Определение эквивалентного алканового углеродного числа западносибирских нефтей как стадия оптимизации ПАВ-полимерных композиций для химического заводнения

Обложка

Цитировать

Полный текст

Аннотация

Гидрофобность нефти и нефтепродуктов может характеризоваться эквивалентным алкановым углеродным числом (EACN). Данная характеристика может быть определена на основе корреляции между данными межфазного натяжения и других характеристик для гомологичных масел и ряда алканов с последующей интерпретацией на нефти и нефтепродукты. EACN может быть использовано для подбора эффективного поверхностно-активного вещества (ПАВ) для эмульгирования нефти и нефтепродуктов. Целью данной работы являлось определение эквивалентного алканового углеродного числа ряда образцов сырой нефти, отобранных на месторождениях Западной Сибири, с использованием в качестве стандарта высокоэффективных композиций промышленных ПАВ импортного и российского производства класса сульфонатов. Для определения EACN нефти и нефтепродуктов использовалась характеристика S*– оптимальная концентрация NaCl (оптимум солености) в водной фазе ПАВ, обеспечивающая на границе с углеводородной фазой минимальное поверхностное натяжение и образование максимального объема микроэмульсии при фазовом эксперименте. Прямое определение величин межфазного натяжения на границе раствор ПАВ – нефть проводилось на тензиометре методом вращающейся капли при температуре 87 ºС. В соответствии с эмпирическими уравнениями корреляции между параметрами фазового поведения водных растворов ПАВ с нефтью или смесью углеводородов, EACN и параметрами ПАВ выявлены линейные зависимости и определен характеристический параметр K предложенных трех стандартных композиций ПАВ, который согласуется с литературными данными для индивидуальных поверхностно-активных веществ. В работе предложены композиции промышленных ПАВ для определения EACN нефти и нефтепродуктов. Получены уравнения линейной регрессии зависимости logS* ~ EACN с высокими коэффициентами корреляции (R² = 0,9444–0,9999). Это позволило определить EACN для керосина и семи образцов нефти месторождений Западной Сибири. На основе данного показателя возможен подбор перспективных ПАВ для снижения межфазного натяжения в системе «углеводороды – водный раствор», а также прогнозирование эффективности составов с целью получения эмульсий.

