Искусственный интеллект научился определять вязкость нефти
Группа ученых из "Сколтеха" разработала алгоритмы машинного обучения, позволяющие научить искусственный интеллект определять вязкость нефти по данным анализа методом ядерного магнитного резонанса. Новый метод может использоваться нефтяными компаниями и даже масштабироваться для других отраслей, где важно определять свойства вещества по косвенным параметрам.
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 из себя 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. 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", - комментирует Дмитрий Коротеев.
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 пищевой отрасли можно определять качество фруктов без разрезания, или в сельском хозяйстве можно оценивать свойства почв сразу на больших площадях.
