A developed smart technique to predict minimum miscible pressure—eor implications
Notice bibliographique
Résumé
Abstract Miscible gas injection (MGI) processes such as miscible CO2flooding have been in use as attractive EOR options, especially in conventional oil reserves. Optimal design of MGI is strongly dependent on parameters such as gas–oil minimum miscibility pressure (MMP), which is normally determined through expensive and time‐consuming laboratory tests. Thus, developing a fast and reliable technique to predict gas–oil MMP is inevitable. To address this issue, a smart model is developed in this paper to forecast gas–oil MMP on the basis of a feed‐forward artificial neural network (FF‐ANN) combined with particle swarm optimisation (PSO). The MMP of a reservoir fluid was considered as a function of reservoir temperature and the compositions of oil and injected gas in the proposed model. Results of this study indicate that reservoir temperature among the input parameters selected for the PSO–ANN has the greatest impact on MMP value. The developed PSO–ANN model was examined using experimental data, and a reasonable match was attained showing a good potential for the proposed predictive tools in estimation of gas–oil MMP. Compared with other available methods, the proposed model is capable of forecasting oil–gas MMP more accurately in wide ranges of thermodynamic and process conditions. All predictive models used other than the PSO–ANN model failed in providing a good estimate of the oil–gas MMP of the hydrocarbon mixtures in Azadegan oilfield, Iran. © 2013 Canadian Society for Chemical Engineering
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) | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».