On the Evaluation of Interfacial Tension (IFT) of CO2–Paraffin System for Enhanced Oil Recovery Process: Comparison of Empirical Correlations, Soft Computing Approaches, and Parachor Model
Notice bibliographique
Résumé
Carbon dioxide-based enhanced oil-recovery (CO2-EOR) processes have gained considerable interest among other EOR methods. In this paper, based on the molecular weight of paraffins (n-alkanes), pressure, and temperature, the magnitude of CO2–n-alkanes interfacial tension (IFT) was determined by utilizing soft computing and mathematical modeling approaches, namely: (i) radial basis function (RBF) neural network (optimized by genetic algorithm (GA), gravitational search algorithm (GSA), imperialist competitive algorithm (ICA), particle swarm optimization (PSO), and ant colony optimization (ACO)), (ii) multilayer perception (MLP) neural network (optimized by Levenberg-Marquardt (LM)), and (iii) group method of data handling (GMDH). To do so, a broad range of laboratory data consisting of 879 data points collected from the literature was employed to develop the models. The proposed RBF-ICA model, with an average absolute percent relative error (AAPRE) of 4.42%, led to the most reliable predictions. Furthermore, the Parachor approach with different scaling exponents (n) in combination with seven equations of state (EOSs) was applied for IFT predictions of the CO2–n-heptane and CO2–n-decane systems. It was found that n = 4 was the optimum value to obtain precise IFT estimations; and combinations of the Parachor model with three-parameter Peng–Robinson and Soave–Redlich–Kwong EOSs could better estimate the IFT of the CO2–n-alkane systems, compared to other used EOSs.
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 | 0,002 |
| 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) | 0,000 | 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 ».