Significance The flow of water confined in nanopores is significantly different from that of bulk water. Moreover, understanding and controlling the flow of the confined water remains an open question, especially concerning whether the flow capacity of the confined water increases or not compared with that of bulk water. Here, combining a theoretical analysis and data from molecular dynamics simulations and experiments in the literature we develop a simple model for the flow of water confined in nanopores. We find that a contact angle and a nanopore dimension may substantially affect the confined water flow. We also quantitatively explain a controversy over an increase or decrease in flow capacity.

An improved analytical model is developed based on the average interparticle distance (IPD) concept to predict the percolation threshold of conducting polymer composites containing disc-shaped nanoparticles with high aspect ratios. Two different conditions were taken into account in the model in terms of particle distribution, namely two- and three-dimensional random orientations. A 10 nm interparticle distance is adopted as the electrical conducting criterion according to the tunneling mechanism, and the percolation threshold is estimated as a function of geometric shape of the nanoparticle. A parametric study suggests that the thickness and diameter of fillers are important factors that determine the percolation threshold of conducting nanocomposites. The accuracy and the applicability of the present IPD model are verified by comparing with several existing models and experimental data for graphite nanoplatelet reinforced polymer nanocomposites. It is shown that the current model presents much better agreement with experimental results than existing models.

Abstract Deep shale has the characteristics of large burial depth, rapid changes in reservoir properties, complex pore types and structures, and unstable production. The whole-rock X-ray diffraction (XRD) analysis, reservoir physical property parameter testing, scanning electron microscopy (SEM) analysis, high-pressure mercury intrusion testing, CO 2 adsorption experimentation, and low-temperature nitrogen adsorption–desorption testing were performed to study the pore structure characteristics of marine shale reservoirs in the southern Sichuan Basin. The results show that the deep shale of the Wufeng Formation Longyi 1 sub-member in the Luzhou area is superior to that of the Weiyuan area in terms of factors controlling shale gas enrichment, such as organic matter abundance, physical properties, gas-bearing properties, and shale reservoir thickness. SEM is utilized to identify six types of pores (mainly organic matter pores). The porosities of the pyrobitumen pores reach 21.04–31.65%, while the porosities of the solid kerogen pores, siliceous mineral dissolution pores, and carbonate dissolution pores are low at 0.48–1.80%. The pores of shale reservoirs are mainly micropores and mesopores, with a small amount of macropores. The total pore volume ranges from 22.0 to 36.40 μL/g, with an average of 27.46 μL/g, the total pore specific surface area ranges from 34.27 to 50.39 m 2 /g, with an average of 41.12 m 2 /g. The pore volume and specific surface area of deep shale gas are positively correlated with TOC content, siliceous minerals, and clay minerals. The key period for shale gas enrichment, which matches the evolution process of shale hydrocarbon generation, reservoir capacity, and direct and indirect cap rocks, is from the Middle to Late Triassic to the present. Areas with late structural uplift, small uplift amplitude, and high formation pressure coefficient characteristics favor preserving shale gas with high gas content and production levels.

To retrospectively investigate clinical characterization and the long-term postoperative outcomes of retinoblastoma (RB) patients receiving enucleation with primary orbital implantation in early infancy (0-6 months old).

Surrogate models are widely used for reservoir simulations in the petroleum industry to improve computational efficiency. However, the traditional surrogate model mainly relies on the data collected from production wells (e.g., well bottom pressure data and well production data) and ignores the physical mechanism of underground fluid flow; therefore, the surrogate model will be invalid in the case of insufficient data samples. In response to these challenges, a Hard-Soft physics informed neural network (HS-PINN) was proposed to simulate pressure fluctuations around producing wells without relying on any labeled data, where two coupled fully connected neural networks were comprised to control the Hard and Soft constraint conditions. Specifically, in the “Soft Constraint” condition, we employ a modified Lorentz function to incorporate underground flow theory and permeability fields into the loss function. Meanwhile, in the “Hard Constraint” condition, we incorporate an enforcement function in the “output layer” to ensure the network outputs satisfy the boundary and initial conditions. To demonstrate the HS-PINN model's robustness and accuracy abilities, we tested it for single and multi-well production in both noisy low-fidelity and high-fidelity geologic reservoir environments, and the HS-PINN prediction errors were less than 1% in both cases compared to simulation results by the commercial software “COMSOL.” Additionally, we assessed the impacts of varying well interference intensities, adjustments in collocation points counts within the control equations, and diverse geological characteristics on model performance to validate the generalization and stability of HS-PINN. Moreover, the HS-PINN-based surrogate model significantly improves the efficiency of uncertainty quantification tasks compared to simulation-based approaches, requiring only 8% of the computational time. The deep-learning surrogate models developed in this work offer a novel and efficient approach for simulating reservoir development.