Un groupe de scientifiques de Skoltech a développé des algorithmes d'apprentissage automatique (ML) qui peuvent enseigner l'intelligence artificielle (IA) pour déterminer la viscosité de l'huile sur la base des données de résonance magnétique nucléaire (RMN). La nouvelle méthode peut s'avérer utile pour l'industrie pétrolière et d'autres secteurs qui doivent s'appuyer sur des mesures indirectes pour caractériser une substance. La recherche a été publiée dans le Énergie et carburants journal.

Paramètre important du pétrole et de la pétrochimie, la viscosité a des implications pour la production et la transformation, tout en aidant à mieux comprendre et modéliser les processus naturels dans le réservoir. Les techniques standard d'évaluation et de surveillance de la viscosité de l'huile demandent beaucoup de temps et d'argent et sont parfois techniquement irréalisables. La RMN peut aider à déterminer les propriétés grâce à la capacité d'un matériau à absorber et à émettre de l'énergie électromagnétique. Le pétrole est un mélange chimiquement hétérogène d'hydrocarbures, ce qui rend l'interprétation des résultats de RMN extrêmement difficile.

Un groupe de scientifiques de Skoltech, l'Université de Calgary (Canada) et l'Université Curtin (Australie) ont traité les données RMN à l'aide d'algorithmes ML. Leur modèle formé sur des données RMN sur divers types de pétrole provenant de champs au Canada et aux États-Unis a produit une prédiction précise de la viscosité qui a été confirmée par des tests en laboratoire.

Selon Dmitri Koroteev, professeur au Skoltech Center for Hydrocarbon Recovery (CHR) et l'un des responsables de l'étude, leurs recherches illustrent comment les algorithmes ML peuvent aider à caractériser les propriétés des matériaux mesurées indirectement et, plus précisement, en utilisant des mesures RMN au lieu de la viscosimétrie au laboratoire. En termes pratiques, cela signifie que l'on peut obtenir des informations sur le pétrole dans le réservoir souterrain sans extraire d'échantillons et les emmener au laboratoire pour des tests. "Étonnamment, Le ML fonctionne mieux ici que les corrélations traditionnelles, " explique le professeur Koroteev. " Les mesures expérimentales directes et indirectes que nous avions à notre disposition étaient un bon ensemble d'entraînement pour nos algorithmes ML. Les tests ont démontré que les algorithmes ont une bonne capacité de généralisation et ne nécessitent pas de recyclage."

« Ce qui est particulièrement intéressant, ce sont les modèles ML de haute précision obtenus sur des échantillons de pétrole extra-lourd et de bitume. En raison de leur composition chimique complexe, la relation entre la relaxation RMN et la viscosité n'est pas bien définie pour ce type d'huile. Pour les modèles empiriques, la solution de contournement consiste à effectuer des mesures supplémentaires pour déterminer l'indice d'hydrogène relatif (RHI) de l'huile, l'information qui n'est souvent pas facilement disponible ou difficile à mesurer avec précision sur le terrain. Notre étude montre qu'en utilisant des modèles de viscosité RMN dérivés du ML, ces mesures ne sont pas nécessaires, " explique Strahinja Markovic, doctorante chez Skoltech-Curtin, le premier auteur de l'article.

Les scientifiques sont convaincus que leur méthode peut trouver une utilisation au-delà de l'industrie pétrolière. Il n'est pas rare que l'échantillon de test ne soit pas disponible pour des tests directs, qui fait des mesures indirectes une alternative heureuse pour une variété de secteurs, comme l'industrie alimentaire où la qualité des fruits pouvait être testée sans même les couper, ou en agriculture où l'évaluation de la qualité des sols pourrait couvrir des zones beaucoup plus vastes.