RNN-based CO2 minimum miscibility pressure (MMP) estimation for EOR and CCUS applications
Notice bibliographique
Résumé
Accurate estimation of minimum miscibility pressure (MMP) is crucial for assessing the efficiency of most miscible and immiscible processes, specifically CO 2 -based enhanced oil recovery (EOR) methods and Carbon capture utilization and sequestration (CCUS). The experimental procedure for MMP prediction is often time-consuming and costly. On the other hand, the empirical models that have been historically used could work based on limited input parameters, ignore the importance of others and are not necessarily accurate. The novelty of the current study is using an explainable deep-learning approach, Recurrent neural network (RNN), to train a model using a multi-dimensional (22 features) dataset with 544 rows of data. The Dataset comprises mole fractions of injected gas (pure and impure CO 2 ). Out of those features, eight subsets of parameters (labelled X_1 to X_8) were used to develop models. The multi-dimensionality of the dataset makes it suitable to study the effects of various parameters on MMP, specifically in conditions of interest to CCUS-EOR applications. Among the multiple inputs tested, the model trained with X_1 and X_8 input parameters (including mole fraction of different hydrocarbon and nonhydrocarbon components and reservoir temperature) resulted in the most accurate estimations of MMP (R 2 = 0.99). To further enhance the explainability of the model, feature importance and shapely values analysis were conducted on the developed models, and the impact of each input feature on MMP was elaborated. Temperature, volatile/intermediate, and nonhydrocarbon components are the most influential parameters depending on the subset of parameters chosen. Moreover, the developed model using X_8 inputs performed significantly better (37 % more accurately) than three well-known empirical models from the literature.
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 ».