Об авторах

Л. П. Паничева

Тюменский государственный университет

Email: lpanicheva@list.ru

Е. А. Сидоровская

Тюменский государственный университет

Email: e.sidorovskaya@yandex.ru

Н. Ю. Третьяков

Тюменский государственный университет

Email: nikckp@mail.ru

С. С. Волкова

Тюменский государственный университет

Email: svolkova2008@mail.ru

Е. А. Турнаева

Тюменский индустриальный университет

Email: eturnaeva@yandex.ru

А. А. Громан

Газпромнефть НТЦ

Email: Groman.AA@gazpromneft-ntc.ru

О. А. Нуриева

Газпромнефть НТЦ

Email: Nurieva.OA@gazpromneft-ntc.ru

Г. Ю. Щербаков

Газпромнефть НТЦ

Email: Shcherbakov.GYu@gazpromneft-ntc.ru

И. Н. Кольцов

Газпромнефть НТЦ

Email: Koltsov.IN@gazpromneft-ntc.ru

Список литературы

  1. Creton B, Lévêque I, Oukhemanou F. Equivalent alkane carbon number of crude oils: A predictive model based on machine learning. Oil and Gas Science and Technology – Rev. IFP Energies nouvelles. 2019;74(30). 11 p. https://doi.org/10.2516/ogst/2019002
  2. Chang L, Pope GA, Jang SH, Tagavifar M. Prediction of microemulsion phase behavior from surfactant and cosolvent structures. Fuel. 2019; 237:494–514. https://doi.org/10.1016/j.fuel.2018.09.151
  3. Lu J, Liyanage PJ, Solairaj S, Adkins S, Arachchilage GP, Kim DH, et al. New surfactant developments for chemical enhanced oil recovery. Journal of Petroleum Science and Engineering. 2014;120:94–101. https://doi.org/10.1016/j.petrol.2014.05.021
  4. Wang S, Chen C, Yuan N, Ma Y, Ogbonnaya OI, Shiau B, et al. Design of extended surfactant-only EOR formulations for an ultrahigh salinity oil field by using hydrophilic lipophilic deviation (HLD) approach: From laboratory screening to simulation. Fuel. 2019;254:115698. https://doi.org/10.1016/j.fuel.2019.115698
  5. Zarate-Muñoz S, Troncoso AB, Acosta E. The cloud point of alkyl ethoxylates and its predicttion with the hydrophilic-lipophilic difference (HLD) framework. Langmuir. 2015;31(44):12000–12008. https://doi.org/10.1021/acs.langmuir.5b03064
  6. Arpornpong N, Charoensaeng A, Khaodhiar S, Sabatini DA. Formulation of microemulsion-based washing agent for oil recovery from spent bleaching earth-hydrophilic lipophilic deviation conceptю Colloids and Surfaces A: Physicochemical and Engineering Aspects. 2018;541:87–96. https://doi.org/10.1016/j.colsurfa.2018.01.026
  7. Zhu Y-W, Zhao R-H, Jin Z-Q, Zhang L, Zhang L, Luo L, Zhao S. Influence of crude oil fractions on interfacial tensions of alkylbenzene sulfonate solutions. Energy and Fuels. 2013;27(8):4648–4653. https://doi.org/10.1021/ef4009357
  8. Li S, Willoughby JA, Rojas OJ. Oil-in-water emulsions stabilized by carboxymethylated lignins: Properties and energy prospects. ChemSusChem. 2016;9(17):2460–2469. https://doi.org/10.1002/cssc.201600704
  9. Liu H, Zhou P, Wu Z, Chen S, Ding C. Solubilization behavior of organic mixtures in optimum Winsor type III microemulsion systems of sodiumdodecyl sulfate. Journal of Surfactants and Detergents. 2018;21(4):497–507. https://doi.org/10.1002/jsde.12053
  10. Salager J-L, Morgan JC, Schechter RS, Wade WH, Vasquez E. Optimum formulation of surfactant/water/oil systems for minimum interfacial tension or phase behavior. Society of Petroleum Engineers Journal. 1979;19(2):107–115. https://doi.org/10.2118/7054-PA
  11. Acosta E, Mai PD, Harwell JH, Sabatini DA. Linker-modified microemulsions for a variety of oils and surfactants. Journal of Surfactants and Detergents. 2003;6(4):353–363. https://doi.org/10.1007/s11743-003-0281-2
  12. Acosta EJ, Yuan JS, Bhakta AS. The characteristic curvature of ionic surfactants. Journal of Surfactants and Detergents. 2008;11(2):145–158. https://doi.org/10.1007/s11743-008-1065-7
  13. Anton RE, Andérez JM, Bracho C, Vejar F, Salager J-L. Practical surfactant mixing rules based on the attainment of microemulsion-oil-water three-phase behavior systems. Advances in Polymer Science. 2008;218(1):83–113. https://doi.org/10.1007/12_2008_163
  14. Acosta EJ, Bhakta AS. The HLD‐NAC mod-el for mixtures of ionic and nonionic surfactants. Journal of Surfactants and Detergents. 2009;12(1):7– 19. https://doi.org/10.1007/s11743-008-1092-4
  15. Wan W, Zhao J, Harwell JH, Shiau B-J. Characterization of crude oil equivalent alkane carbon number (EACN) for surfactant flooding design. Journal of Dispersion Science and Technology. 2016;37(2):280–287. https://doi.org/10.1080/01932691.2014.950739
  16. Solairaj S, Britton C, Lu J, Kim DH, Weerasooriya U, Pope GA. New correlation to predict the optimum surfactant structure for EOR. In: SPE – DOE Improved Oil Recovery Symposium Proceedings. 2012, vol. 2, p. 1390–1399.
  17. Karpan VM, Volokitin YI, Shuster MY, Tigchelaar W, Chmuzh IV, Koltsov IN, et al. West salym ASP pilot: Project front-end engineering. In: SPE – DOE Improved Oil Recovery Symposium Proceedings. 2014, vol. 3, p. 1725–1734.
  18. Koltsov I, Groman A, Milchakov S, Tretyakov N, Panicheva L, Volkova S, et al. Evaluating reservoir fluids geochemistry for planning of surfactant-polymer flooding. In: IOR 2019 – 20th European Symposium on Improved Oil Recovery. Conference Proceedings, April 2019, Pau, France, 2019, vol. 2019, p. 1–17. https://doi.org/10.3997/2214-4609.201900091
  19. Wu B, Shiau B, Sabatini DA, Harwell JH, Vu DQ. Formulating microemulsion systems for a weathered jet fuel waste using surfactant/ cosurfactant mixtures. Separation Science and Technology. 2000;35(12):1917–1937. https://doi.org/10.1081/SS-100100627
  20. Witthayapanyanon A, Harwell JH, Sabatini DA. Hydrophilic-lipophilic deviation (HLD) method for characterizing conventionl and extended surfactants. Journal of Colloid and Interface Science. 2008:325(1):259–266. https://doi.org/10.1016/j.jcis.2008.05.061
  21. Do LD, Witthayyapayanon A, Harwell JH, Sabatini DA. Environmentally friendly vegetable oil microemulsions using extended surfactants and linkers. Journal of Surfactants and Detergents. 2009;12(2):91–99. https://doi.org/10.1007/s11743-008-1096-0
  22. Witthayapanyanon A, Acosta EJ, Har-well JH, Sabatini DA. Formulation of ultralow interfacial tension systems using extended surfactants. Journal of Surfactants and Detergents. 2006; 9(4):331–339. https://doi.org/10.1007/s11743-006-5011-2
  23. Phan TT, Harwell JH, Sabatini DA. Effects of triglyceride molecular structure on optimum formulation of surfactant-oil-water systems. Journal of Surfactants and Detergents. 2010;13(2):189–194. https://doi.org/10.1007/s11743-009-1155-1

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».