Machine Learning-Based Prediction of Scale Inhibitor Efficiency in Oilfield Operations
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
Water injection is widely recognized as one of the most important operational approaches for enhanced oil recovery in oilfields. However, this process faces significant challenges due to the formation of sulfate and carbonate mineral scales caused by high salinity in both injected water and formation water. To address this issue, the use of mineral scale inhibitors has emerged as a valuable solution. In this study, we evaluated the performance of seven machine learning algorithms (Gradient Boosting Machine; k-Nearest Neighbors; Decision Tree; Random Forest; Linear Regression; Neural Network; and Gaussian Process Regression) to predict inhibitor efficiency. The models were trained on a comprehensive dataset of 661 samples (432 for training; 229 for testing) with 66 features including temperature; concentrations of various ions (sodium; calcium, magnesium; barium; strontium; chloride; sulfate; bicarbonate; carbonate, etc.), and inhibitor dosage levels (DTPMP, PPCA, PBTC, EDTMP, BTCA, etc.). The results showed that GPR achieved the highest prediction accuracy with R2 = 0.9608, followed by Neural Network (R2 = 0.9230) and Random Forest (R2 = 0.8822). These findings demonstrate the potential of machine learning approaches for optimizing scale inhibitor performance in oilfield operations
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle