【摘 要】
：
随着碳捕集与封存（CCS）技术的快速发展,由套管腐蚀引发的CO2地层泄漏问题已经成为制约其广泛应用的瓶颈之一。为了评估套管在碳地质封存环境中的腐蚀风险,本文系统研究了碳地质封存套管/水泥界面模拟环境中P110钢的腐蚀规律。首先,通过失重测量和表面分析方法研究了典型地层模拟液中的Cl-浓度、溶解氧浓度和CO2压力对P110钢局部腐蚀的协同影响规律。研究发现,在80℃、10 MPa条件下,当地层模拟液
论文部分内容阅读
随着碳捕集与封存（CCS）技术的快速发展,由套管腐蚀引发的CO2地层泄漏问题已经成为制约其广泛应用的瓶颈之一。为了评估套管在碳地质封存环境中的腐蚀风险,本文系统研究了碳地质封存套管/水泥界面模拟环境中P110钢的腐蚀规律。首先,通过失重测量和表面分析方法研究了典型地层模拟液中的Cl-浓度、溶解氧浓度和CO2压力对P110钢局部腐蚀的协同影响规律。研究发现,在80℃、10 MPa条件下,当地层模拟液中的Cl-和溶解氧浓度同时超过临界阈值时（Cl-高于0.2 mol/L,溶解氧达到300 μg/L）,P110钢会发生严重的局部腐蚀。P110钢在300 μg/L溶解氧和0.6 mol/L Cl-的高温高压地层模拟液中平均腐蚀速率仅为0.06 mm/y,但其局部腐蚀速率高达5.2 mm/y;其局部腐蚀形貌表现为一定数目的表面突起。这种局部突起形貌的成因是由于溶解氧和Cl-离子透过初始形成的FeCO3腐蚀产物膜,促进腐蚀产物下碳钢发生局部溶解并形成Fe2O3与FeCO3的混合腐蚀产物,在腐蚀产物聚集和阴极析氢反应影响下引发界面区以及初始腐蚀产物层臌胀,进而呈现宏观突起或破裂。为进一步明确局部突起的生长动力学过程,采用电化学方法研究了地层模拟液（含有0.6 mol/L的Cl-）中溶解氧浓度对P110钢局部腐蚀行为的影响。结果表明,微量溶解氧的增加不改变P110钢在地层模拟液中的阴极反应机理和初始腐蚀产物层的形成过程以及成分组成;但在一定阳极极化电位下,P110钢会发生不稳定的局部再活化现象,其诱发局部腐蚀的保护电位也会降低。在高温高压地层模拟液中,P110钢的腐蚀过程可描述为活性溶解（2 h）、前期成膜（12 h）、稳定保护（30 h）和局部腐蚀（72 h后）等四个阶段。局部腐蚀呈现出间歇性萌生、长大与破裂的特征。通过套管/水泥界面失效模拟实验验证了局部腐蚀凸起对固井水泥及界面的破坏作用。论文全面考察了 CCS工程中套管/水泥界面腐蚀风险及关键影响因素,为基于地质环境的腐蚀预测和CO2泄露监测提供理论依据。
其他文献
在街道设计回归人本主义的背景下,街道界面连续性和场所性重新引起人们的关注。文章首先综述了现阶段对街道界面连续性的研究;其次,以慕尼黑为例,总结了其内城商业步行街的形成、发展和完善;再次,运用最大切面法对慕尼黑内城商业步行街及其他六条典型步行街进行界面密度量化研究,并归纳出街廓尺度、街道宽度与界面密度的关系;最后,从街区、街道和界面三个层面提出了商业步行街界面连续性导控策略,以期推动城市商业街建设作
随着三维模型数量呈海量式增长,迫切需要简单快捷而又准确高效的检索系统来管理三维模型。基于草图的三维模型检索方式不仅具有出色的用户友好性,也满足当前各行各业快节奏的生产需求。然而,草图与三维模型之间巨大的跨模态差异,给相似性度量匹配与检索造成了较大的困难。另外,由于草图线条扭曲、内容抽象,导致特征信息少、挖掘难度大。本文致力于研究如何有效地解决这两大难题,采用以深度学习方法为基础,构建了两种不同的方
