Reservoir Potential Unlocked: Synergies Between Low-Salinity Water Flooding, Nanoparticles and Surfactants in Enhanced Oil Recovery─A Review
Notice bibliographique
Résumé
This review explores the synergistic application of low-salinity water flooding (LSWF), nanoparticles, and surfactants in enhanced oil recovery (EOR), emphasizing their combined potential to address modern oil production challenges. It highlights the ability of LSWF to alter reservoir wettability, improve sweep efficiency, nanoparticles to enhance fluid mobility, and reduce interfacial tension, and surfactants to lower the interfacial tension and promote emulsification. All of this aim to provide practical, easy-to-use, and sustainable solutions for oil recovery. The review discusses existing research gaps in the long-term stability of nanoparticle-surfactant complexes, site-specific differences in rock-fluid interactions, and economic viability across diverse reservoirs. The review summarizes experimental findings, demonstrating recovery rates of 45-55% for nanoparticles, 50-60% for surfactants, and 40-50% for LSWF with improvements of 75-82% through this integrated approach. Additionally, the review addresses technological advancements, environmental considerations, and economic feasibility, highlighting challenges such as nanoparticle agglomeration and surfactant adsorption. A bibliographic analysis of global research trends, mechanisms, and field applications underscores the importance of interdisciplinary collaboration in optimizing this strategy for sustainable and efficient EOR processes. The findings aim to guide researchers and industry professionals in leveraging the synergistic effects of these methods to maximize oil recovery and reduce environmental footprints with a proposition to develop advanced characterization techniques, and verifying practicality through field implementation studies.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 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 ».