Supervised deep learning-based paradigm to screen the enhanced oil recovery scenarios
Notice bibliographique
Résumé
High oil prices and concern about limited oil reserves lead to increase interest in enhanced oil recovery (EOR). Selecting the most efficient development plan is of high interest to optimize economic cost. Hence, the main objective of this study is to construct a novel deep-learning classifier to select the best EOR method based on the reservoir's rock and fluid properties (depth, porosity, permeability, gravity, viscosity), and temperature. Our deep learning-based classifier consists of a one-dimensional (1D) convolutional neural network, long short-term memory (LSTM), and densely connected neural network layers. The genetic algorithm has been applied to tune the hyperparameters of this hybrid classifier. The proposed classifier is developed and tested using 735 EOR projects on sandstone, unconsolidated sandstone, carbonate, and conglomerate reservoirs in more than 17 countries. Both the numerical and graphical investigations approve that the structure-tuned deep learning classifier is a reliable tool to screen the EOR scenarios and select the best one. The designed model correctly classifies training, validation, and testing examples with an accuracy of 96.82%, 84.31%, and 82.61%, respectively. It means that only 30 out of 735 available EOR projects are incorrectly identified by the proposed deep learning classifier. The model also demonstrates a small categorical cross-entropy of 0.1548 for the classification of the involved enhanced oil recovery techniques. Such a powerful classifier is required to select the most suitable EOR candidate for a given oil reservoir with limited field information.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
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 ».