斯科尔科沃科技学院 学分:斯科尔科沃科技学院 一组斯科特科学家开发了机器学习算法，可以教授人工智能根据核磁共振数据确定石油粘度。
这种新方法对于石油工业和其他需要依靠间接测量来表征物质的行业来说非常方便
这项研究发表在《能源和燃料》杂志上
粘度是石油和石化产品的一个重要参数，对生产和加工有影响，同时有助于更好地理解和模拟储层中的自然过程
标准的油粘度评估和监测技术非常费时费钱，有时在技术上不可行
核磁共振有助于确定材料的性质，这要归功于材料吸收和发射电磁能量的能力
石油是碳氢化合物的化学非均质混合物，这使得核磁共振结果的解释极其困难
一组来自斯科尔泰克、卡尔加里大学(加拿大)和柯廷大学(澳大利亚)的科学家使用最大似然算法处理核磁共振数据
他们的模型以加拿大和美国油田的各种类型的核磁共振数据为基础，产生了一个准确的粘度预测，并得到了实验室测试的证实
根据斯科尔提赫碳氢化合物回收中心的教授德米特里·科罗捷夫(Dmitry Koroteev)的说法，他们的研究说明了最大似然算法如何帮助表征间接测量的材料特性，更具体地说，是通过使用核磁共振测量而不是实验室的粘度测量
实际上，这意味着无需提取样本并将其带到实验室进行测试，就可以获得地下储层中的石油信息
“令人惊讶的是，最大似然法在这里比传统的相关性更有效，”科罗捷夫教授说
“我们拥有的直接和间接实验测量是我们的最大似然算法的一个很好的训练集
测试表明，该算法具有良好的泛化能力，不需要再训练
" “特别有趣的是超稠油和沥青样品的高精度最大似然模型
由于其复杂的化学组成，核磁共振弛豫和粘度之间的关系对于这种油类来说没有很好的定义
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)，这种信息通常不容易获得或难以在现场准确测量
我们的研究表明，通过使用核磁共振粘度模型，这些测量是不必要的
D
该论文的第一作者，学生斯特拉希尼娅·马尔科维奇
科学家们确信他们的方法可以在石油工业之外找到用途
测试样品不可用于直接测试的情况并不少见，这使得间接测量成为各种行业的幸运选择，例如食品行业，在该行业中，甚至不切开水果就可以测试水果的质量，或者在农业中，土壤质量评估可以覆盖更大的区域
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
