Deep chemometrics using one‐dimensional convolutional neural networks for predicting crude oil properties from FTIR spectral data
Notice bibliographique
Résumé
Abstract The determination of physicochemical properties of crude oils is a very important and time‐intensive process that needs elaborate laboratory procedures. Over the last few decades, several correlations have been developed to estimate these properties, but they have been very limited in their scope and range. In recent years, methods based on spectral data analysis have been shown to be very promising in characterizing petroleum crude. In this work, the physicochemical properties of crude oils using Fourier transform infrared (FTIR) spectrums are predicted. A total of 107 samples of FTIR spectral data consisting of 6840 wavenumbers is used. One dimensional convolutional neural networks (CNNs) were used employing FTIR spectral data as the one‐dimensional input and Keras and TensorFlow were used for model building. The Root Mean Square Error decreased from 160 to around 60 for viscosity when compared to previous machine learning methods like partial least squares (PLS), principal component regression (PCR), and partial least squares regression with genetic algorithm (PLS‐GA) on the same data. The important hyper‐parameters of the CNN were optimized. In addition, a comparison of results obtained with different neural network architectures is presented. Some common preprocessing techniques were also tested on the spectral data to determine their impact on model performance. To increase interpretability, the intermediate neural network layers were analyzed to reveal what the convolutions represented, and sensitivity analysis was done to gather key insights about the wavenumbers that were the most important for prediction of the crude oil properties using the neural network.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».