Development of a data‐driven fuzzy screening model for enhanced oil recovery methods using an adaptive weighting system
Notice bibliographique
Résumé
Screening of enhanced oil recovery (EOR) methods is a main prerequisite for EOR planning and design. In this study, an integrated data‐driven screening model (DDSM) is developed to improve EOR screening using the combined capabilities of the fuzzy expert approach (FEA) and support vector regression (SVR) techniques. In this study, EOR field data from the past 40 years were reviewed to generate an updated and reliable EOR criteria table as a basis to construct a fuzzy screening model. The DDSM was evaluated to determine the quantitative screening and ranking of EOR methods using seven field datasets, including the fast forecasting of the nominated EOR methods. In order to improve screening performance, a fuzzy model was integrated using 4 SVR models to predict the adaptive weights of the screening parameter for decision making. The SVR models can predict the recovery factor (RF) of EOR methods including gas, chemical, steam, and combustion to calculate the adaptive effective weight of the screening parameters. The SVR models were trained with datasets generated from simulations of the EOR process. The absolute average error (AAE) of the SVR models from the simulation varied within the range of 0.078–0.095 for the prediction of the RF. The DDSM results were compatible to the data published in other literature. In addition, the developed model can provide comparable results to common screening software. The results showed improvements due to the adaptive weighting system on the EOR methods’ screening for the studied reservoirs relative to the fuzzy engine with constant weights. The presented integrated model can guide the screening process to select the efficient EOR method in practical applications.
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 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 | 0,001 | 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 tête enseignante, 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 ».