Подать статью
Стать рецензентом
EN
Приложение: 1 (xlsx)
Том 280
Страницы:
145-162
В печати
Научная статья
Геотехнология и инженерная геология

Прогнозирование температуры образования газовых гидратов с использованием гибридного подхода на основе искусственного интеллекта и эмпирических данных

Авторы:
М. Риази1
Х. Мехраджу2
М.-С. Дабири3
Дж. Исмаилова4
М. Риази5
Об авторах
  • 1 — Университет им. Шахида Бахонара в Кермане
  • 2 — Ph.D. Университет им. Шахида Бахонара в Кермане
  • 3 — Университет им. Шахида Бахонара в Кермане
  • 4 — Ph.D. доцент Казахский национальный исследовательский технический университет им. К.И.Сатпаева
  • 5 — Ph.D. доцент Назарбаев Университет
Дата отправки:
2025-02-09
Дата принятия:
2026-06-25
Дата публикации онлайн:
2026-08-28

Аннотация

Точное прогнозирование температуры образования газовых гидратов необходимо для обеспечения бесперебойной подачи при добыче природного газа и его подводной транспортировке. В данном исследовании использовали 459 экспериментальных точек данных, собранных из литературных источников и охватывающих широкий диапазон давлений – 330-68600 кПа, а также диапазон удельной плотности газа – 0,552-1,03. Эти данные послужили основой для разработки надежных инструментов прогнозирования с использованием всего двух практических входных переменных – давления и удельной плотности газа. Были реализованы два взаимо-дополняющих подхода к моделированию. Во-первых, проведен систематический сравнительный анализ нескольких передовых методов машинного обучения, включая многослойный перцептрон (MLP), обученный с применением алгоритмов Левенберга – Марквардта (LM), байесовской регуляризации (BR) и алгоритма масштабируемых сопряженных градиентов (SCG); сеть радиально базисных функций (RBF); CatBoost; XGBoost; метод опорных векторов с использованием метода наименьших квадратов (LSSVM). Во-вторых, сформулирована оптимизированная эмпирическая корреляция, коэффициенты которой определены с помощью алгоритма нелинейной оптимизации обобщенного приведенного градиента (GRG) для минимизации общей погрешности прогнозирования на всем экспериментальном наборе данных. Среди моделей машинного обучения CatBoost продемонстрировал лучшую прогностическую производительность, достигнув значения AAPRE 0,094 % и коэффициента R2 0,996 на тестовом наборе данных. Разработанная корреляция на основе GRG также показала хорошее соответствие экспериментальным данным, одновременно представляя собой прозрачную и вычислительно эффективную альтернативу, подходящую для быстрых инженерных расчетов. Анализ чувствительности и значения рычага подтвердили надежность, статистическую достоверность и широкую применимость предложенных моделей в исследуемой области.

Область исследования:
Геотехнология и инженерная геология
Ключевые слова:
температура образования газовых гидратов метод опорных векторов с использованием метода наименьших квадратов машинное обучение многослойный перцептрон сеть радиально базисных функций обобщенный приведенный градиент
Финансирование:

Отсутствует

Приложение: 1 (xlsx)
Перейти к тому 280

Литература

  1. Safamirzaei M.P. Predict gas hydrate formation temperature with a simple correlation // Gas Processing Journal. 2015. July/August. P. 51-54.
