Effect of nanofluids on the stability and desorption of sara fractions in processes.
Notice bibliographique
Résumé
Durante los procesos de recuperación de crudo se ha evidenciado que un porcentaje de sus fracciones quedan adheridas en el medio poroso, lo cual genera una reducción del factor de recobro. Recientemente, se ha considerado la aplicación simultánea de nanopartículas y surfactantes como método químico para mejorar la eficiencia de los procesos EOR y aumentar la recuperación de petróleo, ya que estos nanofluidos han mostrado resultados prometedores debido a sus mecanismos de recuperación como lo son el cambio de mojabilidad de la roca. En esta investigación se estudió el efecto de un surfactante con nanopartículas de sílice (SiO2) y alúmina (Al2O3), en la desorción de un crudo pesado y sus fracciones SARA (Saturados, Aromáticos, Resinas y Asfaltenos) utilizando arena Ottawa como medio poroso; para esto, se realizaron pruebas de detergencia con surfactante comercial en presencia de nanopartículas de SiO2 o Al2O3 con concentraciones entre 100 y 800 ppm. Los resultados de las pruebas evidenciaron que el porcentaje de recuperación del crudo en presencia de las nanopartículas de SiO2 o Al2O3 logró un incremental entre el 15 y el 20% en peso, respectivamente. Con respecto al análisis de las fracciones SARA se presentó un incremento en la cantidad recuperada en el orden creciente como Resinas < Asfaltenos < Aromáticos < Saturados. Además, se logró evidenciar que la concentración elevada de nanopartículas no conduce siempre a un mayor factor de recuperación. Los resultados mostraron que el desarrollo de formulaciones surfactante/nanopartículas permiten mejorar las propiedades de interacción del sistema roca-fluido para facilitar la movilidad del crudo, lo cual indica que su implementación es factible y con alto potencial de escalamiento.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».