Viscosity Modeling of Solvent-Water-Heavy Oil/Bitumen Systems at High Pressures and Elevated Temperatures
Notice bibliographique
Résumé
Abstract This work presents a new framework for quantifying the viscosity of a solvent-water-heavy oil/bitumen system as a function of thermal energy, solvent dissolution, and water concentration, respectively. By collecting experimental measurements in a pressure range of 0.9 to 5.0 MPa and a temperature range of 298.2 to 463.3 K, the Peng-Robinson equation of state (PR EOS) together with modified alpha functions respectively for hydrocarbons and water as well as binary interaction parameters (BIPs) has been integrated to quantify the aqueous/liquid/vapor (ALV) and LV phase equilibria. By treating heavy oil/bitumen as either a single pseudocomponent (PC) or multiple PCs, such a framework, along with the volume translation (VT) strategy, effective density, and six mixing rules, successfully reproduces the experimentally measured viscosity from 0.7-566.0 mPa•s with an accuracy of 41.1%, 10.2%, 26.3%, 36.4%, 47.2%, and 47.3% (1 PC) and 30.2%, 9.1%, 19.3%, 35.5%, 40.0%, and 30.1% (4 PCs), respectively. Adding water to a solvent-heavy oil/bitumen mixture can either increase or decrease its viscosity, mainly depending on thermal energy and solvent dissolution. Water concentration in feed plays a crucial role on the mixture viscosity at LV equilibria other than ALV equilibria. Heavier solvents are found to have a superior capacity for diluting heavy oil/bitumen at the same solvent concentration, and water has the same ability for reducing mixture viscosity when it is in liquid phase. At a higher temperature, water as a vapour shows its better ability in diluting heavy oil/bitumen than some solvents (e.g., CO2 and C3H8). Such a newly proposed framework makes it possible to not only dynamically and accurately predict the viscosity for the aforementioned mixtures under various conditions, but also seamlessly integrate it with any reservoir simulators for accurately evaluate and optimize the performance of a hybrid solvent-steam process in a given heavy oil 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 source (Gemma direct ou Codex distillé), 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 ».