Model Predictive Control of a Time-Varying Phase-Change Heat Transfer Problem with Applications in Enhanced Oil Recovery
Notice bibliographique
Résumé
This thesis is focused on developing a framework for achieving constrained optimal control of phase-change time varying heating process taking place in an electrically heated tank/pipe. The problem of developing a heat transfer model, which captures the dynamics of heating process, is addressed by formulating differential equations using basic laws of thermodynamics and applied physics. In the control design part, adaptive control based on MPC is employed as it offers optimal control performance while enforcing constraints on inputs, outputs, and their rates of change. To capture uncertain and/or varying dynamics, data driven system identification is utilized where system parameters are estimated in real time using input-output measurement data. In order to reduce online computations, process parameters are updated only when the control performance degrades and current process parameters fail to capture time varying system dynamics. To lessen strain on resistive heating element and avoid overheating, constraints are incorporated into the optimization problem which is solved online; moreover, constraints softening is employed to avoid infeasibility. This thesis also provides an optimal control strategy to control the heating process in a novel and advanced EOR technique named as In-situ reflux (ISR) proposed in [1], in which water at room temperature is injected and vaporized using resistive heating elements. Generated high temperature steam is then utilized to reduce bitumen viscosity, which is extracted out of ground through production well. However, while implementing ISR, the challenging problem faced is the burnout of equipment including thermocouples and heating elements due to uncertain and time varying dynamics leading to severely high temperature inside injection well. Data driven system identification is employed to develop and update the plant model for ISR heating process. Simulation results illustrate the effectiveness of proposed control strategy as offset free tracking is achieved for heating element temperature inside an (1) electrically heated pipe, and (2) injection well used in ISR.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».