Kecerdasan Buatan Dapat Perkirakan Kekentalan Minyak

Liputan6.com, Jakarta - Sekelompok peneliti mengembangkan algoritma Machine Learning yang dapat mengajarkan Artificial Intelligence untuk menentukan kekentalan minyak berdasarkan data resonansi magnetik nuklir.

Metode baru ini dapat berguna untuk industri perminyakan dan sektor lainnya, yang harus bergantung pada pengukuran tidak langsung untuk menentukan karakter suatu zat. Penelitian ini dipublikasikan di jurnal Energy and Fuels.

Sebagai parameter penting minyak dan petrokimia, kekentalan memiliki implikasi untuk produksi dan pemrosesan, sekaligus membantu untuk lebih memahami dan memodelkan proses alami di reservoir.

Teknik penilaian dan pemantauan kekentalan minyak konvensional sangat memakan waktu dan biaya. Bahkan terkadang, teknik konvensional secara teknis tidak dapat dilakukan.

Resonansi magnetik nuklir dapat membantu menentukan karakter berkat kemampuan material untuk menyerap dan memancarkan energi elektromagnetik. Minyak adalah campuran hidrokarbon yang secara kimiawi bersifat heterogen, sehingga interpretasi hasil resonansi magnetik nuklir menjadi sangat sulit.

Saksikan video pilihan di bawah ini

Namun, para peneliti di Skoltech, University of Calgary (Kanada), dan Curtin University (Australia) memproses data resonansi magnetik nuklir menggunakan algoritma Machine Learning.

Model mereka dilatih berdasarkan data resonansi magnetik nuklir pada berbagai jenis minyak dari ladang di Kanada dan Amerika Serikat dan menghasilkan prediksi kekentalan akurat, yang dikonfirmasi melalui uji laboratorium.

Dmitry Koroteev, profesor di Skoltech Center for Hydrocarbon Recovery (CHR) dan salah satu pimpinan penelitian ini, mengatakan bahwa algoritme Machine Learning dapat membantu menentukan karakter sifat material yang diukur secara tidak langsung.

Secara praktis, ini berarti bahwa seseorang dapat memperoleh informasi tentang minyak di reservoir bawah permukaan tanpa mengekstraksi sampel dan membawanya ke laboratorium untuk diuji.

"Uniknya, Machine Learning bekerja lebih baik di sini daripada korelasi tradisional," kata Koroteev. "Pengujian menunjukkan bahwa algoritma kami memiliki kemampuan generalisasi yang baik dan tidak memerlukan pelatihan ulang."