Randrianasolo rinah (26 resultados)

Condición: New.

Condición: New.

Condición: New.

Condición: New.

Condición: New.

Taschenbuch. Condición: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware 52 pp. Englisch.

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Heavy oil exploitation presents significant energy and operational challenges due to high viscosity, which directly impacts the efficiency of thermal recovery processes. In Madagascar's Tsimiroro field, accurate viscosity prediction is critical for optimizing steam injection and mitigating excessive energy waste. This study adopts the Lean Six Sigma methodology as a structured framework to eliminate operational Mudas (wastes) related to steam overconsumption. A machine learning-based predictive framework was developed, comparing six distinct architectures: Linear Regression, Second-Degree Polynomial Regression, Support Vector Machine (SVM), Artificial Neural Network (ANN), Random Forest, and XGBoost. The results demonstrate that while the polynomial model achieves high statistical precision (R = 0.995, RMSE = 154.62 cSt), the Artificial Neural Network architecture delivers superior robustness (R = 1.000, RMSE = 154.62 cSt) in capturing complex non-linear thermal behaviors. XGBoost and Random Forest show competitive performance with R values of 0.90 and 0.91 respectively, while SVM exhibits the highest prediction errors (RMSE = 780 cSt). …

Taschenbuch. Condición: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -La explotación de petróleo pesado presenta importantes desafíos energéticos y operativos debido a su alta viscosidad, lo que impacta directamente en la eficiencia de los procesos de recuperación térmica. En el campo Tsimiroro de Madagascar, la predicción precisa de la viscosidad es fundamental para optimizar la inyección de vapor y mitigar el desperdicio excesivo de energía. Este estudio adopta la metodología Lean Six Sigma como marco estructurado para eliminar Mudas (desperdicios) operativos relacionados con el consumo excesivo de vapor. Se desarrolló un marco predictivo basado en aprendizaje automático, comparando seis arquitecturas distintas: regresión lineal, regresión polinómica de segundo grado, máquina de vectores de soporte (SVM), red neuronal artificial (ANN), bosque aleatorio y XGBoost. Los resultados demuestran que, si bien el modelo polinómico logra una alta precisión estadística (R = 0,995, RMSE = 154,62 cSt), la arquitectura de la red neuronal artificial ofrece una robustez superior (R = 1,000, RMSE = 154,62 cSt) al capturar comportamientos térmicos no lineales complejos. XGBoost y Random Forest muestran un rendimiento competitivo con valores R de 0,90 y 0,91 respectivamente, mientras que SVM exhibe los errores de predicción más altos (RMSE ¿ 780 cSt). 56 pp. Spanisch.…

Taschenbuch. Condición: Neu. This item is printed on demand - Print on Demand Titel. Neuware 52 pp. Englisch.

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - La explotación de petróleo pesado presenta importantes desafíos energéticos y operativos debido a su alta viscosidad, lo que impacta directamente en la eficiencia de los procesos de recuperación térmica. En el campo Tsimiroro de Madagascar, la predicción precisa de la viscosidad es fundamental para optimizar la inyección de vapor y mitigar el desperdicio excesivo de energía. Este estudio adopta la metodología Lean Six Sigma como marco estructurado para eliminar Mudas (desperdicios) operativos relacionados con el consumo excesivo de vapor. Se desarrolló un marco predictivo basado en aprendizaje automático, comparando seis arquitecturas distintas: regresión lineal, regresión polinómica de segundo grado, máquina de vectores de soporte (SVM), red neuronal artificial (ANN), bosque aleatorio y XGBoost. Los resultados demuestran que, si bien el modelo polinómico logra una alta precisión estadística (R = 0,995, RMSE = 154,62 cSt), la arquitectura de la red neuronal artificial ofrece una robustez superior (R = 1,000, RMSE = 154,62 cSt) al capturar comportamientos térmicos no lineales complejos. XGBoost y Random Forest muestran un rendimiento competitivo con valores R de 0,90 y 0,91 respectivamente, mientras que SVM exhibe los errores de predicción más altos (RMSE ¿ 780 cSt).…

