Prediction of Condensate-to-Gas Ratio for Retrograde Gas Condensate Reservoirs Using Artificial Neural Network with Particle Swarm Optimization
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
Condensate-to-gas ratio (CGR) plays an important role in sales potential assessment of both gas and liquid, design of required surface processing facilities, reservoir characterization, and modeling of gas condensate reservoirs. Field work and laboratory determination of CGR is both time consuming and resource intensive. Developing a rapid and inexpensive technique to accurately estimate CGR is of great interest. An intelligent model is proposed in this paper based on a feed-forward artificial neural network (ANN) optimized by particle swarm optimization (PSO) technique. The PSO-ANN model was evaluated using experimental data and some PVT data available in the literature. The model predictions were compared with field data, experimental data, and the CGR obtained from an empirical correlation. A good agreement was observed between the predicted CGR values and the experimental and field data. Results of this study indicate that mixture molecular weight among input parameters selected for PSO-ANN has the greatest impact on CGR value, and the PSO-ANN is superior over conventional neural networks and empirical correlations. The developed model has the ability to predict the CGR with high precision in a wide range of thermodynamic conditions. The proposed model can serve as a reliable tool for quick and inexpensive but effective assessment of CGR in the absence of adequate experimental or field data.
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 | 0,000 | 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 découle