Artificial neural network modelling of oil sands extraction processes
Notice bibliographique
Résumé
Although the artificial neural network (ANN) approach has been used in various disciplines of engineering since the 1980s, its use in the oil sands extraction industry is quite new and has great potential. This paper demonstrates two important ANN modelling techniques that will be very useful to the oil sand industry through a case study. First, the ANN pattern recognition approach is illustrated to categorize a large oil sand processing database consisting of experimental data from the last 20 years. Second, within each category, the authors demonstrate how to follow a general protocol to build ANN models that are capable of predicting the primary recovery and the primary froth quality for the oil sand treatment process with fairly good accuracy. To verify the reliability of the ANN models, besides the regular statistical and graphical analysis, the authors also conducted a sensitivity analysis to test the response logic, parameter interaction, and extrapolation capability of the ANN models. As shown in the paper, these tests are both satisfactory and interesting. With sufficient accuracy and robustness in performance, these ANN models can be used to evaluate both the qualitative and the quantitative response of the oil sand treatment process to the known key parameters, which, in turn, can then be used to optimize the oil sand treatment process. Furthermore, these ANN models can be linked with the geological survey results to estimate the production potential of an oil sand ore field and to manage the cost of stockpiling the chemicals for the treatment process.Key words: oil sand processing, artificial neural network, pattern recognition.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».