Predicting the performance of steam assisted gravity drainage (SAGD) method utilizing artificial neural network (ANN)
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
As the price of oil decreases, it is becoming increasingly important for oil companies to operate in the most cost-effective manner. This problem is especially apparent in Western Canada, where most oil production is dependent on costly enhanced oil recovery (EOR) techniques such as steam-assisted gravity drainage (SAGD). Therefore, the goal of this study is to create an artificial neural network (ANN) that is capable of accurately predicting the ultimate recovery factor of oil reservoirs by steam-assisted gravity drainage (SAGD). The developed ANN model featured over 250 unique entries for oil viscosity, steam injection rate, horizontal permeability, permeability ratio, porosity, reservoir thickness, and steam injection pressure collected from literature. The collected data set was entered through a feed-forward back-propagation neural network to train, validate, and test the model to predict the recovery factor of SAGD method as accurate as possible. Results from this study revealed that the neural network was able to accurately predict recovery factors of selected projects with less than 10% error. When the neural network was exposed to a new simulation data set of 64 points, the predictions were found to have an accuracy of 82% as measured by linear regression. Finally, the feasibility of ANN to predict the recovery performance of one of the most complicated enhanced heavy oil recovery techniques with reasonable accuracy was confirmed.
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 | 0,001 | 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