Cloud point pressure estimation of gas-soluble chemicals in carbon dioxide by machine learning paradigms
Notice bibliographique
Résumé
The CO2-based enhanced oil recovery operations not only increase the recovery factor but can result in reducing the amount of CO2 released into the atmosphere. It is possible to improve the effectiveness of CO2 injection into the reservoir by incorporating gas-soluble chemicals. Since the experimental measurement of the dissolution pressure of chemicals in CO2 [i.e., cloud point pressure (CPP)] is costly and time-consuming, it is necessary to develop a model for its reliable estimation. Although some thermodynamic-based correlations are proposed to estimate the cloud point pressure (CPP), their inaccuracy and limited ranges of application are challenging. Consequently, this study utilizes artificial neural networks, least-squares support vector regression, and adaptive neuro-fuzzy inference systems to accurately anticipate the CPP value as a function of chemical type, chemical concentration, and temperature. Both the correlation matrix analysis and standardized coefficient proved that the CPP increases by all these explanatory features so that the chemical concentration is the most important variable. Tuning the models' hyperparameters and monitoring their accuracy in the cross-validation and testing stages confirm that the general regression neural network is the most accurate paradigm for estimating the CPP value. This model anticipates 381 literature records with a mean absolute error of 8.09, an absolute average relative deviation percent of 3.27%, and a regression coefficient of 0.974 21. This straightforward machine learning paradigm not only broadens our understanding of the chemical dissolution in CO2 but also helps appropriately design the CO2-based enhanced oil recovery scenarios.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».