Oils

Загрузка и приведение данных в порядок

library(xlsx)
library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(ggplot2)
library(kableExtra)

## 
## Attaching package: 'kableExtra'

## The following object is masked from 'package:dplyr':
## 
##     group_rows

oils <- read.xlsx("oils_NMR.xlsx", sheetIndex = 1, encoding = "UTF-8")
sulphur <- read.xlsx("oils_NMR.xlsx", sheetIndex = 2, encoding = "UTF-8")
sulphur <- sulphur[1:16, 1:2]
oils <- merge(oils, sulphur, all.x = TRUE)
oils$well <- as.character(oils$well)
oils$key <- paste(oils$no, oils$well, sep = "_")
oils_reshape <- reshape(oils, idvar = "key", varying = list(c(4:20)), direction = "long", v.names = "solid_fraction")
att <- attributes(oils_reshape)
oils_reshape$temp <- att$reshapeLong$varying[[1]][oils_reshape$time]
oils_reshape <- select(oils_reshape, -no, -key, -time)
rownames(oils_reshape) <- NULL

tmp <- data.frame(temp = unique(oils_reshape$temp), temperature = c(-28, -20, -10, 0, 10, 15, 18, 20, 22, 30, 35, 40, 50, 60, 70, 75, 80))
oils_reshape <- merge(oils_reshape, tmp)
oils_reshape <- select(oils_reshape, - temp)
oils_reshape <- oils_reshape[!is.na(oils_reshape$temp_start), ]
oils_reshape <- oils_reshape %>%
  group_by(well, temperature) %>%
  mutate(avg_solid_fraction = mean(solid_fraction, na.rm = TRUE), 
         n_observation = n(), 
         sd_solid_fraction = sd(solid_fraction, na.rm = TRUE),
         standard_error = sd_solid_fraction/sqrt(n_observation),
         upper_conf = avg_solid_fraction + qt(0.95, n_observation - 1)*standard_error,
         lower_conf = avg_solid_fraction + qt(0.05, n_observation - 1)*standard_error,
         t_experimmet = (abs(solid_fraction - avg_solid_fraction)/sd_solid_fraction),
         t_distr = qt(0.95, n_observation - 1),
         is_valid = ifelse(t_distr > t_experimmet, "Valid", "Wrong"))
oils_reshape <- oils_reshape[!is.na(oils_reshape$well), ]

После того как данные приведены в порядок были посчитаны основные статистические параметры твоих экспериментов. Далее просто первые 10 значений в таблице.

kable(oils_reshape[1:10, ]) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"))

well	temp_start	sulphur_content	solid_fraction	temperature	avg_solid_fraction	n_observation	sd_solid_fraction	standard_error	upper_conf	lower_conf	t_experimmet	t_distr	is_valid
Битків-Бабченське св.23	35	0.9355	14.56	-10	14.7650	4	0.1791647	0.0895824	14.97582	14.55418	1.1441984	2.353363	Valid
Битків-Бабченське св.23	35	0.9355	14.96	-10	14.7650	4	0.1791647	0.0895824	14.97582	14.55418	1.0883839	2.353363	Valid
Битків-Бабченське св.23	35	0.9355	14.68	-10	14.7650	4	0.1791647	0.0895824	14.97582	14.55418	0.4744237	2.353363	Valid
Битків-Бабченське св.23	35	0.9355	14.86	-10	14.7650	4	0.1791647	0.0895824	14.97582	14.55418	0.5302383	2.353363	Valid
Битків-Бабченське св.6	36	0.8795	14.81	-10	14.8525	4	0.1059481	0.0529741	14.97717	14.72783	0.4011398	2.353363	Valid
Битків-Бабченське св.6	36	0.8795	14.99	-10	14.8525	4	0.1059481	0.0529741	14.97717	14.72783	1.2978052	2.353363	Valid
Битків-Бабченське св.6	36	0.8795	14.74	-10	14.8525	4	0.1059481	0.0529741	14.97717	14.72783	1.0618407	2.353363	Valid
Битків-Бабченське св.6	36	0.8795	14.87	-10	14.8525	4	0.1059481	0.0529741	14.97717	14.72783	0.1651752	2.353363	Valid
Битків-Бабченське св.7	35	0.8985	16.06	-10	16.1300	4	0.1630951	0.0815475	16.32191	15.93809	0.4291975	2.353363	Valid
Битків-Бабченське св.7	35	0.8985	16.21	-10	16.1300	4	0.1630951	0.0815475	16.32191	15.93809	0.4905115	2.353363	Valid

В таблице есть следующие данные кроме твоих, которые у тебя были в таблице

• avg solid_fraction - среднее количество твердой фракции
• n_observation - количество параллелей
• sd_solid_fraction - стандартное отклонение
• standard_error - стандартная ошибка среднего значения (возможно неточное название, не знаю как правльно перевести)
• upper(lower)_conf - верхний (нижний) доверительный интервал
• t_experimet - значение коэффициента стьюдента (по моему это так у нас называется) для опыта
• t_distr - табличное значение коэффициента стьюдента для данного количества степеней свободы.
• is_valid - значимое ли значение

Далее от нефиг делать я построил немного графиков

g <- ggplot(oils_reshape, aes(temperature, avg_solid_fraction))
g + geom_line(aes(col = well)) + facet_wrap(.~well) + geom_errorbar(aes(ymax = upper_conf, ymin = lower_conf))

## Warning: Removed 499 rows containing missing values (geom_path).

## Warning: Removed 635 rows containing missing values (geom_errorbar).

Сразу видно, что у них совершенно разные углы наклона ( а у некоторых и форма), что, вероятно, связано с различным составом твоих АСПО. Думаю, что если немного еще повозится с этими данными и построить графики скорости осаждения, то можно выделить несколько групп нефтей с похоржими свойствами АСПО. Возможно, нужно смотреть, количество серы как-то тоже влияет на всю эту фигню. По хорошему, для групп нефтей нужно сделать какие-то простейшие модели, которые возможно можно применять для похожих месторождений. Но это нужно считать, смотреть. Возможно если закинуть положение скважин на карту, то можно как-то географически выделить группы нефтей, а возможно если ты знаешь горизонты, то можно еще по горизонтам разделить и сказть, что например в таком месторождении на таком горизонте АСПО с такими свойствами, а на другом горизонте с другими.

В общем, как по мне, тут можно сделать еще довольно много и сделать это очень красиво, особенно если есть дополнительные данные.