A Connectionist Model for Dynamic Economic Risk Analysis of Hydrocarbons Production Systems
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
This study presents a connectionist model for dynamic economic risk evaluation of reservoir production systems. The proposed dynamic economic risk modeling strategy combines evidence-based outcomes from a Bayesian network (BN) model with the dynamic risks-based results produced from an adaptive loss function model for reservoir production losses/dynamic economic risks assessments. The methodology employs a multilayer-perceptron (MLP) model, a loss function model; it integrates an early warning index system (EWIS) of oilfield block with a BN model for process modeling. The model evaluates the evidence-based economic consequences of the production losses and analyzes the statistical disparities of production predictions using an EWIS-assisted BN model and the loss function model at the same time. The proposed methodology introduces an innovative approach that effectively minimizes the potential for dynamic economic risks. The model predicts real-time daily production/dynamic economic losses. The connectionist model yields an encouraging overall predictive performance with average errors of 1.954% and 1.957% for the two case studies: cases 1 and 2, respectively. The model can determine transitional/threshold production values for adequate reservoir management toward minimal losses. The results show minimum average daily dynamic economic losses of $267,463 and $146,770 for cases 1 and 2, respectively. It is a multipurpose tool that can be recommended for the field operators in petroleum reservoir production management related decision making.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,000 | 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