Accelerated Compositional Simulation of Tight Oil and Shale Gas Reservoirs Using Proxy Flash Calculation
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 In this work, we present the development of a compositional simulator accelerated by proxy flash calculation. We aim to speed up the compositional modeling of unconventional formations by stochastic training. We first developed a standalone vapor-liquid flash calculation module with the consideration of capillary pressure and shift of critical properties induced by confinement. We then developed a fully connected network with 3 hidden layers using Keras. The network is trained with Adam optimizer. 250,000 samples are used as training data, while 50,000 samples are used as testing data. Based on the trained network, we developed a forward modeling (prediction) module in a compositional simulator. Therefore, during the simulation run, the phase behavior of the multicomponent system within each grid block at each iteration is obtained by simple interpolation from the forward module. Our standalone flash calculation module matches molecular simulation results well. The accuracy of the trained network is up to 97%. With the implementation of the proxy flash calculation module, the CPU time is reduced by more than 30%. In the compositional simulator, less than 2% of CPU time is spent in the proxy flash calculation. The novelty of this work lies in two aspects. We have incorporated the impacts of both capillary pressure and shift of critical properties in the flash calculation, which matches molecular simulation results well. We developed a proxy flash calculation module and implemented it in a compositional simulator to replace the traditional flash calculation module, speeding the simulation by 30%.
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 | 0,001 |
| 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 | 0,000 |
| 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