MétaCan
Menu
Retour à la cohorte
Enregistrement W6922264607 · doi:10.11575/prism/5045

Oil Sands wettability characterization using low field nuclear magnetic resonance

2012· other· en· W6922264607 sur OpenAlexaboutno aff

Notice bibliographique

RevuePRISM (University of Calgary) · 2012
Typeother
Langueen
DomaineComputer Science
ThématiqueHistory of Computing Technologies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWettingAsphaltOil sandsResidual oilSaturation (graph theory)ViscosityOil fieldPetroleum reservoirEnhanced oil recoveryCharacterization (materials science)

Résumé

récupéré en direct d'OpenAlex

Wettability is a profoundly important parameter need to be understood in reservoir engineering. It has direct impact on the nature of fluid trapping, residual oil saturations, and mechanisms of displacement at the pore scale. Unfortunately, this parameter is very difficult to measure in unconsolidated systems, such as the oil sands of northern Alberta. Furthermore, in oil sands where the oil viscosity is much higher than that of water, conventional Amott/USBM testing cannot be applied. Therefore alternative technologies should be considered. Previous researches have shown that NMR technology could be used for wettability characterization. This study systematically investigated the NMR signal variation trend on well characterized model samples under different wettability conditions, as well as the effect of viscosity of oil phase on NMR signal variation. A better understanding on the effects of wetting conditions and saturation on NMR T 2 relaxation variation were obtained for both water and oil phase. Based on these findings, the wettability condition derivations from fluid NMR signal distribution analysis were explained. Furthermore, the effect of connate water on oil sands wettability as well as the bitumen recovery from oil sands was also investigated.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,178
Écart entre enseignants0,169 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePRISM (University of Calgary)Même sujetHistory of Computing TechnologiesTravaux en français237 207