluids.The zeta potentials are measured by a Zetasizer and are in the range of -5 mV (less repulsion) to -31 mV (more repulsion).Furthermore, the application of nanofluids increases the zeta potential to a range of -3 mV to -24.9 mV, indicating a compression in electric double layers.Measured zeta potentials, ionic strength, and fine size are used as inputs to compute surface forces, and DLVO models are developed.The critical pH, at which total DLVO interactions shift from negative to positive, as predicted by the model, is about 8.The DLVO model also predicted an improved critical pH of 11 following the use of nanofluids, demonstrating a reduction in repulsion forces.DLVO modelling approach helps estimate a critical pH before and after applying nanofluids, and nanotechnology validates nanoparticles' ability to control fines migration and improve critical pH for waterflooding and alkaline flooding operations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,240
Score d'incertitude au seuil0,515

Scores Codex et Gemma par catégorie

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

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 Opus0,015
Tête enseignante GPT0,228
Écart entre enseignants0,213 · 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 tête enseignante, 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

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the World Congress on Mechanical, Chemical, and Material EngineeringMême sujetEnhanced Oil Recovery TechniquesTravaux en français237 207