MétaCan
Menu
Retour à la cohorte
Enregistrement W4401703434 · doi:10.29169/1927-5129.2024.20.10

Application and Optimization of Rheological Mathematical Models in Preparation and Injection Process of Polymer Flooding

2024· article· en· W4401703434 sur OpenAlexvenueno aff
Shijie Zhu, Jiacheng Tang, Mei Xu, Zhuang Zhuang Huang, Shuang Lai Yang, Yang Wang, Yong Zhu

Notice bibliographique

RevueJournal of Basic & Applied Sciences · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRheologyProcess (computing)PolymerFlooding (psychology)Petroleum engineeringMaterials scienceProcess engineeringComputer scienceEngineeringComposite materialPsychology

Résumé

récupéré en direct d'OpenAlex

The impact of shear on the properties of polymer solutions is not fully accounted for in the simulation of conventional rheological models. To optimize the application of these mathematical models, the shear rheological characteristics of polyacrylamide at various concentrations were investigated under different shear rates and shear modes. The results indicate that pseudoplastic fluid polymers exhibit two distinct rheological characteristics within their "shear thinning" rate range. The critical shear rate at this threshold signifies the point at which shear stress begins to disrupt the structure of the polymer solution, resulting in a rheological curve that transitions from high to low shear rates without reverting back to a low-to-high state. The concentration of the solution has minimal effect on the critical shear rate of the polymer, which is primarily determined by the inherent properties of the polymer itself. The application of rheological models during preparation and injection processes can elucidate the effects of shear on polymers by analyzing changes in apparent viscosity. Furthermore, the rheological model following supercritical shear rates requires modifications to the consistency coefficient (K) and flow index (n) based on shear rheological data obtained from high to low shear rates.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,438
Score d'incertitude au seuil0,171

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,012
Tête enseignante GPT0,269
Écart entre enseignants0,257 · 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'étudeSimulation ou modélisation
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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

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