Applications of nanoparticle in enhanced oil recovery: A comprehensive review, history, and future prospects
Notice bibliographique
Résumé
Abstract Oil extraction methods are categorized into three main stages: primary, secondary, and tertiary enhanced oil recovery (EOR). In the tertiary stage, techniques such as chemical injection, thermal injection, and dissolved gas injection are employed, with nanoparticles providing innovative solutions. Following primary and secondary recovery processes, more than 50% of the total oil volume remains trapped in reservoirs, highlighting the significance of EOR. Nanoparticles, ranging from 1 to 100 nanometres, enhance EOR through mechanisms such as permeability control, interfacial tension reduction, and mass transfer improvement. Among the nanoparticles studied, silica nanoparticles have shown extensive potential due to their stability and ability to alter reservoir wettability. These nanoparticles, along with others such as magnesium oxide, aluminium oxide, zinc oxide, and iron oxide, can increase the recovery factor by up to 20% by altering wettability, decreasing interfacial tension, and improving mobility control. The application of nanotechnology in the oil industry spans from exploration to refining, enhancing processes with nanomaterials such as solid compounds, complex fluids, and nanoparticle mixtures. Challenges include the high cost of chemicals and environmental concerns. The use of nanoparticles, particularly silica nanoparticles, in EOR demonstrates significant potential for improving oil extraction methods; however, it faces challenges in maximizing oil recovery while minimizing negative environmental impacts. Future research should focus on the application of nanotechnology in EOR to develop methods that are both effective and environmentally sustainable. Balancing efficiency and environmental responsibility are essential for advancing toward a cleaner and more efficient oil 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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».