Artificial intelligence model for rheological properties of oil well cement slurries incorporating SCMs
Notice bibliographique
Résumé
In this study, an artificial intelligence model has been developed to predict the rheological properties of oil well cement (OWC) slurries incorporating supplementary cementitious materials (SCM) such as metakaolin (MK), silica fume (SF), rice husk ash (RHA) or fly ash (FA). An experimental study has been carried out to create the database used for training the model. OWC slurries having a water-to-binder ratio of 0·44 along with a new-generation, polycarboxylate-based, high-range water-reducing admixture (PCH) were prepared. They had 5 to 15% partial replacement of API class-G OWC by MK, SF, RHA or FA. The rheological properties of the slurries were investigated at different temperatures in the range 23 to 60°C using an advanced shear-stress/shear-strain controlled rheometer. Experimental data thus obtained were used to develop a predictive model based on feed-forward back-propagation artificial neural networks. The developed model could effectively predict the effect of key variables such as temperature, dosage of SCM and dosage of PCH on the rheological properties of OWC slurries with an absolute error of less than 7%. The developed model could also effectively predict the rheological properties of new slurries designed within the range of input parameters of the experimental database used in the training process.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 ».