MétaCan
Menu
Retour à la cohorte
Enregistrement W4376277321 · doi:10.29169/1927-5129.2023.19.06

Feasibility of Oil Mud Reinjection from Offshore Platforms in Bohai Oilfield

2023· article· en· W4376277321 sur OpenAlexvenueno aff
Guoying Jiao, Shijie Zhu, Jun Wang, Zhuangzhuang Huang, Mei Xu

Notice bibliographique

RevueJournal of Basic & Applied Sciences · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensnon disponible
Organismes subventionnairesCentre Scientifique et Technique du BâtimentNatural Science Foundation of Chongqing
Mots-clésSubmarine pipelinePetroleum engineeringEnvironmental scienceShearing (physics)Enhanced oil recoveryResidual oilGeologyGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

Sludge produced by offshore oilfields can be difficult to treat. thus, it is necessary to explore the feasibility of its reinjection into reservoirs for environmental protection and economic benefits. In this study, oil sludge produced from an oilfield in the Bohai Sea was ground and refined, and a reinjection system using a polymer solution was developed. To determine the feasibility of the reinjection system, we analysed its stability, solution performance, injection performance, and oil displacement effect. The experiment results indicate that when the particle concentration of the system is ≤ 200mg/L, the system dispersion, anti-shearing, and anti-ageing stability can be enhanced. When he particle concentration is ≤100 mg/L, the system can easily manage the viscous nature of the solid particles, thereby achieving optimal stability. At a particle concentration of 100mg/L, the system can run with optimal performance and achieve good oil displacement efficiency. Therefore, a system with a particle concentration of 100mg/L can be used for long-term reinjection of offshore platforms in the Bohai oil reservoir, achieving environmentally friendly treatment of produced sludge while further enhancing the oil recovery rate of the reservoir.

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)0,001
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 enseignants0,243
Score d'incertitude au seuil0,348

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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 Opus0,029
Tête enseignante GPT0,272
Écart entre enseignants0,242 · 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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Basic & Applied SciencesMême sujetEnhanced Oil Recovery TechniquesTravaux en français237 207