Taschenbuch. Condición: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -L'exploitation du pétrole lourd présente d'importants défis énergétiques et opérationnels en raison de sa viscosité élevée, qui a un impact direct sur l'efficacité des processus de récupération thermique. Dans le champ de Tsimiroro à Madagascar, une prévision précise de la viscosité est essentielle pour optimiser l'injection de vapeur et atténuer le gaspillage d'énergie excessif. Cette étude adopte la méthodologie Lean Six Sigma comme cadre structuré pour éliminer les mudas opérationnels (déchets) liés à la surconsommation de vapeur. Un cadre prédictif basé sur l'apprentissage automatique a été développé, comparant six architectures distinctes : régression linéaire, régression polynomiale du deuxième degré, machine à vecteurs de support (SVM), réseau neuronal artificiel (ANN), forêt aléatoire et XGBoost. Les résultats démontrent que même si le modèle polynomial atteint une précision statistique élevée (R = 0,995, RMSE = 154,62 cSt), l'architecture du réseau neuronal artificiel offre une robustesse supérieure (R = 1,000, RMSE = 154,62 cSt) pour capturer des comportements thermiques non linéaires complexes. XGBoost et Random Forest affichent des performances compétitives avec des valeurs R de 0,90 et 0,91 respectivement, tandis que SVM présente les erreurs de prédiction les plus élevées (RMSE ¿ 780 cSt). 56 pp. Französisch.…

Taschenbuch. Condición: Neu. This item is printed on demand - Print on Demand Titel. Neuware -La explotación de petróleo pesado presenta importantes desafíos energéticos y operativos debido a su alta viscosidad, lo que impacta directamente en la eficiencia de los procesos de recuperación térmica. En el campo Tsimiroro de Madagascar, la predicción precisa de la viscosidad es fundamental para optimizar la inyección de vapor y mitigar el desperdicio excesivo de energía. Este estudio adopta la metodología Lean Six Sigma como marco estructurado para eliminar Mudas (desperdicios) operativos relacionados con el consumo excesivo de vapor. Se desarrolló un marco predictivo basado en aprendizaje automático, comparando seis arquitecturas distintas: regresión lineal, regresión polinómica de segundo grado, máquina de vectores de soporte (SVM), red neuronal artificial (ANN), bosque aleatorio y XGBoost. Los resultados demuestran que, si bien el modelo polinómico logra una alta precisión estadística (R = 0,995, RMSE = 154,62 cSt), la arquitectura de la red neuronal artificial ofrece una robustez superior (R = 1,000, RMSE = 154,62 cSt) al capturar comportamientos térmicos no lineales complejos. XGBoost y Random Forest muestran un rendimiento competitivo con valores R de 0,90 y 0,91 respectivamente, mientras que SVM exhibe los errores de predicción más altos (RMSE ¿ 780 cSt). 56 pp. Spanisch.…

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - L'exploitation du pétrole lourd présente d'importants défis énergétiques et opérationnels en raison de sa viscosité élevée, qui a un impact direct sur l'efficacité des processus de récupération thermique. Dans le champ de Tsimiroro à Madagascar, une prévision précise de la viscosité est essentielle pour optimiser l'injection de vapeur et atténuer le gaspillage d'énergie excessif. Cette étude adopte la méthodologie Lean Six Sigma comme cadre structuré pour éliminer les mudas opérationnels (déchets) liés à la surconsommation de vapeur. Un cadre prédictif basé sur l'apprentissage automatique a été développé, comparant six architectures distinctes : régression linéaire, régression polynomiale du deuxième degré, machine à vecteurs de support (SVM), réseau neuronal artificiel (ANN), forêt aléatoire et XGBoost. Les résultats démontrent que même si le modèle polynomial atteint une précision statistique élevée (R = 0,995, RMSE = 154,62 cSt), l'architecture du réseau neuronal artificiel offre une robustesse supérieure (R = 1,000, RMSE = 154,62 cSt) pour capturer des comportements thermiques non linéaires complexes. XGBoost et Random Forest affichent des performances compétitives avec des valeurs R de 0,90 et 0,91 respectivement, tandis que SVM présente les erreurs de prédiction les plus élevées (RMSE = 780 cSt). …

