La Inteligencia Artificial ha aprendido a estimar la viscosidad del aceite

Las mediciones indirectas son una alternativa afortunada para una variedad de sectores

09.11.2020 - Rusia

Un grupo de científicos de Skoltech desarrolló algoritmos de aprendizaje de máquinas (ML) que pueden enseñar inteligencia artificial (AI) para determinar la viscosidad del aceite en base a datos de resonancia magnética nuclear (NMR). El nuevo método puede resultar útil para la industria petrolera y otros sectores, que tienen que basarse en mediciones indirectas para caracterizar una sustancia.

Photo by Mae Mu on Unsplash

Imagen simbólica

La viscosidad, un parámetro importante del petróleo y la petroquímica, tiene implicaciones para la producción y el procesamiento, a la vez que ayuda a comprender mejor y a modelar los procesos naturales del yacimiento. Las técnicas estándar de evaluación y vigilancia de la viscosidad del petróleo consumen mucho tiempo y dinero y a veces son técnicamente inviables. La RMN puede ayudar a determinar las propiedades gracias a la capacidad de un material de absorber y emitir energía electromagnética. El petróleo es una mezcla químicamente heterogénea de hidrocarburos, lo que hace que la interpretación de los resultados de la RMN sea extremadamente difícil.

Un grupo de científicos de Skoltech, la Universidad de Calgary (Canadá) y la Universidad de Curtin (Australia) procesaron los datos de RMN utilizando algoritmos de ML. Su modelo, entrenado con datos de RMN sobre varios tipos de petróleo de campos de 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 ML pueden ayudar a caracterizar las propiedades de los materiales medidos indirectamente y, más específicamente, utilizando mediciones de RMN en lugar de la viscosimetría en el laboratorio. En términos prácticos, esto significa que se puede obtener información sobre el petróleo en el yacimiento subterráneo sin necesidad de extraer muestras y llevarlas al laboratorio para realizar pruebas. "Sorprendentemente, la RMN funciona mejor aquí que las correlaciones tradicionales", comenta el profesor Koroteev. "Las mediciones experimentales directas e indirectas que teníamos a nuestra disposición eran un buen conjunto de entrenamiento para nuestros algoritmos de ML. Las pruebas demostraron que los algoritmos tienen una buena capacidad de generalización y no requieren de un reentrenamiento".

"Lo que es especialmente interesante es la alta precisión que los modelos ML logran en muestras extra-pesadas de petróleo y betún. Debido a su compleja composición química, la relación entre la relajación de la RMN y la viscosidad no está bien definida para estos tipos de aceite. Para los modelos empíricos, la solución es hacer mediciones adicionales para determinar el índice relativo de hidrógeno (IRS) del petróleo, información que a menudo no está fácilmente disponible o es difícil de medir con precisión en el campo. Nuestro estudio muestra que usando modelos de viscosidad de RMN derivados de ML, estas mediciones 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 la agricultura, donde la evaluación de la calidad del suelo podría abarcar áreas mucho más grandes.

Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.

Publicación original

Más noticias del departamento ciencias

Noticias más leídas

Más noticias de nuestros otros portales

Descubra los últimos avances en tecnología de pilas