کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5484368 1522790 2017 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A model ranking and uncertainty propagation approach for improving confidence in solids transport model predictions
ترجمه فارسی عنوان
یک مدل رتبه بندی مدل و روش نامطمئن برای افزایش اعتماد به نفس در پیش بینی مدل حمل و نقل جامدات
کلمات کلیدی
حمل و نقل ذرات جامد، پیش بینی سرعت آستانه، ارزیابی مدل، عدم قطعیت انتشار، اعتماد به پیش بینی مدل، شبیه سازی مونت کارلو،
ترجمه چکیده
حمل و نقل ذرات جامد در خطوط لوله در صنعت نفت علاقه مند است و برای افزایش کارایی جریان در لوله ضروری است و از تلفات خط لوله ناشی از انباشت ذرات جلوگیری می شود. برای رسیدن به این هدف، سرعت مایع حامل در لوله نیاز به بیش از سرعت آستانه دارد. بسیاری از مدل های حمل و نقل جامد برای پیش بینی سرعت آستانه در دسترس هستند، اما برای شرایط ورودی مشابه، پیش بینی های این مدل ها ممکن است بر اساس سفارشات متفاوت باشد، و اطالعات مربوط به اطمینان پیش بینی های مدل ها به آسانی قابل دسترسی نیست. برای حل این مسائل، این مقاله ارائه یک مدل ارزیابی و روش نامطمئن انتشار است که از ترکیب جدیدی از خوشه بندی داده ها، تنظیم پارامترهای مدل، غربالگری مدل و رتبه بندی، اندازه گیری عدم قطعیت مدل و روش های شبیه سازی مونت کارلو ارائه شده است. ورودی ها پایگاه داده تجربی برای حمل و نقل مواد جامد، مجموعه ای از مدل های حمل و نقل جامدات و شرایط ورودی (ها) که در آن پیش بینی مدل ها مورد نیاز است. خروجی روش شامل رتبه بندی مدل ها و پاکت های پیش بینی های مدل ها در یک سطح اطمینان از پیش تعیین شده است. با ترویج عدم اطمینان مدل ها، داده های تجربی و شرایط ورودی، مدل های با بالاترین رتبه، پاکت های سرعت را در سطح اطمینان 90٪ تولید می کنند که ارزش های آزمایش شده را برای 92٪ موارد پوشش می دهد. در حالی که با استفاده از پیش بینی مدل فردی هیچ اطلاعاتی در مورد اعتماد پیش بینی ارائه نمی دهد.
موضوعات مرتبط
مهندسی و علوم پایه علوم زمین و سیارات زمین شناسی اقتصادی
پیش نمایش مقاله
یک مدل رتبه بندی مدل و روش نامطمئن برای افزایش اعتماد به نفس در پیش بینی مدل حمل و نقل جامدات
چکیده انگلیسی
The transport of solid particles in pipelines is of interest in the petroleum industry, and is needed to increase flow efficiency in the pipe and prevent pipeline damage due to the particles' accumulation. To achieve this goal, the velocity of the carrier fluid in the pipe needs to exceed the threshold velocity. Many solids transport models are available for predicting the threshold velocity, but for the same input condition, the predictions of these models may vary by orders of magnitude, and information regarding the confidence of the models' predictions is not readily available. To resolve these issues, this paper presents a model evaluation and uncertainty propagation approach that uses a novel combination of data clustering, model parameter fine-tuning, model screening and ranking, model uncertainty quantification, and Monte Carlo simulation methods. The inputs are the experimental database for solids transport, a set of solids transport models, and the input condition(s) where the models' predictions are needed. The outputs of the methodology include the models' rankings, and the envelopes of the models' predictions to within a predetermined confidence level. By propagating the uncertainties of the models, experimental data, and input conditions, the highest-ranked models produce velocity envelopes at the 90% confidence level that cover the experimentally-observed values for 92% of the cases; while using the prediction of an individual model does not provide any information regarding the prediction confidence.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Petroleum Science and Engineering - Volume 151, March 2017, Pages 128-142
نویسندگان
, , , , ,