Ведущий научный сотрудник лаборатории теории и#nbsp;оптимизации химических и#nbsp;технологических процессов ТюмГУ Максим Молокеев известен как ученый-кристаллограф. Он#nbsp;занимается поиском новых структур монокристаллов и#nbsp;порошков, анализирует взаимосвязи их#nbsp;строения, физические, химические и#nbsp;другие свойства.
«В#nbsp;ТюмГУ есть сильная группа химиков, которые синтезируют уникальные соединения. Мой опыт структурной характеризации кристаллов очень полезен коллегам,#nbsp;— рассказал исследователь. —#nbsp;Однако в#nbsp;2023 году я#nbsp;начал работать в лаборатории, где в#nbsp;большей степени пригодились накопленные знания в#nbsp;области машинного обучения».
Подразделение возглавляет Андрей Елышев, руководитель стратегического проекта «Природовдохновленный инжиниринг» программы «Приоритет 2030». Одно из#nbsp;научных направлений#nbsp;— повышение эффективности протекания различных процессов, в#nbsp;том числе с#nbsp;помощью катализаторов. Исследователи разрабатывают новые подходы переработки неклассического углеводородного сырья: например, попутного нефтяного и#nbsp;природного газа.
Ученый Максим Молокеев уверен, в масштабировании исследований и#nbsp;проверке выводов могут помочь именно цифровые инструменты.
Модели машинного обучения для переработки углеводородов
«В#nbsp;цифру переводятся экспериментальные параметры, например, давление, скорость потока, температура, химический состав и#nbsp;т.#nbsp;д., а#nbsp;также истинное, измеренное свойство.#nbsp;— объяснил ученый. —#nbsp;После этого система (методы машинного обучения с#nbsp;учителем) обучается по#nbsp;собранным данным. Анализируется, какие есть взаимосвязи, а#nbsp;затем создаются специальные модели#nbsp;— с#nbsp;их#nbsp;помощью можно улучшать процесс прохождения реакций или даже прогнозировать свойства эксперимента, который еще не#nbsp;проводили».
Правильность цифровой модели проверяется от#nbsp;обратного#nbsp;— на#nbsp;реальном кейсе. Если смоделированные и#nbsp;действительные результаты сходятся, то#nbsp;и#nbsp;правила (взаимосвязи), которые были выведены с#nbsp;помощью машинного обучения, адекватны, их#nbsp;можно и#nbsp;нужно учитывать.
Цифровизация в#nbsp;перспективе несет экономическую выгоду, но#nbsp;на#nbsp;первоначальных этапах сопровождается трудоемкой работой по#nbsp;сбору данных, которую важно максимально автоматизировать.
«Мы#nbsp;построили три модели на#nbsp;основе информации, собранной полностью в#nbsp;лаборатории. Это очень вдохновило коллег, показало, что можем соревноваться с#nbsp;передовыми зарубежными группами. Часть полученных результатов опубликована в#nbsp;высокорейтинговых научных журналах»,#nbsp;— отметил Максим.
Цифровой двойник
Цифровые инструменты могут использоваться для создания прообразов каких-то действительных объектов, их#nbsp;свойств и#nbsp;происходящих реакций. Одно из#nbsp;направлений деятельности Научного центра мирового уровня в#nbsp;Тюменском государственном университете#nbsp;— разработка цифровых двойников пластовых пород. Исследователи занимаются моделированием процессов, которые происходят в#nbsp;нефтеносных пластах на#nbsp;микро- и#nbsp;наноуровне.
Сейчас Молокеев работает над моделью машинного обучения, которая строит прогноз графиков относительной фазовой проницаемости. Такие графики описывают способность породы пропускать различные жидкости как, например, нефть или вода в#nbsp;смеси. Данные обрабатываются и#nbsp;представляются так, чтобы перевести их#nbsp;в#nbsp;векторы малой размерности#nbsp;— цифровой материал для прогнозирования. С#nbsp;их#nbsp;помощью исследователи представят, насколько будет эффективна добычи нефти при разных условиях.
«Мы#nbsp;используем метод неотрицательного матричного разложения, который относится к#nbsp;методам машинного обучения без учителя. Они позволяют эффективно сжать размерность пространства параметров в#nbsp;латентное намного меньшей размерности пространство почти без потери информации. Иными словами, любой график или изображение (другой сложный объект) можно представить, например, тремя в#nbsp;случае графика или десятком чисел в#nbsp;случае изображения. Это помогает существенно снизить сложность модели дальнейшего обучения, выбросить несущественные признаки, повысить стабильность прогноза по#nbsp;новым данным и#nbsp;иногда даже точность»,#nbsp;— объясняет Максим.
Модель тюменских ученых апробирована, она показала высокие возможности прогноза на#nbsp;небольшой группе кернов. Сейчас необходимо увеличить объем данных, чтобы построить рабочую модель и#nbsp;определить еще не#nbsp;учтенные погрешности.
«Ключевая идея работы заключается не#nbsp;в#nbsp;использовании каких-то особых инструментов машинного обучения#nbsp;— они самые обычные и#nbsp;известные#nbsp;— а#nbsp;в#nbsp;том, что мы#nbsp;предложили принципиально новую идею для сбора данных и#nbsp;построения модели»,#nbsp;— заключил исследователь.
Один из#nbsp;самых цитируемых в#nbsp;стране
Максим Молокеев входит в#nbsp;число самых высокоцитируемых ученых физиков России и#nbsp;в#nbsp;топ-10 химиков страны.
«Первое в#nbsp;полной мере отражает действительность, поскольку я#nbsp;физик, который опубликовал достаточно большое количество работ с#nbsp;высоким индексом цитируемости. К#nbsp;химии имею опосредованное отношение#nbsp;— занимаюсь структурной характеризацией химических веществ, но#nbsp;не#nbsp;синтезом, реакциями и#nbsp;т.#nbsp;п. Быть самым высокоцитируемым значит, что ваши работы активно читаются и#nbsp;на#nbsp;них ссылаются другие исследователи. В#nbsp;мире науки это то#nbsp;же#nbsp;самое, что поставить „лайк“ в#nbsp;соцсетях», —#nbsp;поделился исследователь.
Важная часть работы ученого в#nbsp;ТюмГУ#nbsp;— передача опыта коллегам по#nbsp;лаборатории, развитие их#nbsp;навыков и#nbsp;повышение квалификации в#nbsp;области машинного обучения.
Источник: Управление стратегических коммуникаций ТюмГУ