MétaCan
Menu
Retour à la cohorte
Enregistrement W4386803138 · doi:10.23977/acss.2023.070702

Study on Sensitivity of Plunger Characteristic Parameters to Gas Well Production

2023· article· en· W4386803138 sur OpenAlexvenueno aff
Junping Wu, Yi Wang, Wanli Xiong, Zhichao Hu, Bilian Li

Notice bibliographique

RevueAdvances in Computer Signals and Systems · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPlungerDewateringPlunger pumpPetroleum engineeringExtraction (chemistry)Volume (thermodynamics)Natural gasSeparator (oil production)MechanicsMaterials scienceEngineeringMechanical engineeringChemistryWaste managementGeotechnical engineeringChromatographyThermodynamics

Résumé

récupéré en direct d'OpenAlex

Plunger dewatering gas extraction is a technology primarily used for low-yield natural gas collection. To maximize the efficiency of plunger dewatering gas extraction, optimization design is necessary. This study is based on the principles of plunger lifting dewatering gas extraction. By calculating the distribution of fluid and pressure in the wellbore during the plunger's upward movement at startup, as it reaches the wellhead, and during well shut-in, the interconversion relationship between plunger upward liquid discharge, self-jet flow, and well shut-in pressure recovery processes is analyzed. An optimization algorithm for plunger design is developed. When calculating the impact of plunger characteristic parameters on gas well production, the study considers the effect of gas compressibility factor varying with temperature and pressure, which makes the research results more realistic. The findings of this study contribute to optimizing the process parameters of plunger dewatering gas extraction and enhancing gas well production.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,299
Écart entre enseignants0,267 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in Computer Signals and SystemsMême sujetReservoir Engineering and Simulation MethodsTravaux en français237 207