Modelling of Hydrocarbon and Non-hydrocarbon Gases Viscosity by Using an Artificial Neural Networks Model
Notice bibliographique
Résumé
The viscosity of gas mixtures is one of the most crucial governing parameters, which affect oil and natural gas flow in reservoirs and exploitation equipment. Ideally, viscosity must be determined experimentally in a laboratory on actual fluid samples. However, in the absence of experimentally measured data, due to its difficulty or when invalid samples are available, parameters would be simulated by different mathematical models. Existing models need experimentally obtained gas components' mole fraction. This study presents an artificial neural network model that predicts the hydrocarbon and non-hydrocarbon gases viscosity by only three input parameters: temperature, pressure, and gas molecular weight, which are easier to find compared to gas components' mole fraction. The prediction procedure in this study was carried out using a large database containing 2445 experimental data in a wide range of temperatures (100-460 F), pressure (14.7-10000 psi) and molecular weights (16.04-53.92 Ib/Ib-mole). To develop a suitable model, a multi-layer feed-forward neural network with a back propagation learning algorithm is used. 70 percent of data points were used to train the network. 15 percent were used to validate along the training process and finally, 15 percent were used for blind testing of the network. To find the optimized structure of the network a MATLAB code is written. This code searches through different networks to find the optimal number of hidden layers, number of hidden neurons, the activation function of the hidden layer and the activation function of the output layer. In this study up to two hidden layers, 25 neurons in the first hidden layer and 20 neurons in the second hidden were evaluated. Also, sigmoid and tangent sigmoid activation functions were tested for the hidden layer and sigmoid, tangent sigmoid and linear activation functions were tested for the output layer. As a result, an investigation is made through a vast number of networks. A network with two hidden layers including 12 neurons in the first hidden layer and 10 neurons in the second hidden layer showed the least error. Activation functions of this network are the sigmoid function. The average absolute relative error of the network for test data is 3.27%. A comparison study between this model and five other models is done. Not only the input parameters of this new model are easier to be obtained, but also the proposed artificial neural network model can predict gas viscosity more accurately.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».