Un grupo de científicos de Skoltech ha desarrollado algoritmos de aprendizaje automático (ML) que pueden enseñar a la inteligencia artificial (IA) a determinar la viscosidad del aceite basándose en datos de resonancia magnética nuclear (RMN). El nuevo método puede resultar útil para la industria del petróleo y otros sectores que tienen que depender de mediciones indirectas para caracterizar una sustancia. La investigación fue publicada en el Energía y combustibles diario.

Un parámetro importante de petróleo y petroquímicos, la viscosidad tiene implicaciones para la producción y el procesamiento, al mismo tiempo que ayuda a comprender y modelar mejor los procesos naturales en el embalse. Las técnicas estándar de evaluación y control de la viscosidad del aceite consumen mucho tiempo y dinero y, en ocasiones, son técnicamente inviables. La RMN puede ayudar a determinar las propiedades gracias a la capacidad de un material para absorber y emitir energía electromagnética. El aceite es una mezcla químicamente heterogénea de hidrocarburos, lo que dificulta enormemente la interpretación de los resultados de la RMN.

Un grupo de científicos de Skoltech, la Universidad de Calgary (Canadá) y la Universidad de Curtin (Australia) procesaron datos de RMN utilizando algoritmos ML. Su modelo entrenado con datos de RMN en varios tipos de petróleo de campos en Canadá y Estados Unidos produjo una predicción precisa de la viscosidad que fue confirmada por pruebas de laboratorio.

Según Dmitry Koroteev, profesor del Centro Skoltech para la Recuperación de Hidrocarburos (CHR) y uno de los líderes del estudio, su investigación ilustra cómo los algoritmos de aprendizaje automático pueden ayudar a caracterizar las propiedades de los materiales medidas indirectamente y, más específicamente, mediante el uso de mediciones de RMN en lugar de viscosimetría en el laboratorio. En terminos practicos, esto significa que se puede obtener información sobre el petróleo en el yacimiento subterráneo sin extraer muestras y llevarlas al laboratorio para su análisis. "Asombrosamente, ML funciona mejor aquí que las correlaciones tradicionales, ", dice el profesor Koroteev." Las mediciones experimentales directas e indirectas que teníamos a nuestra disposición fueron un buen conjunto de entrenamiento para nuestros algoritmos ML. Las pruebas demostraron que los algoritmos tienen una buena capacidad de generalización y no requieren reentrenamiento ".

"Lo que es especialmente interesante es la alta precisión que logran los modelos ML en muestras de betún y petróleo extrapesado. Debido a su compleja composición química, la relación entre la relajación de RMN y la viscosidad no está bien definida para este tipo de aceite. Para los modelos empíricos, La solución para esto es realizar mediciones adicionales para determinar el índice de hidrógeno relativo (RHI) del petróleo, la información que a menudo no está fácilmente disponible o es difícil de medir en el campo con precisión. Nuestro estudio muestra que mediante el uso de modelos de viscosidad NMR derivados de ML, estas medidas no son necesarias, "explica el estudiante de doctorado de Skoltech-Curtin, Strahinja Markovic, el primer autor del artículo.

Los científicos están seguros de que su método puede encontrar un uso más allá de la industria del petróleo. No es infrecuente que la muestra de prueba no esté disponible para pruebas directas, lo que hace que las mediciones indirectas sean una alternativa afortunada para una variedad de sectores, como la industria alimentaria, donde la calidad de la fruta podría probarse sin siquiera cortarla, o en agricultura donde la evaluación de la calidad del suelo podría cubrir áreas mucho más grandes.