Kunstig intelligens har lært at estimere oliens viskositet

En gruppe Skoltech-forskere har udviklet maskinlæringsalgoritmer (ML), der kan lære kunstig intelligens (AI) at bestemme olieviskositet baseret på kernemagnetisk resonans (NMR) data. Den nye metode kan komme til nytte for olieindustrien og andre sektorer, der er nødt til at basere sig på indirekte målinger for at karakterisere et stof. Forskningen blev offentliggjort i Energi og brændstoffer tidsskrift.

En vigtig parameter for olie og petrokemikalier, viskositet har betydning for produktion og forarbejdning, samtidig med at det hjælper til bedre at forstå og modellere de naturlige processer i reservoiret. Standardmetoder til vurdering og overvågning af olieviskositet er meget tids- og pengekrævende og nogle gange teknisk umulige. NMR kan hjælpe med at bestemme egenskaberne takket være et materiales evne til at absorbere og udsende elektromagnetisk energi. Olie er en kemisk heterogen blanding af kulbrinter, hvilket gør fortolkningen af ​​NMR-resultater ekstremt vanskelig.

En gruppe videnskabsmænd fra Skoltech, University of Calgary (Canada) og Curtin University (Australien) behandlede NMR-data ved hjælp af ML-algoritmer. Deres model trænet på NMR-data om forskellige typer olie fra felter i Canada og USA producerede en nøjagtig forudsigelse af viskositet, som blev bekræftet af laboratorietests.

Ifølge Dmitry Koroteev, en professor ved Skoltech Center for Hydrocarbon Recovery (CHR) og en af ​​undersøgelserne leder, deres forskning illustrerer, hvordan ML-algoritmer kan hjælpe med at karakterisere materialers egenskaber målt indirekte og, mere specifikt, ved at bruge NMR-målinger i stedet for viskosimetri på laboratoriet. Rent praktisk, det betyder, at man kan få information om olie i det underjordiske reservoir uden at udtage prøver og tage dem med til laboratoriet til test. "Overraskende nok, ML fungerer bedre her end de traditionelle korrelationer, " siger professor Koroteev. "De direkte og indirekte eksperimentelle målinger, som vi havde til rådighed, var et godt træningssæt til vores ML-algoritmer. Testene viste, at algoritmerne har god generaliseringsevne og ikke kræver genoptræning."

"Det, der er særligt interessant, er den høje nøjagtighed ML-modeller opnår på ekstra tunge olie- og bitumenprøver. På grund af deres komplekse kemiske sammensætning, forholdet mellem NMR-relaksation og viskositet er ikke veldefineret for denne olietype. For de empiriske modeller, løsningen for dette er at foretage yderligere målinger for at bestemme oliens relative brintindeks (RHI) - den information, som ofte ikke er let tilgængelig eller svær at måle nøjagtigt i marken. Vores undersøgelse viser, at ved at bruge ML-afledte NMR-viskositetsmodeller, disse målinger er ikke nødvendige, " forklarer Skoltech-Curtin Ph.D.-studerende Strahinja Markovic, avisens første forfatter.

Forskerne er positive over, at deres metode kan finde anvendelse ud over olieindustrien. Det er ikke sjældent, at testprøven er utilgængelig til direkte test, hvilket gør indirekte målinger til et heldigt alternativ for en række sektorer, såsom fødevareindustrien, hvor kvaliteten af ​​frugt kunne testes uden selv at skære dem op, eller i landbruget, hvor jordkvalitetsvurdering kunne dække meget større områder.