Taschenbuch. Condición: Neu. This item is printed on demand - Print on Demand Titel. Neuware -L'exploitation du pétrole lourd présente d'importants défis énergétiques et opérationnels en raison de sa viscosité élevée, qui a un impact direct sur l'efficacité des processus de récupération thermique. Dans le champ de Tsimiroro à Madagascar, une prévision précise de la viscosité est essentielle pour optimiser l'injection de vapeur et atténuer le gaspillage d'énergie excessif. Cette étude adopte la méthodologie Lean Six Sigma comme cadre structuré pour éliminer les mudas opérationnels (déchets) liés à la surconsommation de vapeur. Un cadre prédictif basé sur l'apprentissage automatique a été développé, comparant six architectures distinctes : régression linéaire, régression polynomiale du deuxième degré, machine à vecteurs de support (SVM), réseau neuronal artificiel (ANN), forêt aléatoire et XGBoost. Les résultats démontrent que même si le modèle polynomial atteint une précision statistique élevée (R = 0,995, RMSE = 154,62 cSt), l'architecture du réseau neuronal artificiel offre une robustesse supérieure (R = 1,000, RMSE = 154,62 cSt) pour capturer des comportements thermiques non linéaires complexes. XGBoost et Random Forest affichent des performances compétitives avec des valeurs R de 0,90 et 0,91 respectivement, tandis que SVM présente les erreurs de prédiction les plus élevées (RMSE ¿ 780 cSt). 56 pp. Französisch. …

Taschenbuch. Condición: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -Eksploatacja oleju ci¿¿kiego wi¿¿e si¿ ze znacznymi wyzwaniami energetycznymi i operacyjnymi ze wzgl¿du na wysok¿ lepko¿¿, która bezpo¿rednio wp¿ywa na efektywno¿¿ procesów odzysku termicznego. Na polu Tsimiroro na Madagaskarze dok¿adne przewidywanie lepko¿ci ma kluczowe znaczenie dla optymalizacji wtrysku pary i ograniczenia nadmiernych strat energii. W tym badaniu przyj¿to metodologi¿ Lean Six Sigma jako ustrukturyzowane ramy maj¿ce na celu wyeliminowanie operacyjnych Mud (odpadów) zwi¿zanych z nadmiernym zu¿yciem pary. Opracowano platform¿ predykcyjn¿ opart¿ na uczeniu maszynowym, porównuj¿c sze¿¿ ró¿nych architektur: regresj¿ liniow¿, regresj¿ wielomianow¿ drugiego stopnia, maszyn¿ wektorów no¿nych (SVM), sztuczn¿ sie¿ neuronow¿ (ANN), losowy las i XGBoost. Wyniki pokazuj¿, ¿e chociä model wielomianowy osi¿ga wysok¿ precyzj¿ statystyczn¿ (R = 0,995, RMSE = 154,62 cSt), architektura sztucznej sieci neuronowej zapewnia doskonä¿ niezawodno¿¿ (R = 1,000, RMSE = 154,62 cSt) w wychwytywaniu z¿o¿onych nieliniowych zachowä termicznych. XGBoost i Random Forest wykazuj¿ konkurencyjn¿ wydajno¿¿ z warto¿ciami R odpowiednio 0,90 i 0,91, podczas gdy SVM wykazuje najwy¿sze b¿¿dy przewidywania (RMSE ¿ 780 cSt). 56 pp. Polnisch.…