  2. Esfahani S., Baselizadeh S., Hemmati-Sarapardeh A. On determination of natural gas density: Least square support vector machine modeling approach // Journal of Natural Gas Science and Engineering. 2015. Vol. 22. P. 348-358. DOI: 10.1016/j.jngse.2014.12.003
  3. Inkong K., Rangsunvigit P., Kulprathipanja S., Linga P. Effects of temperature and pressure on the methane hydrate formation with the presence of tetrahydrofuran (THF) as a promoter in an unstirred tank reactor // Fuel. 2019. Vol. 255. № 115705. DOI: 10.1016/j.fuel.2019.115705
  4. Tatar A., Barati-Harooni A., Najafi-Marghmaleki A. et al. Prediction of moisture content of natural gases using a GA-RBF model // Journal of Molecular Liquids. 2016. Vol. 223. P. 994-999. DOI: 10.1016/j.molliq.2016.08.108
  5. Jingzhou Wang, Lu Zhang, Ran Li et al. A simple generalized viscosity model for natural gas components and their mixtures based on free-volume theory // Journal of Molecular Liquids. 2020. Vol. 320. Part B. № 114483. DOI: 10.1016/j.molliq.2020.114483
  6. Jianbo Zhang, Zhiyuan Wang, Shun Liu et al. Prediction of hydrate deposition in pipelines to improve gas transportation efficiency and safety // Applied Energy. 2019. Vol. 253. № 113521. DOI: 10.1016/j.apenergy.2019.113521
  7. Yan Wang, Koh C.A., White J. et al. Hydrate formation management simulations with anti-agglomerants and thermodynamic inhibitors in a subsea tieback // Fuel. 2019. Vol. 252. P. 458-468. DOI: 10.1016/j.fuel.2019.04.146
  8. Zhiyuan Wang, Shikun Tong, Chao Wang et al. Hydrate deposition prediction model for deep-water gas wells under shut-in conditions // Fuel. 2020. Vol. 275. № 117944. DOI: 10.1016/j.fuel.2020.117944
  9. Olajire A.A. Flow assurance issues in deep-water gas well testing and mitigation strategies with respect to gas hydrates deposition in flowlines – A review // Journal of Molecular Liquids. 2020. Vol. 318. № 114203. DOI: 10.1016/j.molliq.2020.114203
  10. Chuanliang Yan, Yang Li, Yuanfang Cheng et al. Sand production evaluation during gas production from natural gas hydrates // Journal of Natural Gas Science and Engineering. 2018. Vol. 57. P. 77-88. DOI: 10.1016/j.jngse.2018.07.006
  11. Kelland M.A., Iversen J.E. Kinetic Hydrate Inhibition at Pressures up to 760 Bar in Deep Water Drilling Fluids // Energy & Fuels. 2010. Vol. 24. Iss. 5. P. 3003-3013. DOI: 10.1021/ef9016152
  12. Xin Zhao, Zhengsong Qiu, Zhen Zhang, Yubin Zhang. Relationship between the gas hydrate suppression temperature and water activity in the presence of thermodynamic hydrate inhibitor // Fuel. 2020. Vol. 264. № 116776. DOI: 10.1016/j.fuel.2019.116776
  13. Yarveicy H., Ghiasi M.M. Modeling of gas hydrate phase equilibria: Extremely randomized trees and LSSVM approaches // Journal of Molecular Liquids. 2017. Vol. 243. P. 533-541. DOI: 10.1016/j.molliq.2017.08.053
  14. Minwei Sun, Firoozabadi A. Gas hydrate powder formation – Ultimate solution in natural gas flow assurance // Fuel. 2015. Vol. 146. P. 1-5. DOI: 10.1016/j.fuel.2014.12.078
  15. Sloan Jr. E.D., Koh C.A. Clathrate Hydrates of Natural Gases. CRC press, 2007. 752 p. DOI: 10.1201/9781420008494
  16. Koh C.A., Westacott R.E., Zhang W. et al. Mechanisms of gas hydrate formation and inhibition // Fluid Phase Equilibria. 2002. Vol. 194-197. P. 143-151. DOI: 10.1016/S0378-3812(01)00660-4
  17. Huangjing Zhao, Minwei Sun, Firoozabadi A. Anti-agglomeration of natural gas hydrates in liquid condensate and crude oil at constant pressure conditions // Fuel. 2016. Vol. 180. P. 187-193. DOI: 10.1016/j.fuel.2016.03.029
