Investigation of a new multiphase flow choke correlation by linear and non-linear optimization methods and Monte Carlo sampling
Notice bibliographique
Résumé
In the production engineering point of view, the multiphase flow predictions from producing wells becomes important for an adept production design and management. As the associated costs of direct flow metering are considerable, the empirical and semi-empirical correlations are roughly efficient for this aim. Lack of sufficient data and their inherent epistemic and aleatory uncertainty due to human and equipment errors are, however, major limitations for these correlations. Following our previous article, in this paper, two optimization methods one linear and other non-linear are proposed. As it is shown, the linear regression is not dimensionally suitable to predict flow rate. It seems that due to the complexity of the objective function and also uncertain parameters, the linear regression is not the best algorithm for optimization. However, the non-linear method of Nelder–Mead (by means of MATLAB function Fminsearch) perfectly optimized the fitness function with a negligible average error. Due to the uncertain nature of main parameters in the correlation (such as Pwh, BS&W, T, etc.), a Monte Carlo sampling is used replacing these parameters with their PDFs (probability density function) to see if the proposed correlation works well or not. On this base, wellhead pressure (Pwh), choke size (S), basic sediment and water term ( ), temperature ( ) and gas/liquid ratio (GLR) are considered as random variables. The best probability distribution function (PDF) for each variable is then obtained which most closely reproduce flow through the choke. Monte Carlo sampling which deals with uncertain variables is used to predict the flow rates based on the proposed method and to show the level of uncertainty within the developed correlation results.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».