Machine Learning-Powered Predictive Analytics for Evaluating the Performance of Energized Foams

في أعماق ما تحت سطح الأرض، وفي تكوينات صخرية ضيقة للغاية بحيث لا يمكن للنفط والغاز التدفق فيها بحرية، يتعين على المهندسين إنشاء شقوق اصطناعية لتحرير هذه الموارد. وتتضمن هذه العملية، المعروفة باسم التكسير الهيدروليكي، ضخ سوائل بضغط هائل لتفتيت الصخور ثم دفع حبيبات صلبة، تُسمى "المواد الداعمة" (proppants)، داخل تلك الشقوق لإبقائها مفتوحة. ويعتمد نجاح العملية بأكملها على لزوجة السائل أو سمكه؛ فإذا كان السائل رقيقاً جداً، ستغوص المواد الداعمة قبل وصولها إلى نهاية الشق، مما يترك الخزان غير منتج. أما إذا كان سميكاً جداً، فسيصبح من الصعب ضخه. وفي البيئات الأكثر حرارة وضغطاً، حيث يمكن أن تتجاوز درجات الحرارة 120 درجة مئوية وتصل الضغوط إلى أكثر من 3,000 رطل لكل بوصة مربعة، يصبح التنبؤ بكيفية سلوك هذا السائل أمراً صعباً للغاية. ولحل هذه المعضلة، لجأ الباحثون إلى "الرغوات المنشطة" (energized foams)، وهي مخاليط من الغاز والسائل تستخدم كمية أقل من الماء مقارنة بالسوائل التقليدية مع حمل المواد الصلبة الضرورية. ومع ذلك، فإن هذه الرغوات غير مستقرة؛ إذ يمكن أن تنهار أو يتغير سمكها بسرعة تحت تأثير الحرارة والضغط الشديدين داخل البئر، مما يجعل من الصعب معرفة كيفية أدائها حتى يفوت الأوان.

لقد طور فريق من الباحثين في جامعة أديلايد طريقة جديدة للتنبؤ بكيفية سلوك هذه الرغوات المنشطة، وذلك عبر الجمع بين بيانات المختبر الواقعية والنماذج الحاسوبية التي تتعلم من الخبرة. وبدلاً من الاعتماد فقط على الاختبارات الفيزيائية المكلفة والمستهلكة للوقت، بنى الفريق إطاراً رقمياً يمكنه التنبؤ بسمك السائل أثناء تغيره بمرور الوقت. وقد جمعوا بيانات من أحد عشر تجربة مختبرية متميزة شملت رغوات ثاني أكسيد الكربون والنيتروجين، وسجلوا ما يقرب من 4,000 قياس فردي. غطت هذه الاختبارات نطاقاً واسعاً من الظروف، من ضغوط تتراوح بين 947 و3,040 رطلاً لكل بوصة مربعة، ودرجات حرارة من 25 إلى 122 درجة مئوية. وركز الباحثون على نوع محدد من الرغوة يتم تثبيتها بواسطة مزيج من "المواد الخافضة للتوتر السطحي" (surfactants)، وهي مواد كيميائية تساعد على خلط الزيت والماء، و"جسيمات السيليكا النانوية"، وهي جزيئات صلبة متناهية الصغر تعمل على تعزيز هيكل الرغوة. ومن خلال تغذية هذه البيانات في خوارزميات التعلم الآلي، أنشأوا أداتين متكاملتين: إحداهما تتنبأ بسمك السائل بناءً على الظروف الحالية، والأخرى تتبع كيفية تطور هذا السمك مع تقدم التجربة.

الأداة الأولى، المصممة لفهم السائل في لحظة واحدة، نجحت في تحديد أن درجة الحرارة هي العامل الأكثر أهمية. فعندما ترتفع الحرارة، تخف كثافة الرغوة، وقد تعلم النموذج الحاسوبي توقع هذا الانخفاض بدقة عالية. ومن بين مختلف النهج الرياضية المختبرة، ثبت أن نوعاً من الشبكات العصبية يُعرف باسم "المدرك متعدد الطبقات" (multilayer perceptron) هو الأكثر موثوقية لهذه المهمة. فقد استطاع النظر في الضغط ودرجة الحرارة والتركيبة الكيميائية للمزيج في اللحظة الراهنة وتقدير سمك السائل بمستوى من الدقة يضاهي الاختبارات الفيزيائية، ولكن دون الحاجة إلى إجراء تجربة جديدة في كل مرة. يعمل هذا النموذج كنقطة انطلاق، حيث يعطي المهندسين توقعاً أساسياً لكيفية سلوك السائل قبل دخوله في بيئة البئر المعقدة والمتغيرة.

