Robust hybrid machine learning algorithms for gas flow rates prediction through wellhead chokes in gas condensate fields (Запись № 665478)

Подробно MARC
000 -Маркер
Поле контроля фиксированной длины 03661nlm1a2200397 4500
005 - Идентификатор версии
Поле контроля фиксированной длины 20231030042004.0
035 ## - Другие системные номера
Идентификатор записи (RuTPU)RU\TPU\network\36677
035 ## - Другие системные номера
Идентификатор записи RU\TPU\network\36578
100 ## - Данные общей обработки
Данные общей обработки 20211008a2021 k y0engy50 ba
101 0# - Язык ресурса
Язык текста, звукозаписи и т.д. английский
102 ## - Страна публикации или производства
Страна публикации
135 ## - Поле кодированных данных: электронные ресурсы
Кодированные данные для электронного ресурса drcn ---uucaa
181 #0 - Поле кодированных данных: вид содержания
Код вида содержания i
182 #0 - Поле кодированных данных: средство доступа
Код средства доступа electronic
200 1# - Заглавие и сведения об ответственности
Основное заглавие Robust hybrid machine learning algorithms for gas flow rates prediction through wellhead chokes in gas condensate fields
Первые сведения об ответственности Behesht Abad Abouzar Rajabi, Ghorbani, N. Mohamadian [et al.]
203 ## - Вид содержания и средство доступа
Вид содержания
Средство доступа
300 ## - Общие примечания
Текст примечания Title screen
330 ## - Резюме или реферат
Текст примечания Condensate reservoirs are the most challenging hydrocarbon reservoirs in the world. The behavior of condensate gas reservoirs regarding pressure and temperature variation is unique. Adjusting fluid flow rate through wellhead chokes of condensate gas wells is critical and challenging for reservoir management. Predicting this vital parameter is a big step for the development of condensate gas fields. In this study, a novel machine learning approach is developed to predict gas flow rate (Qg) from six input variables: temperature (T); upstream pressure (Pu); downstream pressure (Pd); gas gravity (?g); choke diameter (D64) and gas–liquid ratio (GLR). Due to the absence of accurate recombination methods for determining Qg, machine learning methods offer a functional alternative approach. Four hybrid machine learning (HML) algorithms are developed by integrating multiple extreme learning machine (MELM) and least squares support vector machine (LSSVM) with two optimization algorithms, the genetic algorithm (GA) and the particle swarm optimizer (PSO). The evaluation conducted on prediction performance and accuracy of the four HML models developed indicates that the MELM-PSO model has the highest Qg prediction accuracy achieving a root mean squared error (RMSE) of 2.8639 Mscf/d and a coefficient of determination (R2) of 0.9778 for a dataset of 1009 data records compiled from gas-condensate fields around Iran. Comparison of the prediction performance of the HML models developed with those of the previous empirical equations and artificial intelligence models reveals that the novel MELM-PSO model presents superior prediction efficiency and higher computational accuracy. Moreover, the Spearman correlation coefficient analysis performed demonstrates that D64 and GLR are the most influential variables in the gas flow rate for the large dataset evaluated in this study.
333 ## - Примечания об особенностях распространения и использования
Текст примечания
461 ## - Уровень набора
Заглавие Fuel
463 ## - Уровень физической единицы
Заглавие Vol. 308
Обозначение тома [121872, 10 p.]
Дата публикации 2021
610 1# - Неконтролируемые предметные термины
Предметный термин электронный ресурс
610 1# - Неконтролируемые предметные термины
Предметный термин труды учёных ТПУ
701 #0 - Имя лица – альтернативная ответственность
Начальный элемент ввода Behesht Abad Abouzar Rajabi
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Ghorbani
Расширение инициалов личного имени Hamzeh
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Mohamadian
Часть имени, кроме начального элемента ввода N.
Расширение инициалов личного имени Nima
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Davoodi
Часть имени, кроме начального элемента ввода Sh.
Дополнения к именам, кроме дат specialist in the field of petroleum engineering
-- Research Engineer of Tomsk Polytechnic University
Даты 1990-
Расширение инициалов личного имени Shadfar
-- stltpush
Идентификатор авторитетной/ нормативной записи (RuTPU)RU\TPU\pers\46542
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Mehrad
Часть имени, кроме начального элемента ввода M.
Расширение инициалов личного имени Mohammad
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Aghdam
Часть имени, кроме начального элемента ввода S. Kh.
Расширение инициалов личного имени Saeed Khezerloo Ye
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Nasriani
Часть имени, кроме начального элемента ввода H. R.
Расширение инициалов личного имени Hamid Reza
712 02 - Наименование организации – вторичная ответственность
Начальный элемент ввода Национальный исследовательский Томский политехнический университет
Структурное подразделение Инженерная школа природных ресурсов
-- Отделение нефтегазового дела
-- 8084
-- stltpush
Идентификатор авторитетной/ нормативной записи (RuTPU)RU\TPU\col\23546
801 #2 - Источник записи
Страна RU
Организация 63413507
Дата составления 20211008
Правила каталогизации RCR
856 4# - Местонахождение электронных ресурсов и доступ к ним
Универсальный идентификатор ресурса https://doi.org/10.1016/j.fuel.2021.121872
090 ## - System Control Numbers (Koha)
Koha biblioitem number (autogenerated) 665478
942 ## - Добавленные элементы ввода (Коха)
Тип документа Computer Files

Нет доступных единиц.