Highly Efficient and Accurate Gas-Alkane Binary Mixture Interfacial Tension Equations for a Broad Range of Temperatures, Pressures, and Compositions
Notice bibliographique
Résumé
Summary Gas-alkane interfacial tension (IFT) is an important parameter in the enhanced oil recovery (EOR) process. Thus, it is imperative to obtain an accurate gas-alkane mixture IFT for both chemical and petroleum engineering applications. Various empirical correlations have been developed in the past several decades. Although these models are often easy to implement, their accuracy is inconsistent over a wide range of temperatures, pressures, and compositions. Although statistical mechanics-based models and molecular simulations can accurately predict gas-alkane IFT, they usually come with an extensive computational cost. The Shardt-Elliott (SE) model is a highly accurate IFT model that for subcritical fluids is analytic in terms of temperature T and composition x. In applications, it is desirable to obtain IFT in terms of temperature T and pressure P, which requires time-consuming flash calculations, and for mixtures that contain a gas component greater than its pure species critical point, additional critical composition calculations are required. In this work, the SE model is combined with a machine learning (ML) approach to obtain highly efficient and highly accurate gas-alkane binary mixture IFT equations directly in terms of temperature, pressure, and alkane molar weights. The SE model is used to build an IFT database (more than 36,000 points) for ML training to obtain IFT equations. The ML-based IFT equations are evaluated in comparison with the available experimental data (888 points) and with the SE model, as well as with the less accurate parachor model. Overall, the ML-based IFT equations show excellent agreement with experimental data for gas-alkane binary mixtures over a wide range of T and P, and they outperform the widely used parachor model. The developed highly efficient and highly accurate IFT functions can serve as a basis for modeling gas-alkane binary mixtures for a broad range of T, P, and x.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».