Опубликовано 03 ноября 2020, 16:46

Искусственный интеллект научился определять вязкость нефти

Искусственный интеллект научился определять вязкость нефти

© ko_orn/Flickr

Российские ученые совместно с зарубежными коллегами разработали алгоритмы машинного обучения, которые учат искусственный интеллект определять вязкость нефти по данным ядерного магнитного резонанса. Исследование опубликовано в журнале Energy and Fuels.

Одним из важных показателей для нефти и ее продуктов переработки является вязкость. Она оказывает влияние на добычу сырья и процессы его обработки. Также вязкость очень важна для понимания динамики и моделирования процессов, которые происходят в нефтяных месторождениях. Стандартные методы ее определения и мониторинга, которые сегодня используются в нефтяной промышленности, дорогие и долгие, а иногда и просто технически невыполнимы.

Одним из способов определения вязкости является ядерный магнитный резонанс (ЯМР). Этот метод основан на способности вещества поглощать и излучать электромагнитную энергию. Но нефть неоднородна и состоит из различных углеводородов, поэтому интерпретировать результаты ЯМР очень сложно. Однако ученые из России, Канады и Австралии использовали для этого алгоритмы машинного обучения. Они обучили свою модель на данных, полученных в ходе ЯМР разных видов нефти из месторождений Канады и США. В результате модель смогла предсказывать вязкость, а точность прогнозов ученые подтвердили лабораторными исследованиями.

По словам ученых, их работа показывает, что машинное обучение может помочь изучать свойства материалов по косвенным измерениям, а не напрямую. Например, с помощью ЯМР-измерений, а не по лабораторным тестам с применением вискозиметра. На практике это позволяет получить информацию о нефти, не поднимая ее из скважины на поверхность и не тестируя в лаборатории. «Удивительно, но здесь машинное обучение работает точнее классических корреляций. Экспериментальные данные прямых и косвенных измерений, которые были у нас в распоряжении, послужили хорошей обучающей выборкой для алгоритмов машинного обучения. Тесты алгоритмов показали хорошую обобщающую способность и отсутствие переобучения», — подчеркнул один из руководителей исследования, профессор Центра добычи углеводородов Сколковского института науки и технологий Дмитрий Коротеев.

Область применения технологии не ограничивается только нефтяной промышленностью, говорят ученые. Есть много отраслей, где достать образец материала для тестирования затруднительно, поэтому измерение косвенных параметров может быть хорошей альтернативой. Например, в пищевой отрасли можно определять качество фруктов без разрезания, или в сельском хозяйстве можно оценивать свойства почв сразу на больших площадях.

Понравился материал? Добавьте Indicator.Ru в «Мои источники» Яндекс.Новостей и читайте нас чаще.

Пресс-релизы о научных исследованиях, информацию о последних вышедших научных статьях и анонсы конференций, а также данные о выигранных грантах и премиях присылайте на адрес science@indicator.ru.