A machine learning approach for modelling and optimization of complex systems: Application to condensate stabilizer plants
Notice bibliographique
Résumé
Abstract Recent advancements in supervised machine learning tools have demonstrated their ability to achieve accurate and efficient prediction results. In this paper, we leverage these tools as alternative approaches to model a specific application in the gas industry, based on operating data. The chosen application is a natural gas condensate stabilization process, in which light end components are removed to reduce condensate vapour pressure, meeting storage and transportation specifications. Here, we develop and evaluate various supervised machine learning models to predict the performance of two industrial condensate stabilizer units. By utilizing large datasets from these units and encompassing comprehensive operating data of input–output variables, we not only demonstrate the capability of these techniques to offer reliable and accurate predictions but also shed light on their potential impacts and implementations. The impacts of applying selected AI and machine learning algorithms are two‐fold. First, our research presents an innovative approach to process modelling and optimization in the gas industry, showing the potential for enhanced operational efficiency, profitability, and safety. Second, we propose a data‐driven surrogate‐based optimization framework, where the generated machine learning models can replace detailed first‐principle models, offering a streamlined method to find optimal values for variables to reduce operational energy consumption. Furthermore, we address the validation requirements of our machine learning models, ensuring their robustness and reliability in real‐world applications. By incorporating rigorous validation procedures, we guarantee the quality of our predictions and support their practical implementation. In conclusion, our research not only highlights the capabilities of machine learning in gas industry applications but also emphasizes their potential impacts and contributions to operational excellence. So, the presented approach can pave the way for improved performance, efficiency, and profitability in the gas industry.
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 ».