Mechanistic Study of CO2-Based Oil Flooding in Microfluidics and Machine Learning Parametric Analysis
Notice bibliographique
Résumé
CO2-enhanced oil recovery (CO2-EOR) has gained prominence as an effective oil displacement method with low carbon emissions, yet its microscopic mechanisms remain incompletely understood. This study introduces a novel high-pressure microfluidic visualization system capable of operating at 0.1–10 MPa without confining pressure and featuring stratified porous media with a 63 μm minimum throat size to provide unprecedented insights into CO2 and CO2-foam EOR processes at the microscale. Through quantitative image analysis and advanced machine learning modeling, we reveal that increasing the CO2 injection pressure nonlinearly reduces residual oil saturation, achieving near-complete miscibility at 6 MPa with only 2% residual oil—a finding that challenges conventional thresholds for miscibility in heterogeneous systems. Our work uniquely demonstrates that CO2-foam flooding not only mobilizes capillary-trapped oil films but also dynamically alters interfacial tension and the pore-scale fluid distribution, a phenomenon previously underexplored. Support Vector Regression (R2 = 0.71) further uncovers a nonlinear relationship between the surfactant concentration and residual oil saturation, offering a data-driven framework for parameter optimization. These results advance our fundamental understanding by bridging microscale dynamics with field-applicable insights, while the integration of machine learning with microfluidics represents a methodological leap for EOR research.
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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».