Recent progress in NP-Based Enhanced oil Recovery: Insights from molecular studies
Notice bibliographique
Résumé
In recent decades, nanotechnology has emerged as a rapidly growing field with diverse applications in industries such as pharmaceuticals, energy, and engineering. One of the key areas of interest is the use of nanoparticles (NPs) and nanofluids (NFs) in Enhanced Oil Recovery (EOR) to improve oil recovery efficiency. NPs offer several benefits in the hydrocarbon industry and have been shown to enhance oil and gas production. In EOR, NPs play a crucial role by interacting with the rock/oil system, optimizing conditions for oil retrieval. They offer a cost-effective and eco-friendly alternative compared to conventional methods. This comprehensive study delves into the diverse range of NPs and nanomaterials utilized in the petroleum industry, detailing their classification, characterization, and inherent properties. It explores multiple applications of NPs in chemical, thermal, and microbial flooding, elucidating the involved mechanisms like wettability modification and mobility control. Moreover, the research examines the utilization of NPs in EOR through image-based modeling, a groundbreaking approach in enhancing EOR techniques. It highlights the considerable progress achieved in EOR through the application of NPs and nanofluids (NFs). Additionally, the study assesses the potential of NPs in image-based modeling and their implications for future EOR applications, indicating a promising trajectory for integrating NPs into the petroleum industry.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».