Robust ensemble learning frameworks for predicting minimum miscibility pressure in pure nitrogen and gas mixtures containing nitrogen–crude oil systems: Insights from explainable artificial intelligence
Notice bibliographique
Résumé
Abstract Miscible gas injection techniques, such as nitrogen injection, are among the attractive enhanced oil recovery (EOR) techniques for improving oil recovery factors in oil reservoirs. A key challenge in implementing these techniques is accurately determining the minimum miscibility pressure (MMP). While laboratory experiments offer reliable results, they are costly and time‐consuming, and existing empirical correlations often have moderate accuracy, which limits their practical use. In this study, robust ensemble methods, namely light gradient boosting machine (LightGBM), extra trees (ET), and categorical boosting (CatBoost), were implemented for modelling MMP in pure nitrogen and gas mixtures containing nitrogen–crude oil systems. An extensive experimental database involving 164 data points was used to elaborate on the predictive models. The findings revealed that the proposed ensemble methods achieved outstanding accuracy in training and test datasets, with ET consistently outperforming the other models. The ET model provided the most consistent MMP predictions with a total root mean square error (RMSE) of only 0.3197 MPa and a determination coefficient of 0.9976. Additionally, the ET model exhibited very small RMSE values across a broad range of operational conditions. Furthermore, the Shapley additive explanations (SHAP) method further validated the interpretability of the ET model, allowing for clear insights into the impact of input features. This study underlines the significant potential of machine learning to enhance MMP prediction in pure nitrogen and gas mixtures containing nitrogen–crude oil systems, thereby aiding in the appropriate design of this kind of EOR process and supporting better decision‐making in reservoir management.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».