Effect of nanofluids on the stability and desorption of sara fractions in processes.
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".