ارزیابی مدل های رئولوژیکی بر اساس میانگین درصد خطای مطلق
Publish place: The first national conference on new achievements in chemistry and chemical engineering
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 851
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ACCE01_014
تاریخ نمایه سازی: 9 مرداد 1395
Abstract:
مدل های رئولوژیکی متعددی در صنعت نفت وجود دارند که با استفاده از آنها به بررسی خصوصیات سیال حفاری پرداخته می شود. مدل رئولوژیکی مناسب برای یک سیال حفاری در شرایط مختلف، ممکن است متفاوت باشد؛ در نتیجه، بایستی در مرحله اول بهترین مدل برای سیال مورد نظر انتخاب گردد. در این پژوهش، مدل های رئولوژیکی نیوتنی، بینگهام پلاستیک، پاورلا CassonوAPI RP13D مورد ارزیابی و مقایسه با یکدیگر قرار گرفته اند. افزودنی های مورد استفاده جهت تهیه نمونه ها شامل Starch ،PAC-LV ،CMC-HV ،XC ،N-GumوPHPA هستند. همچنین، پروسه آماده سازی نمونه ها عبارت است از: استفاده از2 گرم افزودنی در 350 سی سی آب مقطر که به مدت 20 دقیقه بوسیله دستگاه همزن، ترکیب و برای 4 ساعت در حمام آب قرار گرفته است. بعد از سپری شدن این زمان، نمونه جهت هموژینه شدن مجدد، به مدت 5 دقیقه توسط دستگاه هم خورده، سپس تنش های برشی بترتیب در سرعت های 600،300،200،100،3،6 دور در دقیقه توسط ویسکومتر خوانده و در نرم افزار دستگاه گزارش گردیده است. افزودنی ها در صنعت کاربرد های متفاوتی دارند و همین موضوع برروی دقت مدل های رئولوژیکی بکارگرفته جهت مطالعه خصوصیات سیال حفاری تأثیر گذار می باشد. طی مقایسه های صورت گرفته برروی خطای مدل ها، کارآمدترین مدل مربوط به هر نمونه انتخاب گردید. مدل API RP13D برای پلیمرهای CMC-HV،XC، N-Gum،Starch و مدل Power Lawبرای PAC-LV مناسب شناخته شد. همچنین این نتیجه حاصل گردید که می توان API RP13D را به عنوان دقیق ترین و نیوتنی را کم دقت ترین مدل جهت مطالعه ویژگی های رئولوژیکی سیالات حفاری در نظر گرفت
Keywords:
Authors
نوید افشاری
دانشکده مهندسی نفت دانشگاه آزاد واحد علوم و تحقیقات
علیرضا نصیری
عضو هیات علمی پژوهشگاه صنعت نفت
سید علی معلمی
استادیار پژوهشکده ازدیاد برداشت از مخازن نفت و گاز
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :