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

En lo profundo de la superficie terrestre, en formaciones rocosas tan apretadas que el petróleo y el gas no pueden fluir libremente, los ingenieros deben crear grietas artificiales para desbloquear estos recursos. Este proceso, conocido como fracturación hidráulica, consiste en bombear fluido a una presión inmensa para fracturar la roca y luego empujar granos sólidos, llamados proppants, dentro de esas grietas para mantenerlas abiertas. El éxito de toda la operación depende de la densidad del fluido, o viscosidad. Si el fluido es demasiado delgado, los proppants se hunden antes de llegar al final de la grieta, dejando el yacimiento improductivo. Si es demasiado espeso, resulta difícil de bombear. En los entornos más calurosos y presurizados, donde las temperaturas pueden superar los 120 grados Celsius y las presiones alcanzan más de 3,000 libras por pulgada cuadrada, predecir cómo se comportará este fluido es notoriamente difícil. Para resolver esto, los investigadores han recurrido a las "espumas energizadas", que son mezclas de gas y líquido que utilizan menos agua que los fluidos tradicionales mientras transportan los sólidos necesarios. Sin embargo, estas espumas son inestables; pueden descomponerse o cambiar su espesor rápidamente bajo el calor y la presión extremos de un pozo, lo que dificulta saber cómo funcionarán hasta que sea demasiado tarde.

Un equipo de investigadores de la Universidad de Adelaida ha desarrollado una nueva forma de predecir cómo se comportarán estas espumas energizadas, combinando datos de laboratorio del mundo real con modelos informáticos que aprenden de la experiencia. En lugar de depender únicamente de pruebas físicas costosas y lentas, el equipo construyó un marco digital que puede pronosticar el espesor del fluido a medida que cambia con el tiempo. Recopilaron datos de once experimentos de laboratorio distintos que involucraban espumas de dióxido de carbono y nitrógeno, capturando casi 4,000 mediciones individuales. Estas pruebas cubrieron una amplia gama de condiciones, desde presiones de 947 a 3,040 psi y temperaturas de 25 a 122 grados Celsius. Los investigadores se centraron en un tipo específico de espuma estabilizada por una combinación de surfactantes, que son productos químicos que ayudan a mezclar el aceite y el agua, y nanopartículas de sílice, que son diminutas partículas sólidas que refuerzan la estructura de la espuma. Al introducir estos datos en algoritmos de aprendizaje automático, crearon dos herramientas complementarias: una que predice el espesor del fluido basándose en las condiciones actuales, y otra que rastrea cómo evoluciona ese espesor a medida que avanza el experimento.

La primera herramienta, diseñada para comprender el fluido en un solo momento, identificó con éxito que la temperatura es el factor más crítico. Cuando el calor aumenta, la espuma se adelgaza, y el modelo informático aprendió a anticipar esta caída con alta precisión. Entre los diversos enfoques matemáticos probados, un tipo de red neuronal conocida como perceptrón multicapa resultó ser la más fiable para esta tarea. Podía observar la presión, la temperatura y la composición química actual de la mezcla y estimar el espesor del fluido con un nivel de precisión que rivaliza con las pruebas físicas, pero sin la necesidad de realizar un nuevo experimento cada vez. Este modelo actúa como un punto de partida, dando a los ingenieros una expectativa base de cómo debería comportarse el fluido antes de entrar en el complejo y cambiante entorno de un pozo.

La segunda herramienta aborda el hecho de que la espuma no permanece igual; se degrada y cambia a medida que se bombea y se calienta con el tiempo. Para capturar esto, los investigadores construyeron un modelo dinámico que observa la historia del comportamiento del fluido. Así como una persona puede sentirse cansada después de un largo día de trabajo, la estructura de la espuma se debilita tras ser sometida al estrés. El modelo informático aprendió a reconocer estos patrones observando el espesor del fluido en los momentos inmediatamente anteriores al momento actual. El algoritmo más eficaz para este trabajo fue un método llamado regresión Lasso, que es particularmente bueno para encontrar patrones simples y estables en los datos sin confundirse con el ruido. Este modelo predijo con éxito la tendencia general del adelgazamiento del fluido a lo largo del tiempo, suavizando los picos y valles irregulares que suelen ocurrir en los datos brutos para proporcionar una imagen clara del ciclo de vida del fluido.

Aunque los modelos funcionaron bien cuando fueron probados con datos similares a los que habían visto durante el entrenamiento, los investigadores descubrieron que su precisión disminuía cuando se enfrentaban a experimentos completamente nuevos que nunca habían encontrado antes. Este es un hallazgo crucial, ya que resalta los límites del enfoque actual. Los modelos son excelentes para interpolar, o rellenar los huecos entre condiciones conocidas, pero aún no pueden predecir con total certeza cómo se comportará una formulación de espuma completamente diferente o un conjunto de condiciones drásticamente nuevo. El estudio descarta explícitamente la idea de que estos modelos informáticos puedan reemplazar por completo las pruebas físicas. En su lugar, los investigadores posicionan su trabajo como una poderosa herramienta de cribado. Permite a los ingenieros probar cientos de escenarios diferentes en una computadora para ver cuáles parecen prometedores, reduciendo las opciones antes de comprometerse con el costoso y peligroso proceso de las pruebas de laboratorio físicas.

El estudio también aclaró qué impulsa el comportamiento del fluido. En las predicciones estáticas de momento a momento, la temperatura fue la fuerza dominante, seguida de la velocidad a la que se bombea el fluido. En las predicciones dinámicas basadas en el tiempo, el factor más importante fue simplemente cómo se había comportado el fluido en el pasado reciente. Esto confirma que la historia de la espuma es tan importante como su estado actual. Los investigadores señalaron que sus datos no incluían mediciones continuas de cada variable posible, como la cantidad exacta de sal en el agua o la concentración precisa de nanopartículas en cada segundo, lo que limita hasta dónde se pueden llevar los modelos.

En última instancia, este trabajo proporciona un puente entre la realidad desordenada de la dinámica de fluidos y la precisión limpia de la predicción informática. Ofrece una forma de visualizar cómo la espuma energizada se adelgaza y cambia a medida que viaja desde la superficie hacia un yacimiento caliente y de alta presión. Al combinar una instantánea del estado actual con un recuerdo del pasado, el sistema ofrece a los ingenieros una imagen más completa del rendimiento del fluido. Si bien no es un oráculo capaz de predecir el futuro de cualquier posible espuma bajo cualquier condición, es una herramienta robusta para tomar mejores decisiones hoy. Ayuda a priorizar qué mezclas químicas merecen un estudio más profundo y qué estrategias operativas tienen probabilidades de éxito, ahorrando tiempo y recursos, al tiempo que mejora la seguridad y la eficiencia en la extracción de energía de los yacimientos más desafiantes de la Tierra.