Taschenbuch. Condición: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -Die Schwerölförderung stellt aufgrund der hohen Viskosität erhebliche Energie- und Betriebsherausforderungen dar, die sich direkt auf die Effizienz thermischer Rückgewinnungsprozesse auswirken. Im Tsimiroro-Feld in Madagaskar ist eine genaue Viskositätsvorhersage von entscheidender Bedeutung für die Optimierung der Dampfeinspritzung und die Reduzierung übermäßiger Energieverschwendung. In dieser Studie wird die Lean-Six-Sigma-Methodik als strukturierter Rahmen zur Beseitigung betrieblicher Mudas (Verschwendungen) im Zusammenhang mit Dampfüberverbrauch verwendet. Es wurde ein auf maschinellem Lernen basierendes Vorhersage-Framework entwickelt, das sechs verschiedene Architekturen vergleicht: lineare Regression, Polynomregression zweiten Grades, Support Vector Machine (SVM), künstliches neuronales Netzwerk (ANN), Random Forest und XGBoost. Die Ergebnisse zeigen, dass das Polynommodell zwar eine hohe statistische Präzision (R = 0,995, RMSE = 154,62 cSt) erreicht, die Architektur des künstlichen neuronalen Netzwerks jedoch eine überlegene Robustheit (R = 1,000, RMSE = 154,62 cSt) bei der Erfassung komplexer nichtlinearer thermischer Verhaltensweisen bietet. XGBoost und Random Forest zeigen eine konkurrenzfähige Leistung mit R -Werten von 0,90 bzw. 0,91, während SVM die höchsten Vorhersagefehler aufweist (RMSE ¿ 780 cSt). 60 pp. Deutsch.…

Taschenbuch. Condición: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -Lo sfruttamento del petrolio pesante presenta notevoli sfide energetiche e operative a causa dell'elevata viscosità, che incide direttamente sull'efficienza dei processi di recupero termico. Nel giacimento di Tsimiroro, in Madagascar, una previsione accurata della viscosità è fondamentale per ottimizzare l'iniezione di vapore e mitigare gli eccessivi sprechi energetici. Questo studio adotta la metodologia Lean Six Sigma come quadro strutturato per eliminare i Mudas operativi (rifiuti) legati al consumo eccessivo di vapore. È stato sviluppato un quadro predittivo basato sull'apprendimento automatico, confrontando sei architetture distinte: regressione lineare, regressione polinomiale di secondo grado, Support Vector Machine (SVM), rete neurale artificiale (ANN), foresta casuale e XGBoost. I risultati dimostrano che mentre il modello polinomiale raggiunge un'elevata precisione statistica (R = 0,995, RMSE = 154,62 cSt), l'architettura della rete neurale artificiale offre una robustezza superiore (R = 1.000, RMSE = 154,62 cSt) nell'acquisizione di comportamenti termici non lineari complessi. XGBoost e Random Forest mostrano prestazioni competitive con valori R rispettivamente di 0,90 e 0,91, mentre SVM mostra gli errori di previsione più elevati (RMSE ¿ 780 cSt). 56 pp. Italienisch.…

Taschenbuch. Condición: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -A exploração de petróleo pesado apresenta desafios energéticos e operacionais significativos devido à alta viscosidade, o que impacta diretamente na eficiência dos processos de recuperação térmica. No campo Tsimiroro de Madagascar, a previsão precisa da viscosidade é crítica para otimizar a injeção de vapor e mitigar o desperdício excessivo de energia. Este estudo adota a metodologia Lean Six Sigma como framework estruturado para eliminar Mudas (desperdícios) operacionais relacionados ao consumo excessivo de vapor. Uma estrutura preditiva baseada em aprendizado de máquina foi desenvolvida, comparando seis arquiteturas distintas: Regressão Linear, Regressão Polinomial de Segundo Grau, Máquina de Vetores de Suporte (SVM), Rede Neural Artificial (RNA), Floresta Aleatória e XGBoost. Os resultados demonstram que enquanto o modelo polinomial atinge alta precisão estatística (R = 0,995, RMSE = 154,62 cSt), a arquitetura da Rede Neural Artificial oferece robustez superior (R = 1,000, RMSE = 154,62 cSt) na captura de comportamentos térmicos não lineares complexos. XGBoost e Random Forest apresentam desempenho competitivo com valores de R de 0,90 e 0,91 respectivamente, enquanto SVM exibe os maiores erros de predição (RMSE ¿ 780 cSt). 56 pp. Portugiesisch.…

