Accurate determination of the CO<sub>2</sub>‐crude oil minimum miscibility pressure of pure and impure CO<sub>2</sub> streams: A robust modelling approach
Notice bibliographique
Résumé
Abstract Gas flooding processes have emerged as attractive enhanced oil recovery (EOR) methods over the last few decades. Among different gas flooding processes, CO 2 flooding is recognized as being most efficient for displacing oil through miscible displacement. Minimum miscibility pressure (MMP) is a crucial parameter for successfully designing CO 2 flooding, which is traditionally measured through time‐consuming, expensive, and cumbersome experiments. In the present study, a new reliable model based on feed‐forward artificial neural networks was presented to predict both pure and impure CO 2 ‐crude oil MMP. Among various properties and parameters, reservoir temperature, reservoir oil composition, and injected gas composition were selected as the input parameters of the proposed model. To evaluate and compare the results of the developed model with existing models, both statistical and graphical error analyses were simultaneously employed. The results showed that the proposed model is more reliable and accurate compared to existing models in a wide range of thermodynamic and process conditions. Furthermore, by employing the relevancy factor, it was found that the reservoir temperature has the most significant impact on the MMP. Finally, in order to identify probable outliers and the applicability domain of the proposed model, the leverage approach was performed. The results illustrated that only two experimental MMP data points were located outside of the applicability domain of the proposed model. As a result, the developed model is statistically reliable for predicting crude oil MMP.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 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 ».