  18. Li Wan, Na Zhang, De-Qing Liang. Inhibition effects of polysaccharides for gas hydrate formation in methane–water system // Journal of Molecular Liquids. 2019. Vol. 292. № 111435. DOI: 10.1016/j.molliq.2019.111435
  19. Liang Yang, Zhenzhen Liu, Daoping Liu et al. Enhanced natural gas hydrates formation in the suspension with metal particles and fibers // Journal of Molecular Liquids. 2020. Vol. 301. № 112410. DOI: 10.1016/j.molliq.2019.112410
  20. Hammerschmidt E. Formation of Gas Hydrates in Natural Gas Transmission Lines // Industrial & Engineering Chemistry. 1934. Vol. 26. Iss. 8. P. 851-855. DOI: 10.1021/ie50296a010
  21. Kondori J., Zendehboudi S., James L. New insights into methane hydrate dissociation: Utilization of molecular dynamics strategy // Fuel. 2019. Vol. 249. P. 264-276. DOI: 10.1016/j.fuel.2019.02.125
  22. Caili Dai, Yong Hu, Yining Wu et al. Effects of structural properties of alcohol molecules on decomposition of natural gas hydrates: A molecular dynamics study // Fuel. 2020. Vol. 268. № 117322. DOI: 10.1016/j.fuel.2020.117322
  23. Bingbing Chen, Huiru Sun, Kehan Li et al. Experimental investigation of natural gas hydrate production characteristics via novel combination modes of depressurization with water flow erosion // Fuel. 2019. Vol. 252. P. 295-303. DOI: 10.1016/j.fuel.2019.04.120
  24. Yutaek Seo, Seong-Pil Kang. Inhibition of methane hydrate re-formation in offshore pipelines with a kinetic hydrate inhibitor // Journal of Petroleum Science and Engineering. 2012. Vol. 88-89. P. 61-66. DOI: 10.1016/j.petrol.2011.11.001
  25. Ju Dong Lee, Englezos P. Unusual kinetic inhibitor effects on gas hydrate formation // Chemical Engineering Science. 2006. Vol. 61. Iss. 5. P. 1368-1376. DOI: 10.1016/j.ces.2005.08.009
  26. Bo-Hui Shi, Shang-Fei Song, Xiao-Fang Lv et al. Investigation on natural gas hydrate dissociation from a slurry to a water-in-oil emulsion in a high-pressure flow loop // Fuel. 2018. Vol. 233. P. 743-758. DOI: 10.1016/j.fuel.2018.06.054
  27. Bahadori A. Fluid Phase Behavior for Conventional and Unconventional Oil and Gas Reservoirs. Gulf Professional Publishing, 2017. 554 p.
  28. Soroush E., Mesbah M., Shokrollahi A. et al. Evolving a robust modeling tool for prediction of natural gas hydrate formation conditions // Journal of Unconventional Oil and Gas Resources. 2015. Vol. 12. P. 45-55. DOI: 10.1016/j.juogr.2015.09.002
  29. Mesbah M., Soroush E., Rezakazemi M. Development of a least squares support vector machine model for prediction of natural gas hydrate formation temperature // Chinese Journal of Chemical Engineering. 2017. Vol. 25. Iss. 9. P. 1238-1248. DOI: 10.1016/j.cjche.2016.09.007
  30. Berge B.K. Hydrate Predictions on a Microcomputer // Petroleum Industry Application of Microcomputers, 18-20 June 1986, Silvercreek, CO, USA. OnePetro, 1986. № SPE-15306-MS. DOI: 10.2118/15306-MS
  31. Motiee M. Estimate possibility of hydrates // Hydrocarbon Processing. 1991. Vol. 70. № 7. P. 98-99.
  32. Sun C.-Y., Chen G.-J., Lin W., Guo T.-M. Hydrate Formation Conditions of Sour Natural Gases // Journal of Chemical & Engineering Data. 2003. Vol. 48. Iss. 3. P. 600-602. DOI: 10.1021/je020155h
  33. Towler B., Mokhatab S. Quickly estimate hydrate formation conditions in natural gases // Hydrocarbon Processing. 2005. Vol. 84. № 4. P. 61-63.
