|
ИИ научили определять вязкость нефти
|
|
|
|
Группа ученых из Сколтеха разработала алгоритмы машинного обучения, позволяющие научить искусственный интеллект определять вязкость нефти методом ядерного магнитного резонанса. Новый способ может использоваться нефтяными компании и даже в других отраслях, в которых важно определять свойства вещества по косвенным параметрам. Исследование опубликовано в журнале Energy and Fuels. Вязкость – важный параметр для нефти и продуктов ее переработки. Он оказывает влияние и на ее добычу и процессы дальнейшей обработки, а также необходим для понимания динамики и моделирования процессов, происходящих в месторождениях. Стандартные методы определения и мониторинга вязкости – дорогие, занимают много времени, а иногда и невыполнимы технически.
|
|
|
|
Свойства вещества можно определять с помощью ядерного магнитного резонанса (ЯМР), метода основанного на способностях вещества поглощать и излучать электромагнитную энергию. Химически нефть неоднородна и представляет собой смесь различных углеводородов, поэтому, интерпретировать результаты ЯМР крайне сложно. Группа ученых из Сколтеха, Университета Калгари (Канада) и Университета Кертин (Австралия) применили к данным ЯМР алгоритмы машинного обучения. Модель, обученная на ЯМР данных различных видов нефти из месторождении Канады и США, смогла точно предсказывать вязкость, что подтверждалось результатами лабораторных исследований.
|
|
|
По словам одного из руководителей исследования профессора Центра добычи углеводородов Сколтеха Дмитрия Коротеева, их работа иллюстрирует то, как машинное обучение может помочь изучать свойства материалов не напрямую, а по косвенным измерениям. В частности, можно определять вязкость не по лабораторным тестам с использованием вискозиметра, а с помощью ЯМР-измерений. В практическом плане это дает возможность получить информацию о нефти прямо в скважине, без подъема образцов на поверхность и тестирования в лаборатории.
|
|
|
|
«Удивительно, но здесь машинное обучение работает точнее классических корреляций, — комментирует профессор Коротеев. — 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».
|
|
|
|
Особенно интересна высокая точность моделей машинного обучения в работе с образцами сверхтяжелой нефти и битума. Из-за сложного химического состава взаимосвязь между параметрами ЯМР и вязкостью для такого типа веществ не определена. Поэтому в эмпирических моделях требуется проведение дополнительных измерений, которые сложно проводить в полевых условиях. В случае машинного обучения такие измерения не требуются.
|
|
|
|
Ученые утверждают, что область применения технологии не ограничивается только нефтедобывающей отраслью. Существует много примеров, где достать образец материала на тестирование очень сложно и проведение измерений косвенных параметров – хорошая альтернатива. Например, в пищевом кластере можно определять качество фруктов без разрезания, или в сельском хозяйстве — оценивать свойства почв сразу на больших площадях.
|
|
|
|
Источник
|
