A novel investigation based on the tree‐based machine learning methods on rheological behaviour of waxy crude oils
Notice bibliographique
Résumé
Abstract Flow assurance issues concerning wax precipitation in crude oil transportation pipelines make it necessary to predict the flow behaviour at different operating conditions. This work attempted to model measured shear stress and viscosity of waxy crude oils using tree‐based machine learning methods and consider wax content, additives, and solvent concentration as input parameters of models. Amongst all implemented techniques, the Extra trees model performed as a potential estimator in waxy oils rheology studies. Two models were run using the final values collected during hyperparameter tuning for shear stress and viscosity. Results show a root mean squared error value of 14.15 and a coefficient of determination ( R 2 ) of 0.998. RMSE of shear stress training dataset was reduced to 9.50 from 35.46 by adjusting hyperparameters of the model. The assessed techniques encompass decision tree, extra trees, gradient boosting, light gradient boosting machine, linear regression, random forest, ridge regression, and XGBoost. Also, in this research, three rheological models of power law, Dekee and Casson models have been used to correlate apparent viscosity values, and it was concluded that Dekee and Casson models have shown an acceptable match with experimental data. Also, the rheological behaviour of three crude oils in the absence/presence of flow improvers was investigated, and it was concluded that ethylene‐vinyl acetate (EVA) copolymer has performance in changing the flow behaviour from non‐Newtonian to Newtonian even at temperatures below WAT. Moreover, the addition of small quantities of asphaltene solvents, such as toluene, can improve the viscosity of crude oil with high wax content.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».