دانلود و نمایش مقالات مرتبط با پیش بینی احتمالی::صفحه 1
بلافاصله پس از پرداخت دانلود کنید
نتیجه جستجو - پیش بینی احتمالی

تعداد مقالات یافته شده: 3
ردیف عنوان نوع
1 AI based mechanistic modeling and probabilistic forecasting of hybrid low salinity chemical flooding
مدل سازی مکانیکی مبتنی بر هوش مصنوعی و پیش بینی احتمالی سیلاب شیمیایی ترکیبی با شوری کم-2020
Over the past decades, it has been widely shown that Low Salinity Waterflooding (LSW) outperformed High Salinity Waterflooding (HSW) in terms of higher oil recovery, particularly in combining with other conventional Enhanced Oil Recovery (EOR) methods such as chemical flooding to benefit from their synergies. This paper presents a novel approach to mechanistically model Hybrid Low Salinity Chemical Flooding, with: (1) development of a hybrid EOR concept from past decades; (2) utilizing a Multilayer Neural Network (ML-NN) artificial intelligent technique in a robust Equation-of-State reservoir simulator fully coupled with geochemistry; (3) systematic validation with laboratory data; and (4) uncertainty assessment of the LSW process at the field scale. Various parameters such as polymer, surfactant, and salinity can affect on the relative permeability simultaneously during hybrid recovery processes. To overcome this problem, the ML-NN technique was applied for multidimensional interpolation of the relative permeability. Additionally, ML-NN was used within a Bayesian workflow to capture the uncertainties in both history matching and forecasting stages of LSW at field scale. The proposed model indicated good agreements with various coreflooding experiments including HSW, LSW, and Low Salinity Surfactant flooding (LSS), where it can efficiently capture the complex geochemistry, wettability alteration, microemulsion phase behavior, and the synergies occurring in these hybrid processes.
Keywords: Low salinity waterflooding | Chemical flooding | Hybrid EOR | Artificial intelligence | Probabilistic forecasting
مقاله انگلیسی
2 Bayesian deep learning based method for probabilistic forecast of day-ahead electricity prices
روش مبتنی بر یادگیری عمیق بیزی برای پیش بینی احتمالی قیمت برق روز پیش رو-2019
The availability of accurate day-ahead energy prices forecasts is crucial to achieve a successful participation to liberalized electricity markets. Moreover, forecasting systems providing prediction intervals and densities (i.e. probabilistic forecasting) are fundamental to enable enhanced bidding and planning strategies considering uncertainty explicitly. Nonetheless, the vast majority of available approaches focus on point forecast. Therefore, we propose a novel methodology for probabilistic energy price forecast based on Bayesian deep learning techniques. A specific training method has been deployed to guarantee scalability to complex network architectures. Moreover, we developed a model originally supporting heteroscedasticity, thus avoiding the common homoscedastic assumption with related preprocessing effort. Experiments have been performed on two dayahead markets characterized by different behaviors. Then, we demonstrated the capability of the proposed method to achieve robust performances in out-of-sample conditions while providing forecast uncertainty indications..
Keywords: Electricity price forecasting | Probabilistic forecasting | Deep learning | Bayesian learning | Neural network
مقاله انگلیسی
3 تدوین برنامه پیش بینی بارش آینده با استفاده از پیش بینی احتمالی و سناریوی تغییرات آب و هوایی
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 5 - تعداد صفحات فایل doc فارسی: 7
اخیرا، تخمین زده می‌شود که کره و دیگر کشورها با کمبود آب مواجه خواهند بود، و صنایع و تکنولوژی‌های مرتبط با آب به طور چشمگیری دارای اهمیت می‌شوند. از این رو، تکنولوژی پیشرفته IT (برش-لبه) و زیرساخت‌های مدیریت آب موجود برای تدوین مفهوم شبکه آب هوشمند، با هم ترکیب شده اند، که به طور گسترده‌ای در کره و خارج از کشور اجرا می‌شود. برای اعمال شبکه آب هوشمند، محاسبه حجم در دسترس منابع آب بسیار مهم است. این نیاز به تحلیل داده‌های پیش¬بینی بارش آینده دارد، و پیش¬بینی بارش اداره هواشناسی کره و داده‌های سناریوی تغییرات آب و هوا می‌توانند دو عامل کلیدی در محاسبه مقدار منابع آب در دسترس کوتاه مدت و بلند مدت هستند. اداره هواشناسی کره داده‌های بارش را برای 10 روز آینده از طریق پیش بینی عمومی و میان مدت تخمین می‌زند، در حالیکه بارش 3 ماه آینده با پیش¬بینی بلند مدت با استفاده از داده‌های طبیعی سال گذشته، ارائه می‌شود. پیش بینی بعد از 3 ماه بسیار سخت است، بنابراین این تحقیق از داده‌های سناریوی تغییرات آب و هوا استفاده کرده است. سناریوی RCP8.5 برای فراهم کردن داده‌های بارش با رزولوشن 1کیلومتر*1کیلومتر استفاده شده است، و خصوصا از تکنیک کریجینگ (Kriging) برای تداخل و در نتیجه ارائه شبکه از دست رفته استفاده کرد، که با سناریوی RCP متداول، با توجه به آخرین منطقه اداری ارائه نشده بود.
از زبان C براساس visual studio 2013 استفاده شده است و داده‌های شامل سناریوی تغییرات آب و هوایی در یک پایگاه داده اوراکل ذخیره شد، بنابراین می‌توان از طریق یک سرور از دانشگاه ملی اینچئون از آن‌ها استفاده کرد. پایگاه داده اوراکل شامل سناریوهای RCP آینده از سال 2015 تا 2050 است و یک برنامه کاربردی بر اساس ویندوز تدوین داده شده است بنابراین کاربر می‌تواند داده‌های بارش را با استفاده از تنظیم چارچوب زمانی و مکانی، استخراج نماید. نتایج استخراج شده به عنوان یک فایل متنی برای سهولت در استفاده، ذخیره می‌شود.
کلمات کلیدی: سناریو‌های تغییرات آب و هوا | پیش بینی بارش آینده
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi