Improving the estimation accuracy of titration-based asphaltene precipitation through power-law committee machine (PLCM) model with alternating conditional expectation (ACE) and support vector regression (SVR) elements
Notice bibliographique
Résumé
Asphaltene precipitation/deposition have been longstanding issues in petroleum industry which lead to decline in oil production and economical efficiency. Owing to severe undesirable issues associated with this phenomenon, it is crucial to develop a reliable, accurate, and robust approach for quantitative estimation of asphaltene precipitation. In the first section of this paper, amount of asphaltene precipitation from stock tank oil through titration process was estimated using two predictive methods of Support Vector Regression (SVR) as well as Alternating Conditional Expectation (ACE). A novel predictive method, the so-called Power-Law Committee Machine (PLCM) with constituents of SVR and ACE, was then employed for estimation of the amount of asphaltene precipitation. PLCM model assigns weight factors to each individual sub-model of SVR and ACE to specify the contribution of each particular model in the overall prediction of asphaltene precipitation. Optimal values of these weight factors were extracted by means of Genetic Algorithm (GA) since it was already inserted as the combiner in the structure of the PLCM model. To validate this predictive tool, experimental data collected from open source literature were compared against the model predictions. It was observed that PLCM model can estimate the amount of asphaltene precipitation with very high accuracy and it had more satisfactory prediction performance compared to the other models of SVR and ACE.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».