Issues with Comparing SARA Methodologies
Notice bibliographique
Résumé
One of the most common compositional analyses for petroleum samples is known as the SARA (saturates, aromatics, resins, and asphaltenes) fractionation test. SARA fractionation is also used as one of the screening criteria for asphaltene stability of reservoir fluids due to pressure depletion or commingling of different fluids. There are numerous variations of this type of analysis. First, the extraction of asphaltenes is not consistent from method to method. Asphaltenes are extracted using either pentane, hexane, or heptane. There are no specific reasons for selecting one over the other, and usually the users do not associate differences in results with the nature of the solvent. In addition, the extraction temperature could have an impact on the amounts of asphaltenes extracted. The fractionation of maltenes is also a challenge, usually ignored by end-users. Assuring no overlap between fractions and obtaining a very good mass balance are among these challenges. They could be impacted by the type of packing material amount of solvents used for the chromatographic separation. These SARA methods, referred to as standard methods, usually generate different results leading to confusion if the users are not that familiar with analytical details of each method. This paper discusses the role of the major parameters involved in generating the four fractions and how these parameters affect results, thus impacting decision for the end-users. It also shows that it is impossible to perform any prediction of results when changing from one method to another.
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 | 0,219 | 0,319 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,006 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,007 |
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 ».