Connectionist Model to Estimate Performance of Steam-Assisted Gravity Drainage in Fractured and Unfractured Petroleum Reservoirs: Enhanced Oil Recovery Implications
Notice bibliographique
Résumé
Steam-assisted gravity drainage (SAGD) is an enhanced oil recovery technology for heavy (or viscous) oil and bitumen that involves drilling two horizontal wells in underground formations. Laboratory work, pilot-plant studies, and mathematical model development, which are generally costly, difficult, and time-consuming tasks, are taken into account as important stages in finding an effective and economical method and also predicting the performance of the SAGD technique for a certain heavy-oil reservoir. Currently, smart techniques as accurate and fairly fast tools are highly recommended for these purposes. In this work, an experimental study and an artificial neural network (ANN) linked to an optimization technique, called particle swarm optimization (PSO), were employed to obtain performance parameters such as the cumulative steam-to-oil ratio (CSOR) and recovery factor (RF) for the SAGD process. The outputs of the developed connectionist modeling (i.e., ANN–PSO) were compared with actual data, showing an average error lower than 7%, mostly because of the supremacy of the ANN–PSO method compared to the conventional ANN method and the correlations developed in this study. Furthermore, it is concluded that, among the contributing parameters, reservoir thickness and oil saturation have the most significant impacts on RF and CSOR during SAGD operations. The current study confirms the potential of hybrid connectionist modeling to screen heavy-oil fractured reservoirs for the SAGD 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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 tête enseignante, 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 ».