Application of soft computing approaches for modeling annular pressure loss of slim-hole wells in one of Iranian central oil fields
Notice bibliographique
Résumé
Abstract In order to have a better control over the drilling process and reduce the overall cost of this drilling operation, engineers have tried to use soft computing (SC) techniques to conduct the pre-estimation of drilling events. It is critically important to estimate the annular pressure losses (APL) for non-Newtonian drilling muds within annulus in order to specify pump rates and also to be able to choose the most appropriate mud pump systems while conducting the drilling operations. To develop the vigorous and exact models to enable the prediction of APL, two popular models were employed, i.e., multilayer perceptron (MLP) [optimized by levenberg-marquardt (LM), bayesian regularization (BR), scaled conjugate gradient (SCG), Resilient back propagation (RB), and broyden fletcher goldfarb shanno (BFGS)] and radial basis function (RBF). Subsequently, applying a committee machine intelligent system (CMIS), the four top models were combined into a unit paradigm. Several tools such as error distribution diagram, cross plot, trend analysis, and cumulative frequency diagram were used in conjunction with statistical calculation to assess the efficiency of models. Consequently, the CMIS model was introduced as the most exact technique which has the greatest coefficient of determination (R2 close to one) as well as the lowest root mean square error (RMSE close to zero) for the tested dataset.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».