Sulfur Production Associated with Souring Control by Nitrate Injection: a Potential Corrosion Risk?
Notice bibliographique
Résumé
Abstract Injection of nitrate into an oil field can significantly reduce the concentration of sulfide produced by endogenous sulfate-reducing bacteria (SRB). Although much is known of the effects of nitrate in relatively high temperature reservoirs (60-80 °C), flooded with seawater, its effectiveness in lower temperature reservoirs (30-40 °C) subjected to produced water reinjection (PWRI) is less well understood. The nitrate-reducing, sulfide-oxidizing bacterium (NR-SOB) Thiomicrospira sp. strain CVO, was isolated from such a reservoir. This organism converts sulfide and nitrate into sulfate and nitrite or into sulfur and nitrogen, depending on whether the initial nitrate to sulfide (N/S) ratio is high or low, respectively. The presence of iron minerals in reservoir rock (e.g. siderite FeCO3) can delay the onset of souring by immobilizing SRB-produced sulfide as FeS (FeCO3+HS−→FeS+HCO3−). Strain CVO appeared incapable of oxidizing ferrous sulfide (FeS) with nitrate, indicating that it does not mobilize precipitated sulfides. Interestingly, in ferrous iron-containing cocultures of sulfate-reducing Desulfovibrio spp. and strain CVO, FeS was transformed into greigite (Fe3S4). The mechanism for greigite formation is probably reaction of FeS with CVO-produced sulfur (3FeS + S0 → Fe3S4). Hence, on the plus side CVO-mediated conversion of FeS to greigite increases the sulfur-binding capacity of reservoir rock by 33%. On the downside, sulfur is corrosive towards iron increasing corrosion risk if it emerges in production wells. A reservoir model, taking some of these features into account and indicating the formation of sulfur as a function of space and time by the combined action of SRB and NR-SOB such as strain CVO, is presented
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 ».