Molecular-Scale Insights into the Aqueous Dispersion and Water–Oil Interfacial Behavior of Surfactant Functionalized Silica Nanoparticles
Notice bibliographique
Résumé
Studying nanoparticle dispersion in water and their behavior at fluid interfaces is crucial for optimizing their performance in chemical enhanced oil recovery. Stable aqueous dispersion ensures efficient nanoparticle transport, while strong water–oil interfacial affinity promotes effective interaction with reservoir fluids. However, current understanding is limited by insufficient molecular-level insight into how surfactant type, surfactant coverage, and reservoir conditions such as pH regulate nanoparticle stability and interfacial behavior. This study employs molecular dynamics simulations to investigate the dispersity and interfacial properties of silica nanoparticles functionalized with various surfactants─anionic, cationic, zwitterionic, and nonionic─across surfactant coverages ranging from 0 to 4.6 molecules nm –2 . The impact of water pH, modeled via silica surface charge densities representing alkaline (−0.85 e nm –2 ) and acidic (0 e nm –2 ) environments, is also examined. Nanoparticle dispersity is evaluated qualitatively through equilibrium distributions and quantitatively via potential of mean force profiles as a function of center-of-mass distance. Results reveal that sufficient surfactant coverage is critical for maintaining good dispersity. At high coverage, anionic and zwitterionic nanoparticles remain well dispersed regardless of pH, whereas cationic nanoparticles exhibit diminished dispersity under alkaline conditions. Nonionic nanoparticles show poor dispersity across all coverages and pH values. All nanoparticle types exert minimal influence on the water–oil interfacial tension, and possible reasons for this behavior are discussed. However, their interfacial affinities differ: anionic nanoparticles display moderately strong adsorption at the interface, while zwitterionic nanoparticles are nearly excluded from it. These findings highlight the importance of surfactant coverage and surfactant type in optimizing nanoparticle performance. Anionic nanoparticles, in particular, exhibit robust resistance to pH variations and moderate water–oil interfacial affinity, highlighting their broad applicability for enhanced oil recovery.
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 | 0,000 |
| 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) | 0,001 | 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 ».