  34. Salufu S.O., Nwakwo P. New Empirical Correlation for Predicting Hydrate Formation Conditions // SPE Nigeria Annual International Conference and Exhibition, 5-7 August 2013, Lagos, Nigeria. OnePetro, 2013. № SPE-167571-MS. DOI: 10.2118/167571-MS
  35. Safamirzaei M. Predict gas hydrate formation temperature with a simple correlation. URL: https://gasprocessingnews.com/articles/2015/08/predict-gas-hydrate-formation-temperature-with-a-simple-correlation/ (дата обращения 09.02.2025).
  36. Elgibaly A.A., Elkamel A.M. A new correlation for predicting hydrate formation conditions for various gas mixtures and inhibitors // Fluid Phase Equilibria. 1998. Vol. 152. Iss. 1. P. 23-42. DOI: 10.1016/S0378-3812(98)00368-9
  37. Zahedi G., Karami Z., Yaghoobi H. Prediction of hydrate formation temperature by both statistical models and artificial neural network approaches // Energy Conversion and Management. 2009. Vol. 50. Iss. 8. P. 2052-2059. DOI: 10.1016/j.enconman.2009.04.005
  38. Riazi S.H., Heydari H., Ahmadpour E. et al. Development of novel correlation for prediction of hydrate formation temperature based on intelligent optimization algorithms // Journal of Natural Gas Science and Engineering. 2014. Vol. 18. P. 377-384. DOI: 10.1016/j.jngse.2014.03.012
  39. Hesami S.M., Dehghani M., Kamali Z., Bakyani A.E. Developing a simple-to-use predictive model for prediction of hydrate formation temperature // International Journal of Ambient Energy. 2017. Vol. 38. Iss. 4. P. 380-388. DOI: 10.1080/01430750.2015.1100678
  40. Amar M.N. Prediction of hydrate formation temperature using gene expression programming // Journal of Natural Gas Science and Engineering. 2021. Vol. 89. № 103879. DOI: 10.1016/j.jngse.2021.103879
  41. Mesbah M., Habibnia S., Ahmadi S. et al. Developing a robust correlation for prediction of sweet and sour gas hydrate formation temperature // Petroleum. 2022. Vol. 8. Iss. 2. P. 204-209. DOI: 10.1016/j.petlm.2020.07.007
  42. Hosseini M., Leonenko Y. A reliable model to predict the methane-hydrate equilibrium: An updated database and machine learning approach // Renewable and Sustainable Energy Reviews. 2023. Vol. 173. № 113103. DOI: 10.1016/j.rser.2022.113103
  43. Karaköse M., Yücel Ö. Predictive Modeling of the Hydrate Formation Temperature in Highly Pressurized Natural Gas Pipelines // Energies. 2024. Vol. 17. Iss. 21. № 5306. DOI: 10.3390/en17215306
  44. Khan N., Khan Ya., Zhang Lei et al. Investigating a User-Friendly Machine Learning Approach to Predict the Gas Hydrate Formation Temperature Available to Purchase // Journal of the Geological Society of India. 2026. Vol. 102 (4). Р. 555-565. DOI: 10.17491/jgsi/2026/174383
  45. Aleem W., Ahmad S., Qamar S. et al. Exploring Machine Learning Techniques for Accurate Prediction of Methane Hydrate Formation Temperature in Brine: A Comparative Study // Arabian Journal for Science and Engineering. 2024. Vol. 49. Iss. 6. P. 8983-8996. DOI: 10.1007/s13369-024-09030-5
  46. Khafaie M., Masoumeh M., Azimi A., Mohammadi A. Comparing ANN with PSO-ANN in Prediction of Natural Gas Hydrate Formation Parameters // Journal of the Japan Petroleum Institute. 2025. Vol. 68. Iss. 2. P. 53-60. DOI: 10.1627/jpi.68.53
  47. Mahmood Riyadh Atta, Akram Fadhl Al-Mahmodi, Bhajan Lal et al. Artificial Intelligence and Machine Learning in Thermodynamic Gas Hydrate Studies: A Review // Energy & Fuels. 2025. Vol. 39. Iss. 38. P. 18287-18310. DOI: 10.1021/acs.energyfuels.5c02863
  48. Mokwenye P.O. Evaluation Of Gas Hydrate In Gas Pipeline Transportation: A Thesis Submitted to the Graduate Faculty of the University of North Dakota In partial fulfillment of the requirements for the degree of Master of Science. Grand Forks, 2020. 107 p. (№ 3383). URL: https://commons.und.edu/theses/3383/ (дата обращения 09.02.2025).
