Kredit:Skolkovo Institute of Science and Technology
En grupp Skoltech -forskare har utvecklat algoritmer för maskininlärning (ML) som kan lära artificiell intelligens (AI) för att bestämma oljeviskositet baserat på kärnmagnetisk resonans (NMR) data. Den nya metoden kan komma väl till pass för petroleumindustrin och andra sektorer som måste förlita sig på indirekta mätningar för att karakterisera ett ämne. Forskningen publicerades i Energi och bränslen tidning.
En viktig parameter för olja och petrokemikalier, viskositet har konsekvenser för produktion och bearbetning, samtidigt som de hjälper till att bättre förstå och modellera de naturliga processerna i reservoaren. Standardteknik för oljeviskositet och -övervakning är mycket tidskrävande och ibland tekniskt omöjligt. NMR kan hjälpa till att bestämma egenskaperna tack vare materialets förmåga att absorbera och avge elektromagnetisk energi. Olja är en kemiskt heterogen blandning av kolväten, vilket gör tolkningen av NMR-resultat extremt svår.
En grupp forskare från Skoltech, University of Calgary (Kanada) och Curtin University (Australien) bearbetade NMR-data med hjälp av ML-algoritmer. Deras modell tränad på NMR-data om olika typer av olja från fält i Kanada och USA gav en korrekt förutsägelse av viskositeten som bekräftades av laboratorietester.
Enligt Dmitry Koroteev, en professor vid Skoltech Center for Hydrocarbon Recovery (CHR) och en av studieledarna, deras forskning illustrerar hur ML-algoritmer kan hjälpa till att karakterisera materialens egenskaper mätt indirekt och, mer specifikt, genom att använda NMR-mätningar istället för viskosimetri på labbet. Rent praktiskt, det innebär att man kan få information om olja i underjordsreservoaren utan att ta prover och ta dem till labbet för tester. "Förvånande, ML fungerar bättre här än de traditionella korrelationerna, " säger professor Koroteev. "De direkta och indirekta experimentella mätningarna som vi hade till vårt förfogande var en bra träningsuppsättning för våra ML-algoritmer. Testerna visade att algoritmerna har god generaliseringsförmåga och inte kräver omskolning."
"Det som är särskilt intressant är den höga noggrannheten ML-modeller uppnår på extra tunga olje- och bitumenprover. På grund av deras komplexa kemiska sammansättning, förhållandet mellan NMR-relaxation och viskositet är inte väldefinierat för denna oljetyp. För de empiriska modellerna, lösningen för detta är att göra ytterligare mätningar för att bestämma det relativa väteindexet (RHI) för oljan – den information som ofta inte är lättillgänglig eller svår att mäta i fält exakt. Vår studie visar att genom att använda ML-härledda NMR-viskositetsmodeller, dessa mätningar är inte nödvändiga, "förklarar Skoltech-Curtin doktorand Strahinja Markovic, tidningens första författare.
Forskarna är positiva till att deras metod kan användas utanför petroleumindustrin. Det är inte sällan att testprovet inte är tillgängligt för direkta tester, vilket gör indirekta mätningar till ett lyckligt alternativ för en mängd olika sektorer, som livsmedelsindustrin där kvaliteten på frukten kunde testas utan att ens skära upp dem, eller inom jordbruket där markkvalitetsbedömningen skulle kunna omfatta mycket större områden.