Application of artificial neural network for prediction of 10 crude oil properties
Notice bibliographique
Résumé
Abstract This study aims to develop an industrially reliable and accurate method to estimate crude oil properties from their Fourier transform infrared spectroscopy (FTIR) spectra. We used the complete FTIR spectral data of selected crude oil samples from seven different Canadian oil fields to predict 10 important crude oil properties using artificial neural networks (ANNs). The predicted properties include specific gravity, kinematic viscosity, total acid number, micro carbon content, and production of light and heavy naphtha, Kero, and distillate in oil refineries. The 107 different (65 light oil and 42 heavy/medium oil samples) crude oil samples used in this study came from seven oil fields and reservoirs across Canada. In line with standard practice, we used 80% of the dataset for training the ANN models and used the remaining 20% of the crude oil samples to test the models. In the ANN analysis, the mean squared error (MSE) was used as the loss function in models, and the mean absolute prediction error (MAPE) was used as a reference to compare the performance of different neural networks constructed with different numbers of layers. This work demonstrates that FTIR spectroscopy is a promising technique that provides rapid and accurate estimates for the oil properties of interest to the industry. A comparison of the values predicted by the validated ANN models and their corresponding measured (actual) values showed excellent prediction with the acceptable range of error (below 15%) aimed for by our industry partner for all properties except viscosity, for which building models based on the natural logarithmic values of measured viscosities significantly improved the results.
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 ».