Implementation of Amorphous Mesoporous Silica Nanoparticles to formulate a novel water-based drilling fluid
Notice bibliographique
Résumé
One of the significant problems of drilling with water-based muds in oil and gas wells is the instability in the Shale Formations. Conventional additives cannot plug nanometer-sized pore throats of Shale. Today, Nanotechnology is used to improve the performance of water-based muds. Adding some Nanoparticles with unique properties to drilling fluids has remarkably improved the mud’s properties. Therefore, this study synthesized Amorphous Mesoporous Silica Nanoparticles (AMSN) with heightened purity and suitable Special Surface Area (SSA) using the sol–gel method. Then AMSN was employed in an eco-friendly water-based mud to investigate the effect on rheological properties, filtration, thermal stability, and Shale recovery. Several analyses were conducted on AMSN synthesized by TEM, FESEM, EDX, DLS, XRF, XRD, BJH, and BET. According to the results, AMSN has an amorphous phase, and its purity, SSA, and total pore volume stand at 98.99%, 226.13 (m2.g−1), and 1.0539 (m3.g−1). Under two conditions, the AMSN was incorporated into the water-based drilling fluid at four concentrations: 0.1, 0.5, 1, and 2% W/W. The primary condition is Before Hot Rolling (BHR), conducted at a temperature of 43.3 °C. A second trial was conducted after hot rolling (AHR) at simulated downhole temperatures of 121.1 °C and 148.8 °C, respectively. In both conditions, the results indicate that the ideal concentration of AMSN is 0.1% by weight and improves the rheological properties, thermal stability, and Shale recovery. Comparatively to base mud, an optimal concentration of AMSN can increase apparent viscosity by 12.5% and reduce fluid loss by 55% in AHR 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 | 0,000 | 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 | 0,000 |
| 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 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 ».