با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد).
ردیف | عنوان | نوع |
---|---|---|
1 |
AI based mechanistic modeling and probabilistic forecasting of hybrid low salinity chemical flooding
مدل سازی مکانیکی مبتنی بر هوش مصنوعی و پیش بینی احتمالی سیلاب شیمیایی ترکیبی با شوری کم-2020 Over the past decades, it has been widely shown that Low Salinity Waterflooding (LSW) outperformed High
Salinity Waterflooding (HSW) in terms of higher oil recovery, particularly in combining with other conventional
Enhanced Oil Recovery (EOR) methods such as chemical flooding to benefit from their synergies. This paper
presents a novel approach to mechanistically model Hybrid Low Salinity Chemical Flooding, with: (1) development
of a hybrid EOR concept from past decades; (2) utilizing a Multilayer Neural Network (ML-NN) artificial
intelligent technique in a robust Equation-of-State reservoir simulator fully coupled with geochemistry; (3)
systematic validation with laboratory data; and (4) uncertainty assessment of the LSW process at the field scale.
Various parameters such as polymer, surfactant, and salinity can affect on the relative permeability simultaneously
during hybrid recovery processes. To overcome this problem, the ML-NN technique was applied
for multidimensional interpolation of the relative permeability. Additionally, ML-NN was used within a Bayesian
workflow to capture the uncertainties in both history matching and forecasting stages of LSW at field scale. The
proposed model indicated good agreements with various coreflooding experiments including HSW, LSW, and
Low Salinity Surfactant flooding (LSS), where it can efficiently capture the complex geochemistry, wettability
alteration, microemulsion phase behavior, and the synergies occurring in these hybrid processes. Keywords: Low salinity waterflooding | Chemical flooding | Hybrid EOR | Artificial intelligence | Probabilistic forecasting |
مقاله انگلیسی |
2 |
آنالیزی از پارامترهای ساختار الکترونیک، خواص جذب،NBO ، QTAIM، NMR از جذب هیدروژن سولفیددر مکان های مختلف از سطح خارجی نانولوله الومینیوم فسفید: یک مطالعه DFT
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 17 - تعداد صفحات فایل doc فارسی: 38 محاسبه تئوری تابع چگالی DFT در لایه B3LYP/6-31G* برای بررسی خواص جذبی و توصیف کوانتوم مولکولی از جذب H2S در سطح خارجی از نانولوله تک دیواره الومینیوم فسفیدALPNT ایجاد شد. فرکانس ارتعاشی و خواص فیزیکی مانند ممان دو قطبی، پتانسیل شیمیایی، سختی شیمیایی، و خواص شیمیایی الکترون دوستی برای تمام صورتبندی ها به صورت سیستماتیک بیان شد. همچنین برهمکنش گاز H2S و ALPNT در 5 توصیف فعالیت مانند انرژی تعادل سراسری (DESE(AB)) ، تغییرات انرژی منحصر به پذیرنده (DEA(B)) ، تغییرات انرژی منحصر به دهنده (DEB(A))، تفاوت الکترون دوستی جهانی در ALPNT و H2S گازی (Dw) و انتقال بار (DN) توضیح داده می شود. تمام جذب ها دارای فرایند بی ضرر الکترونیکی و برخوردهای قابل اغماض در انرژی گاز نانولوله ALP است. محاسبات اربیتال پیوند طبیعی مشتق شده از محاسبات اربیتال اتم طبیعی است. جذب فیزیکی مولکول H2S در سطحی از نانولوله ALP اولیه همراه با انرژی جذبی در حدود 20-کیلو ژول بر مول است. تئوری AIM همچنین برای امتحان کردن خواصی از نقاط بحرانی پیوند استفاده می شود. این کار با دانسیته الکترونی و لاپلاسین انجام می شود. انرژی جذب مولکول H2S برای جلوگیری از بازگشت ALPNT خیلی بزرگ نیست. بنابراین سنسور دارای زمان بازگشت کوتاهی است. ساختار الکترونی ALPNT اولیه و گاز H2S جذب شده بر مدل ALPNTبا کمک محاسبات DFT برای پارامترحفاظت شیمیایی (CS) از اتم 27Al و 31P امتحان می شود. پارامترهای CS ایزوتروپی و غیر ایزوتروپی تقسیم شده بر روی لایه ها در دتکتور شبیه به محیط الکترونیک به وسیله مکان اتم در هر لایه ایجاد می شود.
کلمات کلیدی: نانولوله های فسفید آلومینیوم | سولفید هیدروژن | نظریه کاربردی تراکم | NBO | NMR | تراکم حالت |
مقاله ترجمه شده |