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - A exploração de petróleo pesado apresenta desafios energéticos e operacionais significativos devido à alta viscosidade, o que impacta diretamente na eficiência dos processos de recuperação térmica. No campo Tsimiroro de Madagascar, a previsão precisa da viscosidade é crítica para otimizar a injeção de vapor e mitigar o desperdício excessivo de energia. Este estudo adota a metodologia Lean Six Sigma como framework estruturado para eliminar Mudas (desperdícios) operacionais relacionados ao consumo excessivo de vapor. Uma estrutura preditiva baseada em aprendizado de máquina foi desenvolvida, comparando seis arquiteturas distintas: Regressão Linear, Regressão Polinomial de Segundo Grau, Máquina de Vetores de Suporte (SVM), Rede Neural Artificial (RNA), Floresta Aleatória e XGBoost. Os resultados demonstram que enquanto o modelo polinomial atinge alta precisão estatística (R = 0,995, RMSE = 154,62 cSt), a arquitetura da Rede Neural Artificial oferece robustez superior (R = 1,000, RMSE = 154,62 cSt) na captura de comportamentos térmicos não lineares complexos. XGBoost e Random Forest apresentam desempenho competitivo com valores de R de 0,90 e 0,91 respectivamente, enquanto SVM exibe os maiores erros de predição (RMSE ¿ 780 cSt).…

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Lo sfruttamento del petrolio pesante presenta notevoli sfide energetiche e operative a causa dell'elevata viscosità, che incide direttamente sull'efficienza dei processi di recupero termico. Nel giacimento di Tsimiroro, in Madagascar, una previsione accurata della viscosità è fondamentale per ottimizzare l'iniezione di vapore e mitigare gli eccessivi sprechi energetici. Questo studio adotta la metodologia Lean Six Sigma come quadro strutturato per eliminare i Mudas operativi (rifiuti) legati al consumo eccessivo di vapore. È stato sviluppato un quadro predittivo basato sull'apprendimento automatico, confrontando sei architetture distinte: regressione lineare, regressione polinomiale di secondo grado, Support Vector Machine (SVM), rete neurale artificiale (ANN), foresta casuale e XGBoost. I risultati dimostrano che mentre il modello polinomiale raggiunge un'elevata precisione statistica (R = 0,995, RMSE = 154,62 cSt), l'architettura della rete neurale artificiale offre una robustezza superiore (R = 1.000, RMSE = 154,62 cSt) nell'acquisizione di comportamenti termici non lineari complessi. XGBoost e Random Forest mostrano prestazioni competitive con valori R rispettivamente di 0,90 e 0,91, mentre SVM mostra gli errori di previsione più elevati (RMSE ¿ 780 cSt).…

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Eksploatacja oleju ci¿¿kiego wi¿¿e si¿ ze znacznymi wyzwaniami energetycznymi i operacyjnymi ze wzgl¿du na wysok¿ lepko¿¿, która bezpo¿rednio wp¿ywa na efektywno¿¿ procesów odzysku termicznego. Na polu Tsimiroro na Madagaskarze dok¿adne przewidywanie lepko¿ci ma kluczowe znaczenie dla optymalizacji wtrysku pary i ograniczenia nadmiernych strat energii. W tym badaniu przyj¿to metodologi¿ Lean Six Sigma jako ustrukturyzowane ramy maj¿ce na celu wyeliminowanie operacyjnych Mud (odpadów) zwi¿zanych z nadmiernym zu¿yciem pary. Opracowano platform¿ predykcyjn¿ opart¿ na uczeniu maszynowym, porównuj¿c sze¿¿ ró¿nych architektur: regresj¿ liniow¿, regresj¿ wielomianow¿ drugiego stopnia, maszyn¿ wektorów no¿nych (SVM), sztuczn¿ sie¿ neuronow¿ (ANN), losowy las i XGBoost. Wyniki pokazuj¿, ¿e chociä model wielomianowy osi¿ga wysok¿ precyzj¿ statystyczn¿ (R = 0,995, RMSE = 154,62 cSt), architektura sztucznej sieci neuronowej zapewnia doskonä¿ niezawodno¿¿ (R = 1,000, RMSE = 154,62 cSt) w wychwytywaniu z¿o¿onych nieliniowych zachowä termicznych. XGBoost i Random Forest wykazuj¿ konkurencyjn¿ wydajno¿¿ z warto¿ciami R odpowiednio 0,90 i 0,91, podczas gdy SVM wykazuje najwy¿sze b¿¿dy przewidywania (RMSE ¿ 780 cSt).…

