On the evaluation of crude oil oxidation during thermogravimetry by generalised regression neural network and gene expression programming: application to thermal enhanced oil recovery
Notice bibliographique
Résumé
Enhancing oil recovery using in-situ combustion (ISC) is an attractive alternative, especially for heavy crudes. During ISC, part of the hydrocarbon is pyrolysed/oxidised, which generates heat and deposits fuel in the combustion front. In this study, crude reactions during ISC are modelled after their thermogravimetry thermo-oxidative profiles using advanced machine learning systems. The model inputs include the weight per cent of asphaltenes, resins, and °API gravity of the oil as well as the heating rate and the temperature. Four types of artificial neural networks (ANNs); namely multilayer perceptron (MLP), generalised regression neural network (GRNN), cascade-forward neural network (CFNN), and radial basis function (RBF) neural network, were employed to develop models for accurate prediction of the weight per cent of residual crude oil based on 2289 experimental data points. Moreover, three optimisation algorithms; including Bayesian Regularisation (BR), Levenberg–Marquardt (LM), and Scaled Conjugate Gradient (SCG) were applied in the training step of MLP and CFNN to improve the prediction ability. GRNN provided the most accurate prediction with ∼2.3% overall average absolute per cent relative error and coefficient of determination of 0.9983. GRNN model is reliable for crude oils with °API gravity of 5–35 and up to 820°C. Lastly, a mathematical correlation was developed to estimate the residual crude oil from thermogravimetry analysis using gene expression programming (GEP). GEP also predicted the thermo-oxidative profile with high accuracy. On the basis of sensitivity analysis, residue formation during crude oil oxidation was impacted the most by the temperature, oil °API gravity, and asphaltenes content, respectively. The Leverage approach identified 2.9% of the data points as doubtful.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».