Enhancing Oil & Gas Recovery Using a Novel Nano Particle Technology
Notice bibliographique
Résumé
Abstract Nanoparticle technology is increasingly prominent in the oil and gas industry, offering significant enhancements in both waterflood projects and hydraulic fracturing operations. The efficacy of nanoparticles hinges on various factors such as molecular composition, particle size, solvent base, and concentration. Typically, nanofluids consist of aqueous suspensions containing nonferrous metal nanoparticles, typically sized between 70-150 nanometers, dispersed in an anionic surfactant solution like sulfanole-akyl aryl sodium sulfonate. Anything smaller than this is rare to find in nanofluid applications. In a recent application, smaller hydrophobic silicon dioxide particles (12-25nm) suspended in aqueous solution were deployed as part of stimulation fluid in multi-stage fracturing operations in multilateral oil producers within the Alberta Cadium and tight Montney formations. Initial Production (IP) results showed a remarkable improvement—up to 50% to 200% higher than nearby wells treated with different nanoproducts or traditional surfactants, with a significant reduction in water cut. Cumulative production comparisons revealed these wells recovered 25% more oil from the Montney formation within the first 10-12 months compared to offset parent wells treated conventionally, translating to a 3% increase in recovery factor. Laboratory experiments corroborate that these very tiny silicon dioxide nanoparticles effectively fragment oil droplets in reservoir pores, mobilizing previously unrecoverable hydrocarbons. These nanoparticles also improve rock wettability and disperse effectively within formations to accelerate oil production. Overall, the operator realized a 400% return on investment with a mere 14-day payback period, underscoring the economic viability and transformative potential of nanoparticle technology in the oilfield.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».