MétaCan
Menu
Retour à la cohorte
Enregistrement W2060927936 · doi:10.1021/ie301949c

Thermodynamic Investigation of Asphaltene Precipitation during Primary Oil Production: Laboratory and Smart Technique

2013· article· en· W2060927936 sur OpenAlexaff
Sohrab Zendehboudi, Mohammad Ali Ahmadi, Omidreza Mohammadzadeh, Alireza Bahadori, Ioannis Chatzis

Notice bibliographique

RevueIndustrial & Engineering Chemistry Research · 2013
Typearticle
Langueen
DomaineChemistry
ThématiquePetroleum Processing and Analysis
Établissements canadiensUniversity of SaskatchewanUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésAsphalteneBubble pointThermodynamicsPrecipitationImperialist competitive algorithmEnhanced oil recoveryScalingCrude oilArtificial neural networkPetroleum engineeringChemistryBubbleEnvironmental scienceMaterials scienceComputer scienceMathematicsGeologyAlgorithmPhysicsMachine learningMeteorology

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,001

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,260
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations97
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIndustrial & Engineering Chemistry ResearchMême sujetPetroleum Processing and AnalysisTravaux en français237 207