Een groep Skoltech-wetenschappers heeft algoritmen voor machine learning (ML) ontwikkeld die kunstmatige intelligentie (AI) kunnen leren om de olieviscositeit te bepalen op basis van nucleaire magnetische resonantie (NMR) gegevens. De nieuwe methode kan van pas komen voor de petroleumindustrie en andere sectoren die moeten vertrouwen op indirecte metingen om een ​​stof te karakteriseren. Het onderzoek is gepubliceerd in de Energie en brandstoffen logboek.

Een belangrijke parameter van olie en petrochemie, viscositeit heeft gevolgen voor productie en verwerking, terwijl het helpt om de natuurlijke processen in het reservoir beter te begrijpen en te modelleren. Standaard olieviscositeitsbeoordelings- en controletechnieken zijn zeer tijdrovend en geldverslindend en soms technisch onhaalbaar. NMR kan helpen bij het bepalen van de eigenschappen dankzij het vermogen van een materiaal om elektromagnetische energie te absorberen en uit te zenden. Olie is een chemisch heterogeen mengsel van koolwaterstoffen, wat de interpretatie van NMR-resultaten uiterst moeilijk maakt.

Een groep wetenschappers van Skoltech, de University of Calgary (Canada) en Curtin University (Australië) verwerkten NMR-gegevens met behulp van ML-algoritmen. Hun model, getraind op NMR-gegevens van verschillende soorten olie uit velden in Canada en de Verenigde Staten, produceerde een nauwkeurige voorspelling van de viscositeit die werd bevestigd door laboratoriumtests.

Volgens Dmitry Koroteev, een professor aan het Skoltech Center for Hydrocarbon Recovery (CHR) en een van de onderzoeksleiders, hun onderzoek illustreert hoe ML-algoritmen kunnen helpen bij het karakteriseren van de indirect gemeten eigenschappen van materialen en, specifieker, door NMR-metingen te gebruiken in plaats van viscosimetrie in het lab. In praktische termen, dit betekent dat men informatie kan verkrijgen over olie in het ondergrondse reservoir zonder monsters te nemen en deze voor tests naar het laboratorium te brengen. "Verrassend genoeg, ML werkt hier beter dan de traditionele correlaties, " zegt professor Koroteev. "De directe en indirecte experimentele metingen die we tot onze beschikking hadden, waren een goede trainingsset voor onze ML-algoritmen. De tests toonden aan dat de algoritmen een goed generalisatievermogen hebben en geen herscholing vereisen."

"Wat vooral interessant is, is de hoge nauwkeurigheid die ML-modellen bereiken op extra zware olie- en bitumenmonsters. Vanwege hun complexe chemische samenstelling, de relatie tussen NMR-relaxatie en viscositeit is niet goed gedefinieerd voor deze oliesoorten. Voor de empirische modellen geldt de oplossing hiervoor is om aanvullende metingen te doen om de relatieve waterstofindex (RHI) van de olie te bepalen - de informatie die vaak niet direct beschikbaar is of moeilijk nauwkeurig in het veld te meten is. Onze studie toont aan dat door gebruik te maken van van ML afgeleide NMR-viscositeitsmodellen, deze metingen zijn niet nodig, " legt Skoltech-Curtin promovendus Strahinja Markovic uit, de eerste auteur van het artikel.

De wetenschappers zijn er zeker van dat hun methode ook buiten de aardolie-industrie kan worden gebruikt. Het komt niet zelden voor dat het testmonster niet beschikbaar is voor directe tests, waardoor indirecte metingen een gelukkig alternatief zijn voor tal van sectoren, zoals de voedingsindustrie waar de kwaliteit van fruit kon worden getest zonder ze zelfs maar open te snijden, of in de landbouw waar de beoordeling van de bodemkwaliteit veel grotere gebieden zou kunnen bestrijken.