Kimyəvi qum konsolidasiyasının polimerlərdən nanohissəciklərə keçid üzrə tədqiqi
DOI:
https://doi.org/10.52171/herald.393Anahtar Kelimeler:
kimyəvi qum konsolidasiyası- polimer qətranları- nanohissəciklər- keçiriciliyin saxlanması- biroxlu sıxılma möhkəmliyi- quyu stabilliyiÖzet
Məqalədə karbohidrogen hasilatı sahəsində qum təzahürü problemlərinin həlli üçün kimyəvi qum konsolidasiyası tədqiq edilmişdir. Tədqiqatın məqsədi geomexaniki dayanıqlığı zəif olan laylarda qum dənəciklərini keçiriciliyi qoruyan möhkəm matrisə çevirmək və bununla avadanlığı eroziyadan qoruyaraq quyunun məhsuldarlığını saxlamaqdır. Tədqiqatda həm klassik polimer qətranlar (epoksi, furan, fenol-formaldehid), həm də nanohissəcik əsaslı sistemlər istifadə edilmiş, onların mexaniki dayanıqlığı, keçiricilik itkisi və istilik davamlılığı (195°C-yə qədər) müqayisəli şəkildə qiymətləndirilmişdir. Nəticələr göstərir ki, nanohissəciklər layın hidravlik əlaqəsini qoruyaraq keçiricilik itkilərini təxminən 11,8% səviyyəsində saxlayır, polimer qətranlar isə yüksək biroxlu sıxılma möhkəmliyi təmin etsə də, keçiricilikdə azalma təxminən 52,5% olur. Məqalədə bu metodların müxtəlif lay şəraitlərində, o cümlədən dərin su və köhnə yataqlarda tətbiq imkanları da təhlil edilmişdir.
References
1. Tran H.D., Le N., Nguyen V.H. Customer churn prediction in the banking sector using machine learning-based classification models. Interdisciplinary Journal of Information, Knowledge & Management, 18, 87–105, 2023. https://doi.org/10.28945/5086
2. Ashraf R. Bank customer churn prediction using machine learning framework. Journal of Applied Finance & Banking, 14(4), 1–5, 2024.
3. Badalova A.N., Guliyeva S.H. Application of Machine Learning Methods for Classification of Agricultural Crops. Herald of the Azerbaijan Engineering Academy, 14(2), 106–116, 2022. https://doi.org/10.52171/2076-0515_2022_14_02_106_116
4. Imani M., Joudaki M., Beikmohammadi A., Arabnia H.R. Customer churn prediction: A systematic review of recent advances, trends, and challenges in machine learning and deep learning. Machine Learning and Knowledge Extraction, 7(3), 105, 2025.
https://doi.org/10.3390/make7030105
5. Xu X., Kou G., Ergu D. Profit-based uncertainty estimation with application to credit scoring. European Journal of Operational Research, 325(2), 303–316, 2025. https://doi.org/10.1016/j.ejor.2025.03.007
6. Li Y., Yan K. Prediction of bank credit customers churn based on machine learning and interpretability analysis. Data Science in Finance and Economics, 5(1), 19–34, 2025.
https://doi.org/10.3934/DSFE.2025002
7. Peng K., Peng Y., Li W. Research on customer churn prediction and model interpretability analysis. PLoS ONE, 18(12), e0289724, 2023.
https://doi.org/10.1371/journal.pone.0289724
8. Breiman, L. Random forests. Machine Learning, 45(1), 5–32, 2001. https://doi.org/10.1023/A:1010933404324
9. Chen, T., & Guestrin, C. XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794, 2016. https://doi.org/10.1145/2939672.2939785
10. Gal, Y., & Ghahramani, Z. Dropout as a Bayesian approximation: Representing model uncertainty in deep learning. In Proceedings of the 33rd International Conference on Machine Learning (ICML), 1050–1059, 2016
11. Fawcett, T. An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874, 2006. DOI: https://doi.org/10.1016/j.patrec.2005.10.010
12. Powers, D.M.W. Evaluation: From precision, recall and F-measure to ROC. Journal of Machine Learning Technologies, 2(1), 37–63, 2011
13. Brier, G.W. Verification of forecasts expressed in terms of probability. Monthly Weather Review, 78(1), 1–3, 1950
14. Guo, C., Pleiss, G., Sun, Y., & Weinberger, K.Q. On calibration of modern neural networks. Proceedings of the 34th International Conference on Machine Learning (ICML), 1321–1330, 2017
Downloads
Yayınlanmış
How to Cite
Sayı
Bölüm
License
Copyright (c) 2025 I.J. Karimov
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