  49. Azizi J., Azizi J., Davarnejad R. Prediction of Gas Hydrate Formation using HYSYS Software // International Journal of Engineering, Transactions C: Aspects. 2014. Vol. 27. Iss. 9. P. 1325-1330.
  50. Bahadori A., Vuthaluru H.B. A novel correlation for estimation of hydrate forming condition of natural gases // Journal of Natural Gas Chemistry. 2009. Vol. 18. Iss. 4. P. 453-457. DOI: 10.1016/S1003-9953(08)60143-7
  51. Wilcox W.I., Carson D.B., Katz D.L. Natural Gas Hydrates // Industrial & Engineering Chemistry. 1941. Vol. 33. Iss. 5. P. 662-665. DOI: 10.1021/ie50377a027
  52. Guang-Jin Chen, Tian-Min Guo. Thermodynamic modeling of hydrate formation based on new concepts // Fluid Phase Equilibria. 1996. Vol. 122. Iss. 1-2. P. 43-65. DOI: 10.1016/0378-3812(96)03032-4
  53. Jøssang A., Stange E. A new predictive activity model for aqueous salt solutions // Fluid Phase Equilibria. 2001. Vol. 181. Iss. 1-2. P. 33-46. DOI: 10.1016/S0378-3812(00)00515-X
  54. Sloan E.D. Clathrate hydrates of natural gases. Marcel Dekker, New York, 1990. 641 p.
  55. Nasrifar K., Moshfeghian M. A model for prediction of gas hydrate formation conditions in aqueous solutions containing electrolytes and/or alcohol // The Journal of Chemical Thermodynamics. 2001. Vol. 33. Iss. 9. P. 999-1014. DOI: 10.1006/jcht.2000.0811
  56. Deaton W.M., Frost E.M. Gas hydrates and their relation to the operation of natural-gas pipe mines. American Gas Asso-ciation. United States. Bureau of Mines. Monograph 8. P. 101.
  57. Hashemkhani M., Soleimani R., Fazeli H. et al. Prediction of the binary surface tension of mixtures containing ionic liquids using Support Vector Machine algorithms // Journal of Molecular Liquids. 2015. Vol. 211. P. 534-552. DOI: 10.1016/j.molliq.2015.07.038
  58. Suykens J.A.K., Van Gestel T., De Brabanter J. et al. Least Squares Support Vector Machines. World Scientific, 2002. 308 p. DOI: 10.1142/5089
  59. Suykens J.A.K., Vandewalle J. Least Squares Support Vector Machine Classifiers // Neural Processing Letters. 1999. Vol. 9. Iss. 3. P. 293-300. DOI: 10.1023/A:1018628609742
  60. Suykens J.A.K., De Brabanter J., Lukas L., Vandewalle J. Weighted least squares support vector machines: robustness and sparse approximation // Neurocomputing. 2002. Vol. 48. Iss. 1-4. P. 85-105. DOI: 10.1016/S0925-2312(01)00644-0
  61. Varamesh A., Hemmati-Sarapardeh A., Keshavarz Moraveji M., Mohammadi A.H. Generalized models for predicting the critical properties of pure chemical compounds // Journal of Molecular Liquids. 2017. Vol. 240. P. 777-793. DOI: 10.1016/j.molliq.2017.05.023
  62. Varamesh A., Hemmati-Sarapardeh A., Dabir B., Mohammadi A.H. Development of robust generalized models for estimating the normal boiling points of pure chemical compounds // Journal of Molecular Liquids. 2017. Vol. 242. P. 59-69. DOI: 10.1016/j.molliq.2017.06.039
  63. Ningbo Zhao, Xueyou Wen, Jialong Yang et al. Modeling and prediction of viscosity of water-based nanofluids by radial basis function neural networks // Powder Technology. 2015. Vol. 281. P. 173-183. DOI: 10.1016/j.powtec.2015.04.058