传统的药物研发周期非常长,通常需要投入巨资研发。使用计算机辅助药物发现可以提高研发效率并有效降低研发成本,引起了广泛关注并吸引众多学者进行相关研究。药物靶标相互作用预测是计算机辅助药物发现的一个重要研究领域。药物靶标相互作用预测所涉及的数据具有噪声多、维度高和稀疏的特点,矩阵分解方法常被用以预测未知或缺失的数据,能很好应对具有上述特点的数据。因此,本文基于矩阵分解从以下几个方面展开对药物靶标相互作
纹理滤波是一种底层的图像处理任务,它的主要操作是保留突出的结构,去掉振荡纹理。研究这一问题的关键是找到图层间正确的边界来分离结构和纹理。传统的过滤方法在超参数调节上会花费大量的时间,深度学习方法则需要依赖高质量的数据集。本文针对研究中出现的问题提出了两种方案来研究利用生成对抗网络（GAN）进行纹理滤波。方案一提出一种半监督的纹理滤波方法,利用有限的标记数据和大量的非标记数据训练GAN。在训练阶段为
近年来,随着“智慧城市”理念的推行,人们愈发关注城市公交系统的运营效率问题。移动通信技术和大数据技术的迅猛发展为乘客和公交系统交互创造了条件,弹性公交系统是结合了公交系统与上述两种技术的一项创新型公交系统,该系统可以动态地调整公车行驶路线、调度车辆来满足乘客请求,在有效缓解交通压力、节省能源消耗的同时保证乘客乘车的舒适度,其出现反映了城市公交系统朝灵活性和便捷性发展的趋势。传统公交系统中设置的固定
为了保障IT服务的稳定运行,由人工智能与运维结合的智能运维近年来引起关注。其中两项核心任务为预测与异常检测。预测是基于时间序列估计出下一状态值。异常检测是基于时间序列判断当前状态值是否异常。当前二者的主要挑战是:在现有方法中被分开处理,且无监督场景下异常会干扰模型,同时精度较高的深度学习在计算资源有限时难以应用。因此,研究面向IT运维时序数据的预测与异常检测有重要意义。基于上述分析,论文提出以下两
统计图作为日常生活和工作中常用的数据载体,通过图像的形式能够传输数据的内容、占比、走势等信息。近年来,在统计图问答任务上不断涌现出各类基于深度学习的算法,并取得了不错的效果,但仍旧存在一些问题和局限。因此,本文致力于统计图问答任务的算法研究,将任务划分为不同子任务模块,针对不同子任务模块的特性及研究现状提出解决方案,并结合各模块的工作提出新的算法模型框架解决统计图问答任务。本文的研究工作可以概括如
大多数图像超分辨率（Super Resolution,SR）方法假定低分辨率（Low-Resolution,LR）图像是由高分辨率（High-Resolution,HR）图像通过固定的退化方式（如双三次插值下采样）得到的。但现实世界中的LR图像的退化过程多样,当LR图像的退化方式与SR模型假定的退化方式差异较大时,SR效果不佳。因此,图像盲超分辨率方法是图像超分辨率领域的研究趋势,而在盲超分辨率任
现实生活中有很多场景是用更普遍的图结构进行表示的,如引文网络、蛋白质分子网络、知识图谱等等。传统的卷积神经网络在挖掘图结构数据的特征和模式方面显得无能为力。为了能够在图结构数据上进行卷积操作,研究者提出了图卷积神经网络以解决图结构数据上平移不变性缺失所造成的问题。近几年,图卷积神经网络发展迅速,在用户推荐系统、舆情监控和控制、癌症预测等领域都得到了大量的成功应用。为此,本文在详细研究图卷积神经网络
雾、霾等恶劣天气条件下采集到的图像往往存在对比度衰减、颜色偏差、成像模糊、信息损失等问题,严重影响户外场景监测、视频监控、导航跟踪、目标检测等计算机视觉任务。对有雾降质图像进行恢复和增强以提高场景能见度,复原图像原有细节,对于改善和增强视觉任务在户外场景下的应用性能具有重要意义。传统去雾方法基于统计假设加以先验条件的约束,在现实场景中往往难以泛化。基于深度学习的去雾算法通常依赖大量成对的有雾/无雾