机构名称：
¥ 1.0
电子邮件：paredes.g@aluno.ifsp.edu.br摘要钻探浪费的适当管理，尤其是页岩振动器的残留固体中的流体含量，仍然是石油和天然气运营中的一项关键挑战。 依靠实验室分析的传统方法引入了重大延迟，从而阻碍了实时过程优化。 本研究提出了一个基于人工神经网络（ANN）的虚拟传感器，以实时预测振动筛选残留固体中的流体含量。 在不同的操作参数下，从工业页岩振动器系统中收集了实验数据，包括运动速度，进料流量和屏幕倾斜度。 使用TensorFlow开发了多层感知器模型，该模型具有输入归一化，辍学正则化和随机梯度下降的优化训练。 ANN体系结构达到的平均绝对误差为0.03，损失为0.002，证明了强大的收敛而不拟合。 通过t检验进行的统计验证证实，预测值和实验值之间没有显着差异（测试数据的p值为0.67，整个数据集为0.85）。 模型在稳定的操作条件下的准确性可以连续监视而无需其他硬件，从而解决了行业对延迟实验室的依赖电子邮件：paredes.g@aluno.ifsp.edu.br摘要钻探浪费的适当管理，尤其是页岩振动器的残留固体中的流体含量，仍然是石油和天然气运营中的一项关键挑战。依靠实验室分析的传统方法引入了重大延迟，从而阻碍了实时过程优化。本研究提出了一个基于人工神经网络（ANN）的虚拟传感器，以实时预测振动筛选残留固体中的流体含量。在不同的操作参数下，从工业页岩振动器系统中收集了实验数据，包括运动速度，进料流量和屏幕倾斜度。使用TensorFlow开发了多层感知器模型，该模型具有输入归一化，辍学正则化和随机梯度下降的优化训练。ANN体系结构达到的平均绝对误差为0.03，损失为0.002，证明了强大的收敛而不拟合。通过t检验进行的统计验证证实，预测值和实验值之间没有显着差异（测试数据的p值为0.67，整个数据集为0.85）。模型在稳定的操作条件下的准确性可以连续监视而无需其他硬件，从而解决了行业对延迟实验室的依赖
使用
主要关键词
相关文件推荐
