Injectivity, Potential Wettability Alteration, and Mineral Dissolution in Low-Salinity Waterflood Applications: The Role of Salinity, Surfactants, Polymers, Nanomaterials, and Mineral Dissolution
Notice bibliographique
Résumé
Waterflooding, a key method for secondary hydrocarbon recovery, has been employed since the early 20th century. Over time, the role of water chemistry and ions in recovery has been studied extensively. Low-salinity water (LSW) injection, a common technique since the 1930s, improves oil recovery by altering the wettability of reservoir rocks and reducing residual oil saturation. Recent developments emphasize the integration of LSW with various recovery methods such as CO2 injections, surfactants, alkali, polymers, and nanoparticles (NPs). This article offers a comprehensive perspective on how LSW injection is combined with these enhanced oil recovery (EOR) techniques, with a focus on improving oil displacement and recovery efficiency. Surfactants enhance the effectiveness of LSW by lowering interfacial tension (IFT) and improving wettability, while ASP flooding helps reduce surfactant loss and promotes in situ soap formation. Polymer injections boost oil recovery by increasing fluid viscosity and improving sweep efficiency. Nevertheless, challenges such as fine migration and unstable flow persist, requiring additional optimization. The combination of LSW with nanoparticles has shown potential in modifying wettability, adjusting viscosity, and stabilizing emulsions through careful concentration management to prevent or reduce formation damage. Finally, building on discussions around the underlying mechanisms involved in improved oil recovery and the challenges associated with each approach, this article highlights their prospects for future research and field implementation. By combining LSW with advanced EOR techniques, the oil industry can improve recovery efficiency while addressing both environmental and operational challenges.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».