教育新闻网一组Skoltech科学家开发了机器学习(ML)算法，该算法可教授人工智能(AI)以基于核磁共振(NMR)数据确定机油粘度。该新方法可用于石油工业和其他部门，这些部门必须依靠间接测量来表征物质。
粘度是石油和石化产品的重要参数，对生产和加工具有影响，同时有助于更好地理解和模拟储层的自然过程。标准的油粘度评估和监控技术非常耗时和金钱，有时在技术上不可行。由于材料具有吸收和发射电磁能的能力，因此NMR可以帮助确定特性。油是碳氢化合物的化学非均质混合物，这使得NMR结果的解释极为困难。
来自Skoltech，卡尔加里大学(加拿大)和科廷大学(澳大利亚)的一组科学家使用ML算法处理了NMR数据。他们的模型基于来自加拿大和美国油田的各种类型油的NMR数据进行了训练，得出了粘度的准确预测值，这一点已通过实验室测试得到证实。
据Skoltech碳氢化合物回收中心(CHR)教授Dmitry Koroteev表示，他们的研究表明ML算法如何帮助表征间接测量的材料特性，更具体地说，是使用NMR测量而非粘度测量在实验室里。实际上，这意味着人们可以在不提取样品并将其带到实验室进行测试的情况下，获得有关地下储层中油的信息。“令人惊讶的是，机器学习在这里比传统的相关性更好，”科罗捷耶夫教授评论说。“我们可以直接或间接进行的实验测量对我们的ML算法是一个很好的训练集。测试表明，该算法具有良好的泛化能力，不需要重新训练。”
“特别有趣的是在超重油和沥青样品上获得的高精度ML模型。由于它们复杂的化学组成，对于这些油类型，NMR弛豫和粘度之间的关系尚不明确。对于经验模型，解决方法是进行额外的测量以确定油的相对氢指数(RHI)，这些信息通常不容易获得或很难在现场准确测量。我们的研究表明，使用ML衍生的NMR粘度型号，则无需进行这些测量。”-Skoltech-Curtin博士解释。该论文的第一作者学生Strahinja Markovic。
