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

Tief unter der Erdoberfläche, in Gesteinsformationen, die so dicht sind, dass Öl und Gas nicht frei fließen können, müssen Ingenieure künstliche Risse erzeugen, um diese Ressourcen zu erschließen. Dieser Prozess, bekannt als hydraulisches Brechen (Hydraulic Fracturing), beinhaltet das Pumpen von Flüssigkeit unter immensem Druck, um das Gestein aufzusprengen, und das anschließende Einbringen fester Körner, sogenannter Proppants, in diese Risse, um sie offen zu halten. Der Erfolg des gesamten Einsatzes hängt von der Dickflüssigkeit, der Viskosität, der Flüssigkeit ab. Wenn die Flüssigkeit zu dünnflüssig ist, sinken die Proppants ab, bevor sie das Ende des Risses erreichen, wodurch das Reservoir unproduktiv bleibt. Wenn sie zu dickflüssig ist, wird sie schwierig zu pumpen. In den heißesten und unter dem höchsten Druck stehenden Umgebungen, in denen die Temperaturen 120 Grad Celsius überschreiten und der Druck über 3.000 Pfund pro Quadratzoll erreicht, ist die Vorhersage, wie sich diese Flüssigkeit verhalten wird, notorisch schwierig. Um dies zu lösen, haben Forscher sich „energisierter Schäume“ zugewandt, Mischungen aus Gas und Flüssigkeit, die weniger Wasser als herkömmliche Flüssigkeiten verwenden, während sie dennoch die notwendigen Feststoffe transportieren. Diese Schäume sind jedoch instabil; sie können unter der extremen Hitze und dem Druck eines Bohrlochs schnell zerfallen oder ihre Dickflüssigkeit ändern, was es schwierig macht, zu wissen, wie sie sich leisten werden, bevor es zu spät ist.

Ein Forschungsteam der University of Adelaide hat einen neuen Weg entwickelt, um vorherzusagen, wie sich diese energisierten Schäume verhalten werden, indem sie reale Labordaten mit Computermodellen kombiniert, die aus Erfahrung lernen. Anstatt sich allein auf teure und zeitaufwendige physische Tests zu verlassen, baute das Team ein digitales Framework, das die Dickflüssigkeit der Flüssigkeit vorhersagen kann, während sie sich im Laufe der Zeit verändert. Sie sammelten Daten aus elf verschiedenen Laborexperimenten mit Kohlendioxid- und Stickstoffschäumen und erfassten dabei fast 4.000 Einzelmessungen. Diese Tests deckten ein breites Spektrum an Bedingungen ab, von Drücken zwischen 947 und 3.040 psi und Temperaturen von 25 bis 122 Grad Celsius. Die Forscher konzentrierten sich auf eine spezifische Art von Schaum, der durch eine Kombination aus Tensiden – Chemikalien, die helfen, Öl und Wasser zu mischen – und Silica-Nanopartikeln stabilisiert wird, winzigen festen Partikeln, die die Struktur des Schaums verstärken. Durch die Einspeisung dieser Daten in Algorithmen des maschinellen Lernens schufen sie zwei komplementäre Werkzeuge: eines, das die Dickflüssigkeit der Flüssigkeit basierend auf den aktuellen Bedingungen vorhersagt, und ein weiteres, das verfolgt, wie sich diese Dickflüssigkeit im Verlauf des Experiments entwickelt.

Das erste Werkzeug, das darauf ausgelegt ist, die Flüssigkeit in einem einzelnen Moment zu verstehen, identifizierte erfolgreich, dass die Temperatur der kritischste Faktor ist. Wenn die Hitze steigt, wird der Schaum dünnflüssiger, und das Computermodell lernte, diesen Abfall mit hoher Genauigkeit vorherzusehen. Unter den verschiedenen mathematischen Ansätzen, die getestet wurden, erwies sich ein Typ neuronaler Netze, bekannt als Multilayer-Perzeptron, als am zuverlässigsten für diese Aufgabe. Es konnte den aktuellen Druck, die Temperatur und die chemische Zusammensetzung der Mischung betrachten und die Dickflüssigkeit der Flüssigkeit mit einer Präzision schätzen, die physikalischen Tests ebenbürtig ist, aber ohne die Notwendigkeit eines neuen Experiments bei jedem Mal. Dieses Modell dient als Ausgangspunkt und gibt den Ingenieuren eine Basiserwartung darüber, wie sich die Flüssigkeit verhalten sollte, bevor sie in die komplexe, sich verändernde Umgebung eines Bohrlochs eintritt.

