Research on data‐driven model for soft sensing of natural gas production system
Notice bibliographique
Résumé
Abstract In view of the problems of high cost and low reliability in obtaining operation information such as flow rate and pressure of offshore natural gas production system, research on soft sensing is carried out, and a dynamic data‐driven model bank is established, in purpose of estimating single‐well flow rate and wellhead pressure, providing convenience tool for online monitoring and system safety analysis. Combining dynamic and steady‐state samples, introducing black‐box identification techniques including orthogonal least square regression and deep learning along with parameter correction techniques such as bi‐objective least square algorithm and transfer learning, a series of nonlinear auto‐regressive models with exogenous inputs (NARX) are built, consisting of black‐box and gray‐box polynomial NARX (Poly‐NARX) models as well as deep neural network NARX (DNN‐NARX) models, approximately describing the dynamic performance of gas production well. Through realistic operation data, the simulation results of Poly‐NARX, DNN‐NARX, and multiple‐layer‐perception‐NARX models are compared. It is observed that gray‐box DNN‐NARX model shows the best performance with advantages of higher global applicability, better approximation ability, and stronger generalization ability. Proposed model bank is of high expansibility and engineering applicability for soft sensing problems in the petroleum industry, laying the ground work for building smart oil and gas field.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».