Asphaltene precipitation modeling in dead crude oils using scaling equations and non-scaling models: comparative study
Notice bibliographique
Résumé
Abstract This research study aims to conduct a comparative performance analysis of different scaling equations and non-scaling models used for modeling asphaltene precipitation. The experimental data used to carry out this study are taken from the published literature. Five scaling equations which include Rassamadana et al., Rassamdana and Sahimi, Hu and Gou, Ashoori et al., and log–log scaling equations were used and applied in two ways, i.e., on full dataset and partial datasets. Partial datasets are developed by splitting the full dataset in terms of Dilution ratio (R) between oil and precipitant. It was found that all scaling equations predict asphaltene weight percentage with reasonable accuracy (except Ashoori et al. scaling equation for full dataset) and their performance is further enhanced when applied on partial datasets. For the prediction of Critical dilution ratio (Rc) for different precipitants to detect asphaltene precipitation onset point, all scaling equations (except Ashoori et scaling equation when applied on partial datasets) are either unable to predict or produce results with significant error. Finally, results of scaling equations are compared with non-scaling model predictions which include PC-Saft, Flory–Huggins, and solid models. It was found that all scaling equations (except Ashoori et al. scaling equation for full dataset) either yield almost the same or improved results for asphaltene weight percentage when compared to best case (PC-Saft). However, for the prediction of Rc, Ashoori et al. scaling equation predicts more accurate results as compared to other non-scaling models.
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 | 0,000 | 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 ».