Vapour–liquid–liquid and vapour–liquid equilibrium of paraffinic aromatic synthetic naphtha/water blends: Prediction of the number of phases
Notice bibliographique
Résumé
Abstract Bitumen is extracted from oil sands using warm water and additives. The resulting bitumen froth is diluted with naphtha in a froth treatment process. Residual naphtha in the aqueous tailings of the froth treatment unit is recovered in a naphtha recovery unit (NRU). It is imperative to maximize the naphtha recovery process to minimize the plant's environmental and economic impact. It is, in this respect, that NRU vapour–liquid–liquid equilibrium data is of significant value. In this work, a paraffinic‐aromatic synthetic naphtha (PASN) with a true boiling point (TBP) similar to that of froth treatment naphtha is used. Water/PASN mixtures are studied using the Soave‐Redlich‐Kwong equation of state with a Kabadi‐Danner modification. The tangent plane distance (TPD) is evaluated as a possible criterion to calculate the number of phases, with its significant shortcomings being established. As well, experimental data obtained in a CREC‐VL‐Cell is observed to display higher solubilities of PASN in water than the ones obtained by HYSYS‐Aspen Plus V9 simulation. To address these issues, a machine learning (ML)‐based phase classification methodology was considered, predicting the number of phases with a 99% recall. This anticipates that ML will be of significant value for faster convergence of the flash split calculations for the naphtha hydrocarbon‐water systems under consideration.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».