A New Energy-Aware Method for Gas Lift Allocation in IoT-Based Industries Using a Chemical Reaction-Based Optimization Algorithm
Notice bibliographique
Résumé
The Internet of Things (IoT) has recently developed opportunities for various industries, including the petrochemical industry, that allow for intelligent manufacturing with real-time management and the analysis of the produced big data. In oil production, extracting oil reduces reservoir demand, causing oil supply to fall below the economically viable level. Gas lift is a popular artificial lift system that is both efficient and cost-effective. If gas supplies in the gas lift process are not limited, a sufficient amount of gas may be injected into the reservoir to reach the highest feasible production rate. Because of the limited supply of gas, it is essential to achieve the sustainable utilization of our limited resources and manage the injection rate of the gas into each well in order to enhance oil output while reducing gas injection. This study describes a novel IoT-based chemical reaction optimization (CRO) technique to solve the gas lift allocation issue. The CRO algorithm is inspired by the interaction of molecules with each other and achieving the lowest possible state of free energy from an unstable state. The CRO algorithm has excellent flexibility, enabling various operators to modify solutions and a favorable trade-off between intensification and diversity. A reasonably fast convergence rate serves as a powerful motivator to use as a solution. The extensive simulation and computational study have presented that the proposed method using CRO based on IoT systems significantly improves the overall oil production rate and reduces gas injection, energy consumption and cost compared to traditional algorithms. Therefore, it provides a more efficient system for the petroleum production industry.
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 | 0,001 |
| 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) | 0,000 | 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 ».