Thermodynamic Investigation of Asphaltene Precipitation during Primary Oil Production: Laboratory and Smart Technique
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
Asphaltene precipitation (AP) is recognized as a complicated occurrence that results in weakening reservoir characteristics and subsequent considerable decline in oil production rate. Asphaltene instability occurs due to variations in thermodynamic properties such pressure, temperature, and mixture composition. AP prediction is an important design factor in implementation of any enhanced oil recovery (EOR) process. In this study, experiments were conducted using some light oil samples to measure important phase behavior properties such as the bubble point pressure (BPP) and the amount of precipitated asphaltenes. A thermodynamics model was also developed to determine equilibrium compositions of the oil samples, considering AP. Then, potential application of a feed-forward artificial neural network (ANN) model, optimized by the imperialist competitive algorithm (ICA), was proposed to estimate BPP and the amount of AP. Comparison between the ICA-ANN predictions and the experimental data shows that the average absolute error between data originated from these two different approaches is less than 5%. In addition, it was found that temperature and pressure have the greatest impacts on AP during natural depletion. Employing laboratory PVT data, the thermodynamics framework resulted in construction of an asphaltene precipitation envelope. This study implies that utilization of an appropriate PVT model along with the ICA-ANN approach in the investigation of AP leads to more reliable predictions compared to the conventional ANN and also a scaling model. The outcomes of this study appear to be useful in the design stage of more-efficient EOR processes.
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 | 0,001 | 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 découle