طوّر باحثون في معهد موسكو للفيزياء والتقنية نموذجاً جزيئياً جديداً يعتمد على تقنيات التعلم الآلي، يهدف إلى تحسين دقة تحديد خصائص النفط أثناء عمليات الاستخراج، بنسبة تصل إلى نحو 90%.
وأوضح المعهد أن هذا النموذج يركّز على حساب التوتر السطحي بين السوائل داخل الصخور المسامية، وهو عامل أساسي في رفع كفاءة استخراج النفط وزيادة دقته.
وقال المدير التنفيذي لمركز الفيزياء الحاسوبية في المعهد نيكولاي كوندراتيوك، إن الطرق التقليدية كانت تتطلب وقتاً طويلاً لتحديد معايير مثل ملوحة المياه وتركيب الغاز في كل حقل، بينما يختصر النموذج الجديد هذه الخطوات بشكل ملحوظ.
وأشار إلى أن النماذج السابقة كانت تعاني من هامش خطأ قد يصل إلى 40%، إلى جانب اعتمادها على اختبارات مخبرية تستغرق أشهراً وتكلف الكثير من الموارد.
من جانبه، أوضح الباحث إيليا كوبانيشوك أن النماذج الأولية اجتازت الاختبارات بنجاح، لافتاً إلى خطط مستقبلية لتوسيع استخدامها لتشمل النفط الثقيل ودراسة سلوك الموائع في التراكيب النانوية.
ويعتمد النظام على حوسبة عالية الأداء تأخذ في الاعتبار عوامل متعددة مثل درجة الحرارة والضغط وتركيب النفط والغازات والأملاح الذائبة، ما أسهم في رفع دقة التوقعات إلى 90% باستخدام خوارزميات التعلم الآلي.
وتبرز أهمية هذه التقنية بشكل خاص في تطبيقات حقن ثاني أكسيد الكربون داخل الطبقات الصخرية لزيادة كفاءة الاستخراج.
Researchers at the Moscow Institute of Physics and Technology have developed a new molecular model based on machine learning techniques, aimed at improving the accuracy of oil property determination during extraction processes by up to about 90%.
The institute explained that this model focuses on calculating the surface tension between fluids within porous rocks, which is a key factor in enhancing oil extraction efficiency and increasing its accuracy.
Nikolai Kondratiev, the executive director of the Computational Physics Center at the institute, stated that traditional methods required a long time to determine parameters such as water salinity and gas composition in each field, while the new model significantly shortens these steps.
He noted that previous models suffered from an error margin of up to 40%, in addition to relying on laboratory tests that took months and cost a lot of resources.
For his part, researcher Ilya Kobanishchuk explained that the prototypes successfully passed the tests, pointing to future plans to expand their use to include heavy oil and study the behavior of fluids in nanostructures.
The system relies on high-performance computing that takes into account multiple factors such as temperature, pressure, oil composition, gases, and dissolved salts, which has contributed to increasing the accuracy of predictions to 90% using machine learning algorithms.
The importance of this technology is particularly highlighted in applications of injecting carbon dioxide into rock formations to enhance extraction efficiency.