  64. Faris H., Aljarah I., Mirjalili S. Evolving Radial Basis Function Networks Using Moth–Flame Optimizer // Handbook of Neural Computation. Elsevier, 2017. P. 537-550. DOI: 10.1016/B978-0-12-811318-9.00028-4
  65. Hemmati-Sarapardeh A., Varamesh A., Husein M.M., Karan K. On the evaluation of the viscosity of nanofluid systems: Modeling and data assessment // Renewable and Sustainable Energy Reviews. 2018. Vol. 81. Part 1. P. 313-329. DOI: 10.1016/j.rser.2017.07.049
  66. Turnbull D., Elkan C. Fast recognition of musical genres using RBF networks // IEEE Transactions on Knowledge and Data Engineering. 2005. Vol. 17. Iss. 4. P. 580-584. DOI: 10.1109/TKDE.2005.62
  67. Mehrjoo H., Riazi M., Nait Amar M., Hemmati-Sarapardeh A. Modeling interfacial tension of methane-brine systems at high pressure and high salinity conditions // Journal of the Taiwan Institute of Chemical Engineers. 2020. Vol. 114. P. 125-141. DOI: 10.1016/j.jtice.2020.09.014
  68. Riazi M., Mehrjoo H., Nait Amar M. et al. Modeling the density of acid gases at extensive ranges of pressure and temperature conditions // Journal of Petroleum Science and Engineering, 2021. Vol. 207. № 109063. DOI: 10.1016/j.petrol.2021.109063
  69. Rostami A., Hemmati-Sarapardeh A., Shamshirband S. Rigorous prognostication of natural gas viscosity: Smart modeling and comparative study // Fuel. 2018. Vol. 222. P. 766-778. DOI: 10.1016/j.fuel.2018.02.069
  70. Zendehboudi A., Tatar A., Xianting Li. A comparative study and prediction of the liquid desiccant dehumidifiers using intelligent models // Renewable Energy. 2017. Vol. 114. Part B. P. 1023-1035. DOI: 10.1016/j.renene.2017.07.078
  71. Riazi M., Mehrjoo H., Nakhaei R. et al. Modelling rate of penetration in drilling operations using RBF, MLP, LSSVM, and DT models // Scientific Reports. 2022. Vol. 12. № 11650. DOI: 10.1038/s41598-022-14710-z
  72. Dabiri M.-S., Hadavimoghaddam F., Ashoorian S. et al. Modeling liquid rate through wellhead chokes using machine learning techniques // Scientific Reports. 2024. Vol. 14. № 6945. DOI: 10.1038/s41598-024-54010-2
  73. Xinyuan Zou, Yingting Zhu, Jing Lv et al. Toward Estimating CO2 Solubility in Pure Water and Brine Using Cascade Forward Neural Network and Generalized Regression Neural Network: Application to CO2 Dissolution Trapping in Saline Aquifers // ACS Omega. 2024. Vol. 9. Iss. 4. P. 4705-4720. DOI: 10.1021/acsomega.3c07962
  74. Nanda A.K., Neelakandan S., Gupta S. et al. Multi-layer perceptron’s neural network with optimization algorithm for greenhouse gas forecasting systems // Environmental Challenges. 2023. Vol. 11. № 100708. DOI: 10.1016/j.envc.2023.100708
  75. MacKay D.J.C. Bayesian Interpolation // Neural Computation. 1992. Vol. 4. Iss. 3. P. 415-447. DOI: 10.1162/neco.1992.4.3.415
  76. Makomere R., Rutto H., Koech L., Banza M. The use of artificial neural network (ANN) in dry flue gas desulphurization modelling: Levenberg–Marquardt (LM) and Bayesian regularization (BR) algorithm comparison // The Canadian Journal of Chemical Engineering. 2023. Vol. 101. Iss. 6. P. 3273-3286. DOI: 10.1002/cjce.24715
