Minimization of energy use in pipeline operations-an application to natural gas transmission system
Notice bibliographique
Résumé
We aim to determine the pipeline operation configurations requiring the minimum amount of energy (e.g. fuel, power) needed to operate the equipment at compressor stations for given transportation requirements. Considering the problem as a search for the optimal operation conditions, speedup of the process can be achieved by careful formulation of the search model and integration of knowledge about the application into the search control. Knowledge incorporation will not only be used to reduce the solution space and guide the search process but also to create heuristics that characterize a proper initial state for every search. Due to the complexity of the fuel cost function (non-convex, non-smooth) selection and proper design of the search paradigm to solve the optimization problem is crucial. Genetic algorithms have been chosen as initial optimization technique to address the optimization problem. Each candidate solution generated by the search algorithm will be evaluated by a hydraulic model that simulates the steady state gas flow in the pipeline network to obtain the reaction of the system at specific control nodes and determine the feasibility of the given solution and perhaps evaluate if it is near-to-optimal. The new method will assist in the optimization of pipeline operations by providing a portfolio of feasible near-to-optimum solutions to decision makers in a timely manner. This set of solutions will represent the network operation conditions that decrease energy consumption. Reduction of energy use will not only have a tremendous economical impact but, nevertheless an environmental one: the more efficient the use of compressors stations is the less greenhouse emissions are dissipated.
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 ».