Stable <scp>CO<sub>2</sub></scp>/water foam stabilized by dilute surface‐modified nanoparticles and cationic surfactant at high temperature and salinity
Notice bibliographique
Résumé
Abstract CO 2 enhanced oil recovery and storage could see widespread deployment as decarbonization efforts accelerate to meet climate goals. CO 2 is more efficiently distributed underground as a viscous foam than as pure CO 2 ; however, most reported CO 2 foams are unstable at harsh reservoir conditions (22 wt% brine, 2200 psi, and 80°C). We hypothesize that silica nanoparticles (NP) grafted with (3‐trimethoxysilylpropyl)diethylenetriamine ligands (N3), to improve colloidal stability, and dimethoxydimethylsilane ligands (DM), to improve CO 2 ‐phillicity, combined with the cationic surfactant N 1 ‐alkyl‐ N 3 , N 3 ‐dimethylpropane‐1,3‐diamine (RCADA), will develop viscous, stable CO 2 foams at reservoir conditions. We grafted NP with N3 and DM ligands. We verified NP stability at reservoir conditions with measurements of zeta potential, amine titration curves, and NP diameter. We measured NP water contact angles ( θ w ) at the water–air and water–liquid CO 2 interfaces. In a high‐temperature, high‐pressure flow apparatus, we calculated the viscosity of CO 2 foams across a beadpack and determined static foam stability with microscope observations. Modified NP were colloidally stable at reservoir conditions for 4 weeks, and had higher θ w in liquid CO 2 than in air. Addition of at least 0.5 μmol/m 2 DM silane (0.5DM) greatly improved foam stability. RCADA‐only foam coarsening rates ( dD SM 3 / dt ) decreased 16–17× after adding 1 wt/vol% 8N3 + 1.5DM NP, and 5–10× with a 0.1–1 vol/vol% increase in RCADA concentration (with or without NP). 1 vol/vol% RCADA foam exhibited coarsening rates of 900 and 2400 μm 3 /min with 1 and 0.2 wt/vol% 8N3 + 1.5DM NP, respectively. These results demonstrate impressive foam stabilities at harsh reservoir conditions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».