A One-Dimensional Convolutional Neural Network for Fast Predictions of the Oil-CO2 Minimum Miscibility Pressure in Unconventional Reservoirs
Notice bibliographique
Résumé
Summary Miscible carbon dioxide (CO2) injection has proven to be an effective method of recovering oil from unconventional reservoirs. An accurate and efficient procedure to calculate the oil-CO2 minimum miscibility pressure (MMP) is a crucial subroutine in the successful design of a miscible CO2 injection. However, current numerical methods for the unconventional MMP prediction are very demanding in terms of time and computational costs which result in long runtime with a reservoir simulator. This work proposes to employ a one-dimensional convolutional neural network (1D CNN) to accelerate the unconventional MMP determination process. Over 1,200 unconventional MMP data points are generated using the multiple-mixing-cell (MMC) method coupled with capillarity and confinement effects for training purposes. The data set is first standardized and then processed with principal component analysis (PCA) to avoid overfitting. The performance of the proposed model is evaluated with testing data. By applying the trained model, the unconventional MMP results are almost instantly produced and a coefficient of determination of 0.9862 is achieved with the testing data. Notably, 98.58% of predicting data points lie within 5% absolute relative error. This work demonstrates that the prediction of unconventional MMP can be significantly accelerated, compared with the numerical simulations, by the proposed well-trained deep learning model with a slight impact on the accuracy.
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 | 0,001 | 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 | 0,001 |
| 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 ».