أما الأداة الثانية، فهي تعالج حقيقة أن الرغوة لا تبقى ثابتة؛ فهي تتحلل وتتغير أثناء ضخها وتسخينها بمرور الوقت. ولتجسيد ذلك، بنى الباحثون نموذجاً ديناميكياً ينظر إلى تاريخ سلوك السائل. تماماً كما قد يشعر الشخص بالتعب بعد يوم عمل طويل، يضعف هيكل الرغوة بعد تعرضها للإجهاد. وقد تعلم النموذج الحاسوبي التعرف على هذه الأنماط من خلال النظر في سمك السائل في اللحظات التي سبقت اللحظة الحالية مباشرة. وكانت الخوارزمية الأكثر فعالية لهذه المهمة هي طريقة تُسمى "انحدار لاسو" (Lasso regression)، وهي طريقة بارعة بشكل خاص في إيجاد أنماط بسيطة ومستقرة في البيانات دون الارتباك بالضجيج. نجح هذا النموذج في التنبؤ بالاتجاه العام لتناقص سمك السائل بمرور الوقت، حيث قام بتنعيم القمم والوديان الحادة التي تحدث غالباً في البيانات الخام لتوفير صورة واضحة لدورة حياة السائل.

وعلى الرغم من أداء النماذج بشكل جيد عند اختبارها على بيانات مشابهة لما رأت خلال مرحلة التدريب، فقد وجد الباحثون أن دقتها تنخفض عندما تواجه تجارب جديدة تماماً لم تصادفها من قبل. وهذه نتيجة بالغة الأهمية، إذ تسلط الضوء على حدود النهج الحالي. فالنماذج ممتازة في عملية "الاستكمال الداخلي" (interpolation)، أي ملء الفجوات بين الظروف المعروفة، لكنها لا تستطيع بعد التنبؤ بيقين تام بكيفية سلوك تركيبة رغوية مختلفة تماماً أو مجموعة جديدة كلياً من الظروف. وتستبعد الدراسة صراحةً فكرة أن هذه النماذج الحاسوبية يمكن أن تحل محل الاختبار الفيزيائي بالكامل؛ بل يضع الباحثون عملهم كأداة فحص قوية، تسمح للمهندسين باختبار مئات السيناريوهات المختلفة على الحاسوب لمعرفة أي منها يبدو واعداً، مما يقلص الخيارات قبل الالتزام بعملية الاختبار المختبري المكلفة والخطيرة.

كما أوضحت الدراسة المحركات التي تقف وراء سلوك السائل. ففي التنبؤات الساكنة (لحظة بلحظة)، كانت درجة الحرارة هي القوة المهيمنة، تليها سرعة ضخ السائل. أما في التنبؤات الديناميكية القائمة على الزمن، فقد كان العامل الأهم هو ببساطة كيف تصرف السائل في الماضي القريب. وهذا يؤكد أن تاريخ الرغوة لا يقل أهمية عن حالتها الراهنة. وأشار الباحثون إلى أن بياناتهم لم تتضمن قياسات مستمرة لكل متغير ممكن، مثل الكمية الدقيقة للملح في الماء أو التركيز الدقيق للجسيمات النانوية في كل ثانية، مما يحد من المدى الذي يمكن دفع النماذج إليه.

في نهاية المطاف، يوفر هذا العمل جسراً بين الواقع الفوضوي لديناميكا السوائل والدقة النظيفة للتنبؤ الحاسوبي. فهو يقدم وسيلة لتصور كيفية ترقق وتغير الرغوة المنشطة أثناء انتقالها من السطح نزولاً إلى خزان ساخن وعالي الضغط. ومن خلال الجمع بين لقطة للحالة الراهنة وذاكرة للماضي، يمنح النظام المهندسين صورة أكثر اكتمالاً لأداء السائل. وبينما لا يعد هذا النظام "بلورة سحرية" تتنبأ بمستقبل أي رغوة ممكنة تحت أي ظرف، إلا أنه أداة قوية لاتخاذ قرارات أفضل اليوم. فهو يساعد في تحديد أولويات المجموعات الكيميائية التي تستحق المزيد من الدراسة، واستراتيجيات التشغيل التي من المرجح أن تنجح، مما يوفر الوقت والموارد مع تحسين سلامة وكفاءة استخراج الطاقة من أكثر خزانات الأرض تحدياً.