Issues with Comparing SARA Methodologies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle