Foams are used as an enhanced oil recovery (EOR) method to reduce the mobility of injected gaseous phases. However, foam stability is often compromised under harsh reservoir conditions, leading to drainage of the aqueous phase and gas diffusion. Incorporating nanoparticles, particularly SiO2, has been found to enhance foam stability due to their surface chemistry and natural abundance. To create stable nanofluids at high temperatures and low concentrations, nanoparticles need to have their surfaces altered, allowing particles and molecules to interact and keep the nanoparticle-stabilized foam in the reservoir for extended periods. This review paper highlights the use of novel nanoparticles for stabilizing foams for EOR and CO2 sequestration. It also discusses the modification of nanoparticles to improve foam stability in porous media, focusing on the impact of surface groups and hydrophobicity. Additionally, it covers how to alter nanoparticle surfaces by adding different functional groups or long-chain molecules to stabilize nanofluids in various conditions. The review also delves into how charge interactions and the hydrophilic or partially hydrophobic nature of nanoparticles affect foam stability. Overall, incorporating novel nanoparticles with surfactants has the potential to optimize oil recovery and CO2 sequestration by improving foam stability. This perspective article explores the potential of using newly modified nanoparticles to stabilize foams and provides a comprehensive review of recent advancements in utilizing modified nanoparticles for foam stabilization, with a focus on surface-modified novel nanoparticles and their influence on stabilizing foams.

Abstract Understanding ancient organisms and their interactions with paleoenvironments through the study of body fossils is a central tenet of paleontology. Advances in digital image capture now allow for efficient and accurate documentation, curation, and interrogation of fossil forms and structures in two and three dimensions, extending from microfossils to larger specimens. Despite these developments, key fossil image processing and analysis tasks, such as segmentation and classification, still require significant user intervention, which can be labor-intensive and subject to human bias. Recent advances in deep learning offer the potential to automate fossil image analysis, improving throughput and limiting operator bias. Despite the emergence of deep learning within paleontology in the last decade, challenges such as the scarcity of diverse, high quality image datasets and the complexity of fossil morphology necessitate further advancement which will be aided by the adoption of concepts from other scientific domains. Here, we comprehensively review state-of-the-art deep learning based methodologies applied to fossil analysis, grouping the studies based on the fossil type and nature of the task. Furthermore, we analyze existing literature to tabulate dataset information, neural network architecture type, and key results, and provide textual summaries. Finally, we discuss novel techniques for fossil data augmentation and fossil image enhancements, which can be combined with advanced neural network architectures, such as diffusion models, generative hybrid networks, transformers, and graph neural networks, to improve body fossil image analysis.