Modeling Rheological Properties Of Oil Well Cement Slurries Using Multiple Regression Analysis And Artificial Neural Networks
Notice bibliographique
Résumé
Artificial neural networks (ANN) and multiple regression analysis (MRA) were used to predict the rheological properties of oil well cement slurries. The slurries were prepared using class G oil well cement with a water-cement mass ratio (w/c) of 0.44, and incorporating a new generation polycarboxylate-based high-range water reducing admixture (PCH), polycarboxlate-based mid-range water reducing admixture (PCM), and lignosulphonate-based mid-range water reducing admixture (LSM). The rheological properties were investigated at different temperatures in the range of 23 to 60a#186;C using an advanced shear-stress/shear-strain controlled rheometer. Experimental data thus obtained were used to develop predictive models based on back-propagation artificial neural networks and multiple regression analysis. It was found that both ANN and MRA depicted good agreement with the experimental data, with ANN achieving more accurate predictions. The developed models could effectively predict the rheological properties of new slurries designed within the range of input parameters of the experimental database with an absolute error of 3.43, 3.17, and 2.82%, in the case of ANN and 4.83, 6.32, and 5.05%, in the case of MRA, for slurries incorporating PCH, PCM, and LSM, respectively. The flow curves developed using ANN and MRA allowed predicting the Bingham parameters (yield stress and plastic viscosity) of the oil well slurries with adequate accuracy.
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 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».