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

Profondément sous la surface de la Terre, dans des formations rocheuses si serrées que le pétrole et le gaz ne peuvent circuler librement, les ingénieurs doivent créer des fissures artificielles pour débloquer ces ressources. Ce processus, connu sous le nom de fracturation hydraulique, consiste à pomper un fluide à une pression immense pour fracturer la roche, puis à pousser des grains solides, appelés proppants, dans ces fissures pour les maintenir ouvertes. Le succès de toute l'opération repose sur l'épaisseur du fluide, ou viscosité. Si le fluide est trop mince, les proppants coulent avant d'atteindre l'extrémité de la fissure, laissant le réservoir improductif. S'il est trop épais, il devient difficile à pomper. Dans les environnements les plus chauds et les plus pressurisés, où les températures peuvent dépasser 120 degrés Celsius et les pressions atteindre plus de 3 000 livres par pouce carré, prédire comment ce fluide va se comporter est notoirement difficile. Pour résoudre ce problème, les chercheurs se sont tournés vers les « mousses énergisées », qui sont des mélanges de gaz et de liquide utilisant moins d'eau que les fluides traditionnels tout en transportant les solides nécessaires. Cependant, ces mousses sont instables ; elles peuvent se décomposer ou changer d'épaisseur rapidement sous la chaleur et la pression extrêmes d'un puits, ce qui rend difficile de savoir comment elles se comporteront avant qu'il ne soit trop tard.

Une équipe de chercheurs de l'Université d'Adélaïde a développé une nouvelle façon de prédire comment ces mousses énergisées vont se comporter, en combinant des données de laboratoire réelles avec des modèles informatiques qui apprennent par l'expérience. Au lieu de s'appuyer uniquement sur des tests physiques coûteux et chronophages, l'équipe a construit un cadre numérique capable de prévoir l'épaisseur du fluide à mesure qu'elle change au fil du temps. Ils ont recueilli des données provenant de onze expériences de laboratoire distinctes impliquant des mousses de dioxyde de carbone et d'azote, capturant près de 4 000 mesures individuelles. Ces tests couvraient une large gamme de conditions, allant de pressions de 947 à 3 040 psi et de températures de 25 à 122 degrés Celsius. Les chercheurs se sont concentrés sur un type spécifique de mousse stabilisée par une combinaison de tensioactifs, qui sont des produits chimiques aidant à mélanger l'huile et l'eau, et de nanoparticules de silice, qui sont de minuscules particules solides renforçant la structure de la mousse. En injectant ces données dans des algorithmes d'apprentissage automatique, ils ont créé deux outils complémentaires : l'un qui prédit l'épaisseur du fluide en fonction des conditions actuelles, et un autre qui suit l'évolution de cette épaisseur au fur et à mesure que l'expérience progresse.

Le premier outil, conçu pour comprendre le fluide à un instant donné, a identifié avec succès que la température est le facteur le plus critique. Lorsque la chaleur augmente, la mousse s'amincit, et le modèle informatique a appris à anticiper cette baisse avec une grande précision. Parmi les diverses approches mathématiques testées, un type de réseau neuronal appelé perceptron multicouche s'est avéré être le plus fiable pour cette tâche. Il pouvait observer la pression, la température et la composition chimique actuelle du mélange et estimer l'épaisseur du fluide avec un niveau de précision qui rivalise avec les tests physiques, mais sans avoir besoin d'une nouvelle expérience à chaque fois. Ce modèle sert de point de départ, donnant aux ingénieurs une attente de base sur la façon dont le fluide devrait se comporter avant d'entrer dans l'environnement complexe et changeant d'un puits.

Le second outil aborde le fait que la mousse ne reste pas identique ; elle se dégrade et change au fur et à mesure qu'elle est pompée et chauffée au fil du temps. Pour capturer cela, les chercheurs ont construit un modèle dynamique qui observe l'historique du comportement du fluide. Tout comme une personne peut se sentir fatiguée après une longue journée de travail, la structure de la mousse s'affaiblit après avoir été soumise à des contraintes. Le modèle informatique a appris à reconnaître ces schémas en observant l'épaisseur du fluide dans les instants précédant immédiatement le moment présent. L'algorithme le plus efficace pour ce travail était une méthode appelée régression Lasso, qui est particulièrement douée pour trouver des schémas simples et stables dans les données sans être perturbée par le bruit. Ce modèle a réussi à prédire la tendance générale de l'amincissement du fluide au fil du temps, lissant les pics et les creux accidentés qui surviennent souvent dans les données brutes pour fournir une image claire du cycle de vie du fluide.

Bien que les modèles aient bien performé lorsqu'ils étaient testés sur des données similaires à celles rencontrées lors de l'entraînement, les chercheurs ont constaté que leur précision chutait face à des expériences totalement nouvelles qu'ils n'avaient jamais rencontrées auparavant. C'est une conclusion cruciale, car elle souligne les limites de l'approche actuelle. Les modèles sont excellents pour l'interpolation, c'est-à-dire combler les lacunes entre des conditions connues, mais ils ne peuvent pas encore prédire avec une certitude parfaite comment une formulation de mousse complètement différente ou un ensemble de conditions radicalement nouveau se comportera. L'étude exclut explicitement l'idée que ces modèles informatiques puissent remplacer entièrement les tests physiques. Au lieu de cela, les chercheurs positionnent leur travail comme un outil de sélection puissant. Il permet aux ingénieurs de tester des centaines de scénarios différents sur un ordinateur pour voir lesquels semblent prometteurs, réduisant ainsi les options avant de s'engager dans le processus coûteux et dangereux des tests physiques de laboratoire.

L'étude a également clarifié ce qui régit le comportement du fluide. Dans les prédictions statiques, moment par moment, la température était la force dominante, suivie par la vitesse à laquelle le fluide était pompé. Dans les prédictions dynamiques, basées sur le temps, le facteur le plus important était simplement la manière dont le fluide s'était comporté dans un passé récent. Cela confirme que l'historique de la mousse est tout aussi important que son état actuel. Les chercheurs ont noté que leurs données n'incluaient pas de mesures continues de chaque variable possible, telle que la quantité exacte de sel dans l'eau ou la concentration précise de nanoparticules à chaque seconde, ce qui limite la portée de leurs modèles.

En fin de compte, ce travail constitue un pont entre la réalité désordonnée de la dynamique des fluides et la précision nette de la prédiction informatique. Il offre un moyen de visualiser comment une mousse énergisée va s'amincir et changer à mesure qu'elle voyage de la surface vers un réservoir chaud et à haute pression. En combinant un instantané de l'état actuel avec une mémoire du passé, le système donne aux ingénieurs une image plus complète des performances du fluide. Bien qu'il ne s'agisse pas d'une boule de cristal capable de prédire l'avenir de n'importe quelle mousse sous n'importe quelle condition, c'est un outil robuste pour prendre de meilleures décisions aujourd'hui. Il aide à prioriser les mélanges chimiques qui méritent une étude plus approfondie et les stratégies opérationnelles susceptibles de réussir, économisant ainsi du temps et des ressources tout en améliorant la sécurité et l'efficacité de l'extraction d'énergie des réservoirs les plus difficiles de la Terre.