Hypervolume-Based Multiobjective Optimization for Gas Lift Systems
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 Gas lift is one of the most widely used artificial lift methods, and the use of nodal analysis to generate the gas lift performance curve is well established. However, the optimal gas injection rate is often selected as the point with maximum liquid production, which neglects the cost of incremental injection gas volume. This paper investigates the determination of the optimal operational point using a multiobjective optimization technique by considering the trade-off between gas consumption and oil production. The indicator-based evolutionary algorithm transforms the multiobjective problem into a single objective one using the hypervolume metric computed in the objective space. For the gas lift problem, which is a bi-objective problem aimed at maximizing oil production while minimizing gas injection rate, the hypervolume metrics are identically equivalent to geometric hyperareas under the trade-off curve. The optimization is only applied to the monotonically increasing portion of the gas lift performance curve; thus, all trivial sub-optimal conditions are excluded. The optimal operational point of gas injection rate is determined by finding the maximum rectangular hyperarea under the performance curve. The proper determination of the optimal injection gas rate could not only improve the efficiency of the gas lift itself, but also reduce the burden on the maintenance of surface facilities. The method is also applied to the multi-well scenario where a novel multi-well gas lift performance curve is generated using multiobjective Genetic Algorithm, which could help determine the optimal gas allocation/distribution scenario. The described process is incorporated in an integrated workflow which further leads to fast delivery of analysis/results that enable production engineers to make smarter decisions faster in a repeatable way.
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