p Um grupo de cientistas da Skoltech desenvolveu algoritmos de aprendizado de máquina (ML) que podem ensinar inteligência artificial (AI) para determinar a viscosidade do óleo com base em dados de ressonância magnética nuclear (NMR). O novo método pode ser útil para a indústria do petróleo e outros setores que dependem de medições indiretas para caracterizar uma substância. A pesquisa foi publicada no Energia e Combustíveis Diário. p Um parâmetro importante do petróleo e petroquímicos, a viscosidade tem implicações para a produção e processamento, ao mesmo tempo que ajuda a compreender e modelar melhor os processos naturais no reservatório. As técnicas padrão de avaliação e monitoramento da viscosidade do óleo consomem muito tempo e dinheiro e, às vezes, são tecnicamente inviáveis. NMR pode ajudar a determinar as propriedades graças à capacidade de um material de absorver e emitir energia eletromagnética. O petróleo é uma mistura quimicamente heterogênea de hidrocarbonetos, o que torna a interpretação dos resultados de NMR extremamente difícil.

p Um grupo de cientistas da Skoltech, a University of Calgary (Canadá) e a Curtin University (Austrália) processaram dados de NMR usando algoritmos de ML. Seu modelo treinado em dados de NMR em vários tipos de petróleo de campos no Canadá e nos Estados Unidos produziu uma previsão precisa da viscosidade, que foi confirmada por testes de laboratório.

p De acordo com Dmitry Koroteev, professor do Skoltech Center for Hydrocarbon Recovery (CHR) e um dos líderes do estudo, sua pesquisa ilustra como os algoritmos de ML podem ajudar a caracterizar as propriedades dos materiais medidas indiretamente e, mais especificamente, usando medições de NMR em vez de viscosimetria no laboratório. Em termos práticos, isso significa que é possível obter informações sobre o óleo no reservatório subterrâneo sem extrair amostras e levá-las ao laboratório para testes. "Surpreendentemente, ML funciona melhor aqui do que as correlações tradicionais, "diz o professor Koroteev." As medições experimentais diretas e indiretas que tínhamos à nossa disposição eram um bom conjunto de treinamento para nossos algoritmos de ML. Os testes demonstraram que os algoritmos têm boa capacidade de generalização e não requerem retreinamento. "

p "O que é especialmente interessante é a alta precisão dos modelos ML alcançados em amostras de óleo extrapesado e betume. Devido à sua composição química complexa, a relação entre relaxamento de NMR e viscosidade não está bem definida para esses tipos de óleo. Para os modelos empíricos, a solução para isso é fazer medições adicionais para determinar o índice relativo de hidrogênio (RHI) do óleo - a informação que muitas vezes não está prontamente disponível ou é difícil de medir no campo com precisão. Nosso estudo mostra que, usando modelos de viscosidade NMR derivados de ML, essas medidas não são necessárias, "explica a estudante de doutorado de Skoltech-Curtin Strahinja Markovic, o primeiro autor do artigo.

p Os cientistas têm certeza de que seu método pode encontrar uso além da indústria do petróleo. Não é raro que a amostra de teste esteja indisponível para testes diretos, o que torna as medições indiretas uma alternativa feliz para uma variedade de setores, como a indústria de alimentos, onde a qualidade das frutas pode ser testada sem nem mesmo abri-las, ou na agricultura, onde a avaliação da qualidade do solo pode cobrir áreas muito maiores.