Das zweite Werkzeug adresst die Tatsache, dass Schaum nicht gleich bleibt; er degradiert und verändert sich, während er gepumpt und erhitzt wird. Um dies zu erfassen, bauten die Forscher ein dynamisches Modell, das die Historie des Verhaltens der Flüssigkeit betrachtet. Genau wie eine Person nach einem langen Arbeitstag müde sein kann, schwächt sich die Struktur des Schaums nach der Einwirkung von Stress ab. Das Computermodell lernte, diese Muster zu erkennen, indem es die Dickflüssigkeit der Flüssigkeit in den Momenten unmittelbar vor dem aktuellen Moment betrachtete. Der effektivste Algorithmus für diese Aufgabe war eine Methode namens Lasso-Regression, die besonders gut darin ist, einfache, stabile Muster in Daten zu finden, ohne durch Rauschen verwirrt zu werden. Dieses Modell sagte erfolgreich den allgemeinen Trend des Ausdünnens der Flüssigkeit im Laufe der Zeit voraus, indem es die gezackten Spitzen und Täler glättete, die oft in Rohdaten auftreten, um ein klares Bild des Lebenszyklus der Flüssigkeit zu liefern.

Obwohl die Modelle gut funktionierten, wenn sie mit Daten getestet wurden, die den während des Trainings gesehenen Bedingungen ähnlich waren, fanden die Forscher heraus, dass ihre Genauigkeit sank, wenn sie mit völlig neuen Experimenten konfrontiert wurden, mit denen sie zuvor noch nie zu tun hatten. Dies ist ein entscheidender Befund, da er die Grenzen des aktuellen Ansatzes aufzeigt. Die Modelle sind exzellent darin, zu interpolieren, also die Lücken zwischen bekannten Bedingungen zu füllen, aber sie können noch nicht mit absoluter Gewissheit vorhersagen, wie eine völlig andere Schaumformulierung oder ein drastisch neuer Satz von Bedingungen reagieren wird. Die Studie schließt explizit die Vorstellung aus, dass diese Computermodelle physische Tests vollständig ersetzen können. Stattdessen positionieren die Forscher ihre Arbeit als ein leistungsstarkes Screening-Werkzeug. Es ermöglicht Ingenieuren, hunderte von verschiedenen Szenarien am Computer zu testen, um zu sehen, welche vielversprechend aussehen, wodurch die Optionen eingegrenzt werden, bevor sie sich dem kostspieligen und gefährlichen Prozess des physischen Labortests verschreiben.

Die Studie klärte auch, was das Verhalten der Flüssigkeit antreibt. In den statischen, momentbezogenen Vorhersagen war die Temperatur die dominierende Kraft, gefolgt von der Geschwindigkeit, mit der die Flüssigkeit gepumpt wurde. In den dynamischen, zeitbasierten Vorhersagen war der wichtigste Faktor schlichtweg, wie sich die Flüssigkeit in der jüngeren Vergangenheit verhalten hatte. Dies bestätigt, dass die Historie des Schaums genauso wichtig ist wie sein aktueller Zustand. Die Forscher merkten an, dass ihre Daten keine kontinuierlichen Messungen jeder möglichen Variable enthielten, wie etwa die exakte Menge an Salz im Wasser oder die präzise Konzentration von Nanopartikeln in jeder Sekunde, was die Möglichkeiten begrenzt, wie weit die Modelle vorangetrieben werden können.

Letztendlich bildet diese Arbeit eine Brücke zwischen der chaotischen Realität der Fluiddynamik und der sauberen Präzision der Computervorhersage. Sie bietet eine Möglichkeit, zu visualisieren, wie sich ein energisierter Schaum ausdünnt und verändert, während er von der Oberfläche hinunter in ein heißes, unter hohem Druck stehendes Reservoir wandert. Durch die Kombination eines Schnappschusses des aktuellen Zustands mit einer Erinnerung an die Vergangenheit liefert das System den Ingenieuren ein vollständigeres Bild der Leistung der Flüssigkeit. Obwohl es kein Kristallball ist, der die Zukunft jedes möglichen Schaums unter allen Bedingungen vorhersagen kann, ist es ein robustes Werkzeug, um heute bessere Entscheidungen zu treffen. Es hilft dabei, zu priorisieren, welche chemischen Mischungen weitere Studien verdienen und welche Betriebsstrategien wahrscheinlich erfolgreich sein werden, wodurch Zeit und Ressourcen gespart werden, während gleichzeitig die Sicherheit und Effizienz der Energiegewinnung aus den anspruchsvollsten Reserven der Erde verbessert wird.