Taschenbuch. Condición: Neu. This item is printed on demand - Print on Demand Titel. Neuware -Die Schwerölförderung stellt aufgrund der hohen Viskosität erhebliche Energie- und Betriebsherausforderungen dar, die sich direkt auf die Effizienz thermischer Rückgewinnungsprozesse auswirken. Im Tsimiroro-Feld in Madagaskar ist eine genaue Viskositätsvorhersage von entscheidender Bedeutung für die Optimierung der Dampfeinspritzung und die Reduzierung übermäßiger Energieverschwendung. In dieser Studie wird die Lean-Six-Sigma-Methodik als strukturierter Rahmen zur Beseitigung betrieblicher Mudas (Verschwendungen) im Zusammenhang mit Dampfüberverbrauch verwendet. Es wurde ein auf maschinellem Lernen basierendes Vorhersage-Framework entwickelt, das sechs verschiedene Architekturen vergleicht: lineare Regression, Polynomregression zweiten Grades, Support Vector Machine (SVM), künstliches neuronales Netzwerk (ANN), Random Forest und XGBoost. Die Ergebnisse zeigen, dass das Polynommodell zwar eine hohe statistische Präzision (R = 0,995, RMSE = 154,62 cSt) erreicht, die Architektur des künstlichen neuronalen Netzwerks jedoch eine überlegene Robustheit (R = 1,000, RMSE = 154,62 cSt) bei der Erfassung komplexer nichtlinearer thermischer Verhaltensweisen bietet. XGBoost und Random Forest zeigen eine konkurrenzfähige Leistung mit R -Werten von 0,90 bzw. 0,91, während SVM die höchsten Vorhersagefehler aufweist (RMSE ¿ 780 cSt). 60 pp. Deutsch.…

Taschenbuch. Condición: Neu. This item is printed on demand - Print on Demand Titel. Neuware -Lo sfruttamento del petrolio pesante presenta notevoli sfide energetiche e operative a causa dell'elevata viscosità, che incide direttamente sull'efficienza dei processi di recupero termico. Nel giacimento di Tsimiroro, in Madagascar, una previsione accurata della viscosità è fondamentale per ottimizzare l'iniezione di vapore e mitigare gli eccessivi sprechi energetici. Questo studio adotta la metodologia Lean Six Sigma come quadro strutturato per eliminare i Mudas operativi (rifiuti) legati al consumo eccessivo di vapore. È stato sviluppato un quadro predittivo basato sull'apprendimento automatico, confrontando sei architetture distinte: regressione lineare, regressione polinomiale di secondo grado, Support Vector Machine (SVM), rete neurale artificiale (ANN), foresta casuale e XGBoost. I risultati dimostrano che mentre il modello polinomiale raggiunge un'elevata precisione statistica (R = 0,995, RMSE = 154,62 cSt), l'architettura della rete neurale artificiale offre una robustezza superiore (R = 1.000, RMSE = 154,62 cSt) nell'acquisizione di comportamenti termici non lineari complessi. XGBoost e Random Forest mostrano prestazioni competitive con valori R rispettivamente di 0,90 e 0,91, mentre SVM mostra gli errori di previsione più elevati (RMSE ¿ 780 cSt). 56 pp. Italienisch.…

