MARC

 008260311s2025        us                                    eng  d
■001000017361212
■00520260311091536.5
■006m          o    d                
■007cr|nu||||||||
■020    ▼a9798270231989
■040    ▼aMiAaPQD▼beng▼cMiAaPQD▼erda
■082    ▼a532
■1001  ▼aMa,  Xuesong▼eauthor.
■24510▼aDirect  Pore-Scale  Modeling  of  Foam  Transport  in  Porous  Media  and  Related  Machine  Learning  ▼cXuesong  Ma
■260    ▼a[Sl]▼bThe  University  of  Texas  at  Austin▼c2025
■264  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a1  electronic  resource  (222  pages)
■336    ▼atext▼btxt▼2rdacontent
■337    ▼acomputer▼bc▼2rdamedia
■338    ▼aonline  resource▼bcr▼2rdacarrier
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisors:  Prodanović,  Maša    Committee  members:  Daigle,  Hugh;  Mohanty,  Kishore;  DiCarlo,  David;  Nojabaei,  Bahareh.
■5021  ▼bPh.D.▼cThe  University  of  Texas  at  Austin▼d2025.
■520    ▼aFoams  are  dispersions  of  gas  bubbles  within  a  liquid.  They  are  often  generated  in  porous  and  fractured  media  during  co-injection  of  two  fluids  in  the  presence  of  a  surfactant.  Surfactants  can  lower  surface  tension  to  form  gas  bubbles  and  generate  disjoining  pressure  to  stabilize  foam  lamellae  against  bubble  coalescence.  Since  foam  viscosity  is  much  larger  than  its  constituent  fluids,  foam  has  many  applications  in  subsurface  engineering  for  controlling  the  mobility  of  fluids  or  carrying  particulates.  Enhanced  oil  recovery  (EOR)  and  carbon  storage  processes  assisted  by  foam  benefit  from  its  diversion  effects,  because  foam  blocks  the  preferential  flow  paths  in  high-flow  zones,  redirecting  the  injected  fluids  toward  regions  with  low  permeability  and  ultimately  improving  the  swept  volume  by  gas.  Pore  geometry,  fluid  properties,  molecular  structure,  and  injection  conditions  are  some  important  factors  affecting  the  stability  and  regeneration  of  foam  in  porous  media.  In  this  dissertation,  foam  transport  through  fractures  and  a  pore-throat  structure  is  investigated  under  a  wide  range  of  injection  conditions  and  fluid  properties.  We  explore  foam  morphological,  interfacial,  and  rheological  changes  with  detailed  evolution  of  gas  bubbles.As  a  result  of  the  dynamic  process  of  foam  generation  and  coalescence  in  porous  media,  it  is  important  to  understand  pore-level  foam  mechanisms  to  describe  and  predict  foam  texture  and  foam  rheology  during  foam  flow.  Thus  far,  there  have  been  no  pore-scale  numerical  models  that  incorporate  the  micrometer-scale  geometry  details  from  state-of-the-art  microscopy  or  X-ray  tomography  imaging.  In  this  dissertation,  we  explicitly  develop  the  first  such  effort  in  modeling  foam  transport  and  capturing  changes  in  foam  texture  with  both  two-dimensional  (2D)  and  three-dimensional  (3D)  imaged  geometry.Moreover,  we  focus  on  foam  viscosity  quantification  as  well  as  further  validation  against  microfluidic  experiments  in  the  literature  (Liontas  et  al.,  2013).  We  conduct  foam  flow  modeling  by  periodically  reloading  bubbles  from  a  bubble  pool,  which  controls  foam  quality  and  texture.  The  apparent  viscosity  of  foams  is  a  function  of  six  factors,  i.e.,  pore  geometry  (capillary  radius),  foam  quality,  bubble  size,  flow  rate,  interfacial  tension,  and  bubble  morphology.  Our  simulation  results  illustrate  the  effect  of  geometry  on  bubble  flow  resistance,  namely,  the  addition  of  tortuosity  and  the  decrease  in  aperture  are  conducive  to  increasing  flow  resistance  and  reducing  mobility.  The  foam  apparent  viscosity  obtained  in  this  work  increases  with  increasing  foam  quality  and  then  decreases  above  the  critical  foam  quality,  supported  by  a  variety  of  laboratory  data.  It  is  important  to  note  that  the  interfacial  tension,  flow  rate  and  bubble  size  can  be  combined  into  one  variable,  capillary  number.  Foam  apparent  viscosity  scales  as  a  power  law  of  the  capillary  number,  with  negative  exponents  between  −0.33  and  −0.64.We  establish  a  separating  surface  in  parametric  space  that  delineates  the  transition  between  bubble  splitting  and  deformation  (wiggling)  when  passing  through  a  pore  throat.  Further,  we  quantify  the  difference  in  foam  texture  between  2D  and  3D  modeling  at  the  same  fluid  properties  and  injection  conditions.  For  bubbles  passing  through  a  pore  throat,  2D  simulation  results  overestimate  the  occurrence  and  severity  (the  number  of  resulting  bubbles  after  exiting  the  throat)  of  splitting,  compared  with  3D  counterparts  with  a  relative  channel  height  as  1.In  addition,  we  investigate  the  capability  of  machine  learning  (ML)  to  learn from  the  pore  scale  simulations  and  to  predict  interface  evolution.  Specifically,  we  implement  the  most  up-to-date  Fourier  neural  operators  for  solving  partial  different  equations  (PDE)  and  forecasting  time  series  with  the  objective  of  accelerating  LBM  simulations.  Results  show  that  deep  learning-based  surrogate  models  accelerate  time  evolution  of  LBM  simulations  and  provide  predictions  in  close  quantitative  agreement  with  simulation  results  in  pre-specified  geometries.  Hence,  we  set  a  stage  for  scaling  pore-scale  insights  into  foam  mechanisms  up  to  their  continuum-scale  implications  through  significant  pore-scale  simulation  speedup.  In  the  future,  the  combined  direct  simulation  and  machine  learning  can  provide  required  parameters  for  population  balance  models  at  core  scale  by  dynamically  capturing  pore-scale  foam  texture  changes.
■546    ▼aEnglish
■590    ▼aSchool  code:  0227
■650  4▼aMorphology
■650  4▼aWater  resources  management
■653    ▼aEnhanced  oil  recovery
■653    ▼aGas  bubbles
■653    ▼aMicrofluidic  experiments
■653    ▼aBubble  morphology
■7102  ▼aThe  University  of  Texas  at  Austin▼bPetroleum  and  Geosystems  Engineering.▼edegree  granting  institution.
■7201  ▼aProdanović,  Maša▼edegree  supervisor.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361212▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서