Surfactant and nanoparticle synergy: Towards improved foam stability
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Surfactant foam stability gets a lot of interest while posing a significant obstacle to many industrial operations. One of the viable solutions for addressing gas mobility concerns and boosting reservoir fluid sweep efficiency during solvent-based enhanced heavy oil recovery processes is foam formation. The synergistic effect of nanoparticles and surfactants in a porous reservoir media can help create a more durable and sturdier foam. This study aims to see how well a combination of the nanoparticles (NPs) and surfactant can generate foam for controlling gas mobility and improving oil recovery. This research looked at the effects of silicon and aluminum oxide nanoparticles on the bulk and dynamic stability of sodium dodecyl surfactant (SDS)-foam in the presence and absence of oil. Normalized foam height, liquid drainage, half-decay life, nanoparticle deposition, and bubble size distribution of the generated foams with time were used to assess static foam stability in the bulk phase, while dynamic stability was studied in the micromodel. To understand the processes of foam stabilization by nanoparticles, the microscopic images of foam and the shape of bubbles were examined. When nanoparticles were applied in foamability testing in bulk and dynamic phase, the foam generation and stability were improved by 23% and 17%, respectively. In comparison to surfactant alone, adding nanoparticles to surfactant solutions leads to a more significant pressure drop of 17.34 psi for SiO2 and 14.86 psi for Al2O3 NPs and, as a result, a higher reduction in gas mobility which ultimately assists in enhancing oil recovery.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 découle