Taschenbuch. Condición: Neu. This item is printed on demand - Print on Demand Titel. Neuware -Eksploatacja oleju ci¿¿kiego wi¿¿e si¿ ze znacznymi wyzwaniami energetycznymi i operacyjnymi ze wzgl¿du na wysok¿ lepko¿¿, która bezpo¿rednio wp¿ywa na efektywno¿¿ procesów odzysku termicznego. Na polu Tsimiroro na Madagaskarze dok¿adne przewidywanie lepko¿ci ma kluczowe znaczenie dla optymalizacji wtrysku pary i ograniczenia nadmiernych strat energii. W tym badaniu przyj¿to metodologi¿ Lean Six Sigma jako ustrukturyzowane ramy maj¿ce na celu wyeliminowanie operacyjnych Mud (odpadów) zwi¿zanych z nadmiernym zu¿yciem pary. Opracowano platform¿ predykcyjn¿ opart¿ na uczeniu maszynowym, porównuj¿c sze¿¿ ró¿nych architektur: regresj¿ liniow¿, regresj¿ wielomianow¿ drugiego stopnia, maszyn¿ wektorów no¿nych (SVM), sztuczn¿ sie¿ neuronow¿ (ANN), losowy las i XGBoost. Wyniki pokazuj¿, ¿e chociä model wielomianowy osi¿ga wysok¿ precyzj¿ statystyczn¿ (R = 0,995, RMSE = 154,62 cSt), architektura sztucznej sieci neuronowej zapewnia doskonä¿ niezawodno¿¿ (R = 1,000, RMSE = 154,62 cSt) w wychwytywaniu z¿o¿onych nieliniowych zachowä termicznych. XGBoost i Random Forest wykazuj¿ konkurencyjn¿ wydajno¿¿ z warto¿ciami R odpowiednio 0,90 i 0,91, podczas gdy SVM wykazuje najwy¿sze b¿¿dy przewidywania (RMSE ¿ 780 cSt). 56 pp. Polnisch.…

Taschenbuch. Condición: Neu. This item is printed on demand - Print on Demand Titel. Neuware -A exploração de petróleo pesado apresenta desafios energéticos e operacionais significativos devido à alta viscosidade, o que impacta diretamente na eficiência dos processos de recuperação térmica. No campo Tsimiroro de Madagascar, a previsão precisa da viscosidade é crítica para otimizar a injeção de vapor e mitigar o desperdício excessivo de energia. Este estudo adota a metodologia Lean Six Sigma como framework estruturado para eliminar Mudas (desperdícios) operacionais relacionados ao consumo excessivo de vapor. Uma estrutura preditiva baseada em aprendizado de máquina foi desenvolvida, comparando seis arquiteturas distintas: Regressão Linear, Regressão Polinomial de Segundo Grau, Máquina de Vetores de Suporte (SVM), Rede Neural Artificial (RNA), Floresta Aleatória e XGBoost. Os resultados demonstram que enquanto o modelo polinomial atinge alta precisão estatística (R = 0,995, RMSE = 154,62 cSt), a arquitetura da Rede Neural Artificial oferece robustez superior (R = 1,000, RMSE = 154,62 cSt) na captura de comportamentos térmicos não lineares complexos. XGBoost e Random Forest apresentam desempenho competitivo com valores de R de 0,90 e 0,91 respectivamente, enquanto SVM exibe os maiores erros de predição (RMSE ¿ 780 cSt). 56 pp. Portugiesisch.…

Taschenbuch. Condición: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Die Schwerölförderung stellt aufgrund der hohen Viskosität erhebliche Energie- und Betriebsherausforderungen dar, die sich direkt auf die Effizienz thermischer Rückgewinnungsprozesse auswirken. Im Tsimiroro-Feld in Madagaskar ist eine genaue Viskositätsvorhersage von entscheidender Bedeutung für die Optimierung der Dampfeinspritzung und die Reduzierung übermäßiger Energieverschwendung. In dieser Studie wird die Lean-Six-Sigma-Methodik als strukturierter Rahmen zur Beseitigung betrieblicher Mudas (Verschwendungen) im Zusammenhang mit Dampfüberverbrauch verwendet. Es wurde ein auf maschinellem Lernen basierendes Vorhersage-Framework entwickelt, das sechs verschiedene Architekturen vergleicht: lineare Regression, Polynomregression zweiten Grades, Support Vector Machine (SVM), künstliches neuronales Netzwerk (ANN), Random Forest und XGBoost. Die Ergebnisse zeigen, dass das Polynommodell zwar eine hohe statistische Präzision (R = 0,995, RMSE = 154,62 cSt) erreicht, die Architektur des künstlichen neuronalen Netzwerks jedoch eine überlegene Robustheit (R = 1,000, RMSE = 154,62 cSt) bei der Erfassung komplexer nichtlinearer thermischer Verhaltensweisen bietet. XGBoost und Random Forest zeigen eine konkurrenzfähige Leistung mit R -Werten von 0,90 bzw. 0,91, während SVM die höchsten Vorhersagefehler aufweist (RMSE ¿ 780 cSt).…