MétaCan
Menu
Retour à la cohorte
Enregistrement W2938416552 · doi:10.2118/195247-ms

Practical Application of Pareto-Based Multi-Objective Optimization and Proxy Modeling for Steam Alternating Solvent Process Design

2019· article· en· W2938416552 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueSPE Western Regional Meeting · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensUniversity of Alberta
Organismes subventionnairesCanada First Research Excellence FundUniversity of AlbertaGovernment of Canada
Mots-clésMulti-objective optimizationComputer sciencePropanePareto principleProcess (computing)Process engineeringMathematical optimizationEngineeringMathematicsChemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Steam alternating solvent (SAS) process is a thermal heavy oil recovery technique, where steam and solvent (e.g., propane) are injected alternatively through the same well configuration as in the steam-assisted gravity drainage (SAGD) process. The SAS process is deemed to be more energy-efficient and environment-friendly with less greenhouse gas emission and water usage. However, proper design of the SAS process is challenging as multiple conflicting objectives need to be optimized simultaneously. Conventional optimization methods that aggregate multiples objectives into a single weighted objective are not appropriate. In this work, a novel workflow is developed to identify a set of Pareto-optimal operational parameters for the SAS process. First, a synthetic base model is constructed based on data gathered from the cold lake reservoir. Sensitivity analysis is carried out to determine the main decision variables [e.g. solvent (propane) concentration and duration of solvent injection in each cycle] and to formulate the objective function (e.g., recovery factor and cumulative propane injection). Next, a set of initial SAS models encompassing a wide range of decision variables are generated and subjected to flow simulation, and the corresponding objective functions are computed. Third, a response surface (proxy) model is calibrated to approximate the non-linear relationship between the multiple objective functions and the decision variables. Finally, a non-dominated sorting genetic algorithm II (NSGA-II) is applied as a multi-objective optimizer to obtain a set of optimal decision parameters. The predictions from the base model are corroborated by several previous SAS simulation studies in the literature, where comparable production trends and patterns are observed. It is observed that both the solvent compositions and duration of solvent injection in each cycle would have significant impacts on the objective functions. The proposed hybrid optimization workflow can facilitate the identification of a set of Pareto-optimum solutions with considerable savings in computational costs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,364
Score d'incertitude au seuil0,597

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,338
Écart entre enseignants0,281 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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