Machine Learning Techniques in Enhanced Oil Recovery Screening Using Semisupervised Label Propagation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary Efficiently choosing the optimal enhanced oil recovery (EOR) technique is a critical requirement in reservoir engineering. Machine learning (ML) methods, with a well-established history of application, serve as a swift and dependable tool for EOR screening. In this paper, we aim to evaluate the effectiveness of various ML algorithms for EOR screening, utilizing a comprehensive database of nearly 1,000 EOR projects. This study delves into a comprehensive evaluation of regression and classification-based algorithms to develop a reliable screening system for EOR predictions and address challenges such as limited labeled data and missing values. Our analysis considered various EOR processes, including gas injection, chemical, and thermal EOR techniques. Various ML methods such as random forest (RF), K-nearest neighbors (KNN), support vector machine (SVM), shallow artificial neural networks (SANN), naive Bayes classifier (NBC), logistic regression (LR), and decision tree (DT) are applied, enabling both intermethod comparisons and evaluations against advanced methods, multiobjective deep artificial neural networks (MDANN), and multiobjective artificial neural networks (MANN). These advanced techniques provide the unique capability to concurrently address both regression and classification tasks. Considering that conventional methods can only be implemented on a single task, the RF, MANN, MDANN, and KNN algorithms demonstrated top-tier performance in our classification analysis. Regarding the regression task, KNN, RF, and MDANN displayed exceptional performance, signifying their prowess in predictive accuracy. However, MANN exhibited moderate performance in regression analysis. In addition, our study identified areas where certain algorithms, such as support vector regression (SVR), exhibited weaker performance, highlighting the importance of comprehensive model evaluation. This paper contributes novel insights into the application of ML techniques for EOR screening in the petroleum industry. By addressing challenges such as limited labeled data and missing values and by providing a thorough evaluation of various ML algorithms, our study offers valuable information for decision-makers in the oil and gas sector, aiding in the selection of suitable algorithms for EOR projects. In addition, the use of semisupervised label propagation and advanced techniques like KNN imputation adds to the existing body of literature, enhancing the state of knowledge in this domain.
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.
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 découle