Estimation of breakthrough time for water coning in fractured systems: Experimental study and connectionist modeling
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
Water coning in petroleum reservoirs leads to lower well productivity and higher operational costs. Adequate knowledge of coning phenomena and breakthrough time is essential to overcome this issue. A series of experiments using fractured porous media models were conducted to investigate the effects of production process and pore structure characteristics on water coning. In addition, a hybrid artificial neural network (ANN) with particle swarm optimization (PSO) algorithm was applied to predict breakthrough time of water coning as a function of production rate and physical model properties. Data from the literature combined with experimental data generated in this study were used to develop and verify the ANN‐PSO model. A good correlation was found between the predicted and real data sets having an absolute maximum error percentage less than 9%. The developed ANN‐PSO model is able to estimate breakthrough time and critical production rate with higher accuracy compared to the conventional or back propagation (BP) ANN (ANN‐BP) and common correlations. The presence of vertical fractures was found to accelerate considerably the water coning phenomena during oil production. Results of this study using combined data suggest the potential application of ANN‐PSO in predicting the water breakthrough time and critical production rate that are critical in designing and evaluating production strategies for naturally fractured reservoirs. © 2014 American Institute of Chemical Engineers AIChE J , 60: 1905–1919, 2014
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 | 0,000 |
| 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