  77. Chavoshi S., Safamirzaei M., Pajoum Shariati F. Evaluation of Empirical Correlations for Predicting Gas Hydrate Formation Temperature // Gas Processing Journal. 2018. Vol. 6. Iss. 2. P. 15-36. DOI: 10.22108/gpj.2018.112052.1036
  78. Shateri M., Ghorbani S., Hemmati-Sarapardeh A., Mohammadi A.H. Application of Wilcoxon generalized radial basis function network for prediction of natural gas compressibility factor // Journal of the Taiwan Institute of Chemical Engineers. 2015. Vol. 50. P. 131-141. DOI: 10.1016/j.jtice.2014.12.011
  79. Benamara C., Gharbi K., Nait Amar M., Hamada B. Prediction of Wax Appearance Temperature Using Artificial Intelligent Techniques // Arabian Journal for Science and Engineering. 2020. Vol. 45. Iss. 2. P. 1319-1330. DOI: 10.1007/s13369-019-04290-y
  80. Castillo E., Hadi A.S., Conejo A., Fernández-Canteli A. A General Method for Local Sensitivity Analysis With Application to Regression Models and Other Optimization Problems // Technometrics. 2004. Vol. 46. Iss. 4. P. 430-444. DOI: 10.1198/004017004000000509
  81. Rousseeuw P.J., Leroy A.M. Robust Regression and Outlier Detection. John Wiley & Sons, 2003. 360 p.
  82. Mehrjoo H., Riazi M., Rezaei F. et al. Modeling interfacial tension of methane-brine systems at high pressure high temperature conditions // Geoenergy Science and Engineering. 2024. Vol. 242. № 213258. DOI: 10.1016/j.geoen.2024.213258
  83. Dabiri M.-S., Haji-Hashemi R., Ashoorian S. et al. Modeling drilling fluid density at high-pressure high-temperature conditions using advanced machine-learning techniques // Geoenergy Science and Engineering. 2025. Vol. 244. № 213369. DOI: 10.1016/j.geoen.2024.213369
Статистика
Просмотр аннотаций
57
Просмотр полного текста
24
Процитировано
Scopus:
0
Crossref:
0
Меню статьи

Похожие статьи

Исследование «колчеданского янтаря» с помощью ИК-спектроскопии
2026 П. И. Алексеев, Е. А. Васильев
Совершенствование конструкции наддолотного калибрующе-эжекционного устройства для повышения эффективности разрушения горных пород в процессе строительства скважин
2026 Д. А. Борейко, Н. Д. Цхадая, Д. Ю. Сериков, В. А. Хламов
Возможности радонового мониторинга в краткосрочном прогнозе землетрясений
2026 И. А. Козлова, С. В. Бирюлин, А. К. Юрков
Особенности морфологии, внутреннего строения и состава самородного золота Мурзинской группы россыпей (Средний Урал): определения коренных источников и условий формирования россыпей золота
2026 А. К. Козин, С. Ю. Степанов, Р. С. Паламарчук, В. С. Жданова, Н. С. Власенко
Микрофрагменты метеорита Саратов в магнитной фракции современных почв: поиск и идентификация
2026 А. В. Иванов, Р. Р. Габдуллин, С. И. Меренкова, А. А. Самсонов, А. В. Чистякова, Д. Ф. Аяцков, М. А. Винник, Е. Ю. Погожев, А. Е. Тельнов, Ю. А. Чуриков, Н. Н. Анисимов, Н. В. Бадулина
Анализ технико-технологического комплекса исследований подледниковых озер Антарктиды
2026 И. В. Ракитин, Д. А. Васильев, А. В. Большунов, А. Ю. Ожигин