Un gruppo di scienziati di Skoltech ha sviluppato algoritmi di apprendimento automatico (ML) che possono insegnare all'intelligenza artificiale (AI) a determinare la viscosità dell'olio sulla base dei dati di risonanza magnetica nucleare (NMR). Il nuovo metodo può tornare utile per l'industria petrolifera e altri settori che devono fare affidamento su misurazioni indirette per caratterizzare una sostanza. La ricerca è stata pubblicata su Energia e combustibili rivista.

Un parametro importante del petrolio e dei prodotti petrolchimici, la viscosità ha implicazioni per la produzione e la lavorazione, aiutando a comprendere e modellare meglio i processi naturali nel bacino. Le tecniche standard di valutazione e monitoraggio della viscosità dell'olio richiedono molto tempo e denaro e talvolta sono tecnicamente irrealizzabili. L'NMR può aiutare a determinare le proprietà grazie alla capacità di un materiale di assorbire ed emettere energia elettromagnetica. Il petrolio è una miscela chimicamente eterogenea di idrocarburi, il che rende estremamente difficile l'interpretazione dei risultati NMR.

Un gruppo di scienziati di Skoltech, l'Università di Calgary (Canada) e la Curtin University (Australia) hanno elaborato i dati NMR utilizzando algoritmi ML. Il loro modello addestrato sui dati NMR su vari tipi di petrolio dai giacimenti in Canada e negli Stati Uniti ha prodotto una previsione accurata della viscosità che è stata confermata da test di laboratorio.

Secondo Dmitry Koroteev, un professore allo Skoltech Center for Hydrocarbon Recovery (CHR) e uno dei responsabili dello studio, la loro ricerca illustra come gli algoritmi ML possono aiutare a caratterizzare le proprietà dei materiali misurate indirettamente e, più specificamente, utilizzando misurazioni NMR invece della viscosimetria in laboratorio. In termini pratici, ciò significa che si possono ottenere informazioni sull'olio nel giacimento sotterraneo senza estrarre campioni e portarli in laboratorio per i test. "Sorprendentemente, ML funziona meglio qui rispetto alle correlazioni tradizionali, " afferma il professor Koroteev. "Le misurazioni sperimentali dirette e indirette che avevamo a nostra disposizione erano un buon set di allenamento per i nostri algoritmi ML. I test hanno dimostrato che gli algoritmi hanno una buona capacità di generalizzazione e non richiedono riqualificazione".

"Ciò che è particolarmente interessante è l'elevata precisione che i modelli ML raggiungono su campioni di olio e bitume extra pesanti. A causa della loro complessa composizione chimica, la relazione tra rilassamento NMR e viscosità non è ben definita per questo tipo di olio. Per i modelli empirici, la soluzione per questo è effettuare misurazioni aggiuntive per determinare l'indice di idrogeno relativo (RHI) dell'olio, le informazioni che spesso non sono facilmente disponibili o difficili da misurare con precisione sul campo. Il nostro studio mostra che utilizzando modelli di viscosità NMR derivati ​​da ML, queste misurazioni non sono necessarie, " spiega la studentessa di dottorato di Skoltech-Curtin Strahinja Markovic, il primo autore del saggio.

Gli scienziati sono convinti che il loro metodo possa trovare impiego al di là dell'industria petrolifera. Non è infrequente che il campione di prova non sia disponibile per prove dirette, che rende le misurazioni indirette un'alternativa fortunata per una varietà di settori, come l'industria alimentare dove si poteva testare la qualità della frutta senza nemmeno tagliarla, o in agricoltura dove la valutazione della qualità del suolo potrebbe coprire aree molto più vaste.