Optimizing nanofluid additives for enhanced thermophysical properties in anionic crude oil for <scp>EOR</scp> applications
Notice bibliographique
Résumé
Abstract This research delved into the effects of introducing multi‐walled carbon nanotubes (MWCNTs) and sodium dodecyl sulphate (SDS) into crude oil with an anionic base, aiming to enhance its thermophysical attributes in the EOR process. The investigation encompassed a range of properties, including interfacial tension, viscosity, density, and electrical conductivity, measured using an LV rheometer with spindle 18. Various ratios of MWCNTs and SDS were mixed with the crude oil to evaluate their impacts. The study uncovered that the 1:1 ratio of MWCNTs to SDS achieved a noteworthy 10% reduction in interfacial tension while minimally affecting viscosity, showing promise for practical applications. Temperature had diverse effects on viscosity and interfacial tension, displaying fluctuating trends. The highest observed result was a substantial 190% viscosity increase at 40°C with a 2:1 ratio, whereas the lowest was a slight −0.81% density change at 60°C for the 1:1 ratio. Additionally, interfacial tension consistently decreased over time for all ratios at various temperatures, with the most significant reductions observed at 40 and 60°C, particularly for the 1:2 and 1:1 ratios. Furthermore, adding MWCNTs and SDS led to a remarkable drop in electrical conductivity, indicating a substantial decrease in salt content within the crude oil. However, it was noted that higher MWCNT concentrations might not be cost‐effective, emphasizing the importance of optimizing additive ratios for a balance between performance and economic viability. This study highlights the potential of tailored nanofluid formulations to improve the thermophysical properties of crude oil, potentially enhancing extraction and refining processes.
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 ».