Asphaltene precipitation modeling in dead crude oils using scaling equations and non-scaling models: comparative study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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 ( R c ) 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 R c , 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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 découle