商品簡介
Eksploatacja oleju ciężkiego wiąże się ze znacznymi wyzwaniami energetycznymi i operacyjnymi ze względu na wysoką lepkośc, kt鏎a bezpośrednio wplywa na efektywnośc proces闚 odzysku termicznego. Na polu Tsimiroro na Madagaskarze dokladne przewidywanie lepkości ma kluczowe znaczenie dla optymalizacji wtrysku pary i ograniczenia nadmiernych strat energii. W tym badaniu przyjęto metodologię Lean Six Sigma jako ustrukturyzowane ramy mające na celu wyeliminowanie operacyjnych Mud (odpad闚) związanych z nadmiernym zużyciem pary. Opracowano platformę predykcyjną opartą na uczeniu maszynowym, por闚nując sześc r?#380;nych architektur: regresję liniową, regresję wielomianową drugiego stopnia, maszynę wektor闚 nośnych (SVM), sztuczną siec neuronową (ANN), losowy las i XGBoost. Wyniki pokazują, że chociaż model wielomianowy osiąga wysoką precyzję statystyczną (R = 0,995, RMSE = 154,62 cSt), architektura sztucznej sieci neuronowej zapewnia doskonalą niezawodnośc (R = 1,000, RMSE = 154,62 cSt) w wychwytywaniu zlożonych nieliniowych zachowań termicznych. XGBoost i Random Forest wykazują konkurencyjną wydajnośc z wartościami R odpowiednio 0,90 i 0,91, podczas gdy SVM wykazuje najwyższe blędy przewidywania (RMSE ≈ 780 cSt).
