Systematic investigation of asphaltene precipitation by experimental and reliable deterministic tools
Notice bibliographique
Résumé
Abstract Asphaltene precipitation in oil operations contributes to serious technical and non‐technical issues, which is affected by reservoir conditions such as pressure, temperature, dilution ratio, and type of diluent. In this work, a mathematical correlation is introduced to forecast the weight percent (wt%, g/g) of precipitated asphaltene in light oils. Experimental data are obtained based on high‐resolution images taken from high‐pressure cell processed by the image analysis method. Employing experimental data, a simple and precise correlation on the basis of the scaling/fractal theory is developed. In this study, the amount of asphaltene precipitation is considered in terms of pressure and dilution ratio in which the coefficients are simply calculated through the Vandermone matrix. Comparison between the model results and real data reveals a good match where the average coefficient of correlation (R 2 ) is above 0.95. Additionally, two previous predictive methods, namely the Bayesian belief network and scaling models, are utilized and the outputs are compared (e.g. the magnitudes of mean squared error (MSE) are 0.0065 and 0.038 for C6 and C7, respectively), implying the effectiveness of the new deterministic tool in terms of accuracy and reliability such that the average MSE is 0.006 for both C 6 and C 7 . The trustworthiness of the real asphaltene precipitation data is also assessed by the statistical leverage approach based on the hat matrix, standardized residuals, and William plot to specify the applicability domain (AD) of the predictive models. It was found that all deterministic techniques presented in this study result in satisfactory accuracy, since the entire collected experimental data are reliable within AD.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».