Viscosity–Temperature–Pressure Relationship of Extra-Heavy Oil (Bitumen): Empirical Modelling versus Artificial Neural Network (ANN)
Notice bibliographique
Résumé
The viscosity data of two heavy oil samples X and Y, with asphaltene contents 24.8% w/w and 18.5% w/w, respectively, were correlated with temperature and pressure using empirical models and the artificial neural network (ANN) approach. The viscosities of the samples were measured over a range of temperatures between 70 °C and 150 °C; and from atmospheric pressure to 7 MPa. It was found that the viscosity of sample X, at 85 °C and atmospheric pressure (0.1 MPa), was 1894 cP and that it increased to 2787 cP at 7 MPa. At 150 °C, the viscosity increased from 28 cP (at 0.1 MPa) to 33 cP at 7 MPa. For sample Y, the viscosity at 70 °C and 0.1 MPa increased from 2260 cP to 3022 cP at 7 MPa. At 120 °C, the viscosity increased from 65 cP (0.1 MPa) to 71 cP at 7 MPa. Notably, using the three-parameter empirical models (Mehrotra and Svrcek, 1986 and 1987), the correlation constants obtained in this study are very close to those that were previously obtained for the Canadian heavy oil samples. Moreover, compared to other empirical models, statistical analysis shows that the ANN model has a better predictive accuracy (R2 ≈ 1) for the viscosity data of the heavy oil samples used in this study.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».