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