A Physicochemical Property-Based Predictive Model for Enhanced Oil Recovery Efficiency

Resumen Técnico: Un Modelo Predictivo Basado en Propiedades Fisicoquímicas para la Eficiencia de la Recuperación Mejorada de Petróleo

Planteamiento del Problema
La Recuperación Mejorada de Petróleo (EOR, por sus siglas en inglés) es crítica para la extracción del petróleo remanente en yacimientos maduros; sin embargo, predecir la eficiencia de diversas técnicas de EOR sigue siendo un desafío significativo. Los modelos predictivos existentes dependen frecuentemente de multiplicadores empíricos, factores compensatorios o enfoques de aprendizaje automático de "caja negra" que carecen de generalizabilidad más allá de sus conjuntos de datos de calibración específicos. Estos métodos suelen oscurecer los mecanismos físicos subyacentes, lo que dificulta que los ingenieros evalúen métodos u optimicen los parámetros de inyección sin realizar costosos experimentos de laboratorio. Existe una brecha distintiva en la literatura para un modelo que prediga la eficiencia de EOR a través de múltiples métodos utilizando únicamente propiedades fisicoquímicas medibles, sin factores compensatorios arbitrarios.

Metodología
El artículo propone un nuevo modelo matemático que predice el factor de recuperación de petróleo ($R$) como una combinación multiplicativa de razones adimensionales, cada una de las cuales representa un mecanismo físico distinto. El modelo está gobernado por la Ecuación (1), la cual integra los siguientes insumos medibles:

• Propiedades del Fluido y la Roca: Viscosidad del petróleo ($\mu_o$), permeabilidad absoluta ($k$), velocidad de inyección ($v_{inj}$) y salinidad del agua de formación ($S_{sal}$).
• Condiciones Térmicas y de Presión: Temperatura de inyección ($T_{inj}$), presión de inyección ($P_{inj}$) y Presión Mínima de Miscibilidad ($P_{MM}$).
• Propiedades Químicas: Concentración de surfactante/polímero ($C_{inj}$), Tensión Interfacial (IFT, $\sigma$), calor latente de vaporización ($h_{fg}$), coeficiente de difusión de CO2 ($D_{CO2}$) y adsorción de masa en la roca ($\Gamma$).
• Afinidad Química: Un término novedoso basado en el parámetro de solubilidad de Hildebrand ($\delta$), definido como $exp[-k_{int} \cdot |\delta_{oil} - \delta_{compound}|]$, que cuantifica la interacción fundamental entre el compuesto inyectado y el petróleo de la formación.

El modelo incorpora interpretaciones físicas específicas para cada término:

• Relación de Movilidad: La reducción de viscosidad se modela mediante un exponente de la teoría de flujo fraccional (0.25).
• Efectos Térmicos: La dependencia de la temperatura sigue una relación de tipo Arrhenius, con una temperatura de referencia de 150 °C.
• Miscibilidad: El término de presión captura el aumento abrupto en la recuperación cuando la presión de inyección supera la MMP.
• Sinergia: Un factor de sinergia ASP ($\beta_{ASP}$) contabiliza los efectos combinados de álcali, surfactante y polímero.
• Pérdida por Adsorción: Un término contabiliza la reducción de la concentración del compuesto activo debido a la adsorción en la roca.

Crucialmente, el modelo no contiene factores compensatorios arbitrarios. La única constante calibrada es la constante de interacción química $k_{int} = 0.15$, que representa la sensibilidad de la recuperación a la afinidad química.

Validación y Resultados
El modelo fue validado contra 20 casos experimentales reales extraídos de la literatura revisada por pares, que cubren nueve categorías distintas de EOR: inyección de vapor, inyección de CO2, inyección de polímeros, inyección de surfactantes, inyección de espuma e inyección de Álcali-Surfactante-Polímero (ASP).

• Métricas de Desempeño: El modelo logró un Error Absoluto Medio (MAE) de 0.39% y un Error Absoluto Máximo de 2.0%.
• Distribución de la Precisión: 90% de los casos (18 de 20) tuvieron un error inferior al 1%, y el 100% de los casos tuvieron un error inferior al 2%.
• Observaciones Clave:
  • El modelo capturó con precisión la fuerte dependencia de la temperatura en la inyección de vapor (por ejemplo, experimentos en el campo Liaohe).
  • Predijo correctamente el aumento monotónico de la recuperación con la concentración de polímero.
  • El término de afinidad química mejoró significamente las predicciones para la inyección de surfactantes y ASP, donde la compatibilidad química es esencial.
  • El término de presión reflejó con precisión el salto en la recuperación cuando el CO2 se volvió miscible con el petróleo.

Significancia y Reivindicaciones
El artículo sostiene que este trabajo proporciona una herramienta predictiva genuinamente robusta desde el punto de vista científico para la eficiencia de EOR. Su principal significancia radica en:

1. Rigor Físico: Al depender exclusivamente de propiedades fisicoquímicas medibles y evitar parámetros de ajuste arbitrarios, el modelo ofrece una visión transparente de la física subyacente que gobierna la EOR.
2. Generalizabilidad: El modelo predice con éxito la eficiencia a través de diversos métodos (térmicos, de gas y químicos) y condiciones de yacimiento sin necesidad de recalibración específica para cada método.
3. Integración de la Afinidad Química: La introducción del término del parámetro de solubilidad de Hildebrand aborda una brecha crítica en el modelado de la interacción entre los compuestos inyectados y el petróleo del yacimiento.
4. Aplicación Práctica: El modelo se aplicó a la Cuenca de Potiguar en Brasil, proyectando factores de recuperación para varios métodos (siendo el ASP el que mostró el mayor potencial) y demostrando su utilidad para la evaluación de estrategias de EOR en campos maduros.

Alineación con los Objetivos de Desarrollo Sostenible
El artículo analiza la relevancia del modelo con respecto a los Objetivos de Desarrollo Sostenible (ODS) de la ONU:

• ODS 7 (Energía Asequible y No Contaminante): Al maximizar la recuperación de campos existentes, el modelo ayuda a extender la vida productiva de los yacimientos maduros, reduciendo la necesidad de nueva exploración y perforación, mejorando así la seguridad energética y reduciendo la huella ambiental de la nueva infraestructura.
• ODS 13 (Acción por el Clima): El modelo apoya la optimización de las operaciones de CO2-EOR, que simultáneamente mejoran la recuperación de petróleo y secuestran CO2 bajo tierra. El artículo estima que la aplicación a escala de campo podría almacenar aproximadamente 1,000 toneladas de CO2 por km², contribuyendo a la mitigación del cambio climático.

Limitaciones y Trabajo Futuro
Los autores reconocen que el modelo asume propiedades de yacimiento homogéneas y actualmente no tiene en cuenta la heterogeneidad, las redes de fracturas o los efectos dependientes del tiempo como la degradación del polímero. El trabajo futuro tiene como objetivo extender la validación a yacimientos de carbonatos y fracturados, incorporar la cinética dependiente del tiempo e integrar el modelo con aprendizaje automático para la estimación automática de propiedades a partir de registros de pozos.