RMFinder 2.0: An Improved Interactive Multi-Criteria Scenario Reduction Methodology
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
Abstract This paper presents an extension of the RMFinder technique, previously proposed to identify representative models (RMs) within the decision-making process in oil fields. As there are several uncertainties associated with this decision-making process, a large number of scenarios are supposed to be analyzed, so that high-quality production strategies can be defined. Such broad analysis is often unfeasible, so techniques to automatically identify RMs are particularly relevant. The original RMFinder does not consider the individual probability of each RM, which may not be accurate when the risk curves of the problem are estimated. Therefore, a mechanism to calculate the individual probability of each RM was developed here, together with a graphical way to visualize different proposals of RMs. To automatically identify the optimal probability of each RM, this new version of RMFinder minimizes the deviation between the risk curves generated with the selected RMs and the original risk curves of the problem. The graphical approach automatically exhibits, in a single page per solution, the RM dispersion in the scatter plots, the resulting risk curves and the differences between attribute-level distributions. This helps the decision makers to visualize and compare different sets of RMs. The proposed methodology was applied to a small synthetic problem and to three reservoir models based on real-world Brazilian fields: (i) UNISIM-I-D, a benchmark case based on the Namorado field; (ii) UNISIM-II-Dβ, a benchmark case based on a highly fractured pre-salt carbonate reservoir; and (iii) ST001a, a highly heterogeneous heavy oil offshore field. The obtained sets of RMs were evaluated by experts and considered appropriate to the studied problems, being adopted as the standard models in the following steps of the decision-making process to define the production strategies under uncertainties.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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