Künstliche Intelligenz hat gelernt, die Ölviskosität zu schätzen

Neue indirekte Messmethode ist eine nützliche Alternative für eine Vielzahl von Branchen

09.11.2020 - Russische Föderation

Eine Gruppe von Skoltech-Wissenschaftlern entwickelte Algorithmen für maschinelles Lernen (ML), die künstliche Intelligenz (KI) lehren können, die Ölviskosität auf der Grundlage von Kernspinresonanzdaten (NMR) zu bestimmen. Die neue Methode kann sich für die Erdölindustrie und andere Sektoren als nützlich erweisen, die zur Charakterisierung einer Substanz auf indirekte Messungen angewiesen sind.

Als wichtiger Parameter von Öl und Petrochemikalien hat die Viskosität Auswirkungen auf die Produktion und Verarbeitung und hilft gleichzeitig, die natürlichen Prozesse in der Lagerstätte besser zu verstehen und zu modellieren. Standardtechniken zur Bewertung und Überwachung der Ölviskosität sind sehr zeit- und kostenintensiv und manchmal technisch nicht durchführbar. Dank der Fähigkeit eines Materials, elektromagnetische Energie zu absorbieren und auszusenden, kann die NMR bei der Bestimmung der Eigenschaften helfen. Öl ist ein chemisch heterogenes Gemisch von Kohlenwasserstoffen, was die Interpretation der NMR-Ergebnisse extrem schwierig macht.

Eine Gruppe von Wissenschaftlern von Skoltech, der University of Calgary (Kanada) und der Curtin University (Australien) verarbeitete NMR-Daten mit Hilfe von ML-Algorithmen. Ihr an NMR-Daten verschiedener Öltypen von Feldern in Kanada und den Vereinigten Staaten geschultes Modell ergab eine genaue Vorhersage der Viskosität, die durch Labortests bestätigt wurde.

Laut Dmitrij Korotejew, Professor am Skoltech Center for Hydrocarbon Recovery (CHR) und einer der Leiter der Studie, veranschaulicht ihre Forschung, wie ML-Algorithmen dabei helfen können, indirekt gemessene Materialeigenschaften zu charakterisieren, und zwar durch die Verwendung von NMR-Messungen anstelle von Viskosimetrie im Labor. In der Praxis bedeutet dies, dass man Informationen über das Öl im unterirdischen Reservoir erhalten kann, ohne Proben zu entnehmen und diese für Tests ins Labor zu bringen. "Überraschenderweise funktioniert ML hier besser als die traditionellen Korrelationen", kommentiert Professor Koroteev. "Die direkten und indirekten experimentellen Messungen, die uns zur Verfügung standen, waren ein gutes Trainingsset für unsere ML-Algorithmen. Die Tests zeigten, dass die Algorithmen eine gute Verallgemeinerungsfähigkeit haben und keine Umschulung erfordern.

"Besonders interessant ist die hohe Genauigkeit, die ML-Modelle bei besonders schweren Öl- und Bitumenproben erreichen. Aufgrund ihrer komplexen chemischen Zusammensetzung ist die Beziehung zwischen NMR-Relaxation und Viskosität für diese Öltypen nicht gut definiert. Für die empirischen Modelle besteht die Abhilfe darin, zusätzliche Messungen durchzuführen, um den relativen Wasserstoffindex (RHI) des Öls zu bestimmen - die Informationen, die oft nicht leicht verfügbar oder im Feld schwer genau zu messen sind. Unsere Studie zeigt, dass bei Verwendung von ML-abgeleiteten NMR-Viskositätsmodellen diese Messungen nicht notwendig sind". - erklärt Skoltech-Curtin-Doktorandin Strahinja Markovic, die Erstautorin der Arbeit.

Die Wissenschaftler sind sich sicher, dass ihre Methode über die Erdölindustrie hinaus Anwendung finden kann. Es kommt nicht selten vor, dass die Testprobe für direkte Tests nicht zur Verfügung steht, was die indirekten Messungen zu einer glücklichen Alternative für eine Vielzahl von Sektoren macht, wie z.B. in der Lebensmittelindustrie, wo die Qualität von Früchten getestet werden könnte, ohne sie auch nur aufzuschneiden, oder in der Landwirtschaft, wo die Bewertung der Bodenqualität viel größere Gebiete abdecken könnte.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

Strahinja Markovic et al.; "Improved Oil Viscosity Characterization by Low-Field NMR Using Feature Engineering and Supervised Learning Algorithms"; Energy Fuels; 2020

https://www.analytica-world.com/de/news/1168562/kuenstliche-intelligenz-hat-gelernt-die-oelviskositaet-zu-schaetzen.html

Originalveröffentlichung

Strahinja Markovic et al.; "Improved Oil Viscosity Characterization by Low-Field NMR Using Feature Engineering and Supervised Learning Algorithms"; Energy Fuels; 2020

Themen

Viskosität maschinelles Lernen künstliche Intelligenz Kernspinresonanzspektroskopie

Bitumen

Petrochemie Öle

Petrochemikalien

Alle anzeigen

Organisationen

Skolkovo Institute of Science and Technology