一組Skoltech科學(xué)家開發(fā)了機(jī)器學(xué)習(xí)(ML)算法，該算法可教授人工智能(AI)以基于核磁共振(NMR)數(shù)據(jù)確定機(jī)油粘度。該新方法可用于石油工業(yè)和其他部門，這些部門必須依靠間接測(cè)量來(lái)表征物質(zhì)。

粘度是石油和石化產(chǎn)品的重要參數(shù)，對(duì)生產(chǎn)和加工具有影響，同時(shí)有助于更好地理解和模擬儲(chǔ)層的自然過(guò)程。標(biāo)準(zhǔn)的油粘度評(píng)估和監(jiān)控技術(shù)非常耗時(shí)和金錢，有時(shí)在技術(shù)上不可行。由于材料具有吸收和發(fā)射電磁能的能力，因此NMR可以幫助確定特性。油是碳?xì)浠衔锏幕瘜W(xué)非均質(zhì)混合物，這使得NMR結(jié)果的解釋極為困難。

來(lái)自Skoltech，卡爾加里大學(xué)(加拿大)和科廷大學(xué)(澳大利亞)的一組科學(xué)家使用ML算法處理了NMR數(shù)據(jù)。他們的模型基于來(lái)自加拿大和美國(guó)油田的各種類型油的NMR數(shù)據(jù)進(jìn)行了訓(xùn)練，得出了粘度的準(zhǔn)確預(yù)測(cè)值，這一點(diǎn)已通過(guò)實(shí)驗(yàn)室測(cè)試得到證實(shí)。

據(jù)Skoltech碳?xì)浠衔锘厥罩行?CHR)教授Dmitry Koroteev表示，他們的研究表明ML算法如何幫助表征間接測(cè)量的材料特性，更具體地說(shuō)，是使用NMR測(cè)量而非粘度測(cè)量在實(shí)驗(yàn)室里。實(shí)際上，這意味著人們可以在不提取樣品并將其帶到實(shí)驗(yàn)室進(jìn)行測(cè)試的情況下，獲得有關(guān)地下儲(chǔ)層中油的信息。“令人驚訝的是，機(jī)器學(xué)習(xí)在這里比傳統(tǒng)的相關(guān)性更好，”科羅捷耶夫教授評(píng)論說(shuō)。“我們可以直接或間接進(jìn)行的實(shí)驗(yàn)測(cè)量對(duì)我們的ML算法是一個(gè)很好的訓(xùn)練集。測(cè)試表明，該算法具有良好的泛化能力，不需要重新訓(xùn)練。”

“特別有趣的是在超重油和瀝青樣品上獲得的高精度ML模型。由于它們復(fù)雜的化學(xué)組成，對(duì)于這些油類型，NMR弛豫和粘度之間的關(guān)系尚不明確。對(duì)于經(jīng)驗(yàn)?zāi)Ｐ?，解決方法是進(jìn)行額外的測(cè)量以確定油的相對(duì)氫指數(shù)(RHI)，這些信息通常不容易獲得或很難在現(xiàn)場(chǎng)準(zhǔn)確測(cè)量。我們的研究表明，使用ML衍生的NMR粘度型號(hào)，則無(wú)需進(jìn)行這些測(cè)量。”-Skoltech-Curtin博士解釋。該論文的第一作者學(xué)生Strahinja Markovic。