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

पृथ्वी की सतह के बहुत नीचे, चट्टानों की ऐसी संरचनाओं में जहाँ तेल और गैस स्वतंत्र रूप से नहीं बह सकते, इंजीनियरों को इन संसाधनों को अनलॉक करने के लिए कृत्रिम दरारें बनानी पड़ती हैं। यह प्रक्रिया, जिसे हाइड्रोलिक फ्रैक्चरिंग कहा जाता है, इसमें चट्टान को तोड़ने के लिए अत्यधिक दबाव पर तरल पंप किया जाता है और फिर उन दरारों में ठोस कणों, जिन्हें प्रोपेंट्स (proppants) कहा जाता है, को धकेला जाता है ताकि उन्हें खुला रखा जा सके। पूरे ऑपरेशन की सफलता तरल के गाढ़ेपन, या श्यानता (viscosity) पर टिकी होती है। यदि तरल बहुत पतला है, तो प्रोपेंट्स दरार के अंत तक पहुँचने से पहले ही डूब जाते हैं, जिससे जलाशय अनुत्पादक रह जाता है। यदि यह बहुत गाढ़ा है, तो इसे पंप करना कठिन हो जाता है। सबसे गर्म और अत्यधिक दबाव वाले वातावरण में, जहाँ तापमान 120 डिग्री सेल्सियस से अधिक हो सकता है और दबाव 3,000 पाउंड प्रति वर्ग इंच से ऊपर पहुँच सकता है, इस तरल के व्यवहार की भविष्यवाणी करना अत्यंत कठिन है। इसे हल करने के लिए, शोधकर्ताओं ने "एनर्जाइज्ड फोम" (energized foams) की ओर रुख किया है, जो गैस और तरल का मिश्रण है जो पारंपरिक तरल पदार्थों की तुलना में कम पानी का उपयोग करता है और साथ ही आवश्यक ठोस पदार्थों को भी ले जाता है। हालाँकि, ये फोम अस्थिर होते हैं; वे कुएं की अत्यधिक गर्मी और दबाव के तहत तेजी से टूट सकते हैं या अपना गाढ़ापन बदल सकते हैं, जिससे यह जानना मुश्किल हो जाता है कि वे कैसा प्रदर्शन करेंगे जब तक कि बहुत देर न हो जाए।

एडिलेड विश्वविद्यालय के शोधकर्ताओं की एक टीम ने एक नया तरीका विकसित किया है जिससे यह भविष्यवाणी की जा सके कि ये एनर्जाइज्ड फोम कैसे व्यवहार करेंगे, जिसमें वास्तविक प्रयोगशाला डेटा को अनुभव से सीखने वाले कंप्यूटर मॉडल के साथ जोड़ा गया है। केवल महंगे और समय लेने वाले भौतिक परीक्षणों पर निर्भर रहने के बजाय, टीम ने एक डिजिटल ढांचा बनाया जो समय के साथ तरल के गाढ़ेपन में होने वाले बदलाव की भविष्यवाणी कर सकता है। उन्होंने कार्बन डाइऑक्साइड और नाइट्रोजन फोम से जुड़े ग्यारह अलग-अलग प्रयोगशाला प्रयोगों से डेटा एकत्र किया, जिसमें लगभग 4,000 व्यक्तिगत माप शामिल थे। इन परीक्षणों में 947 से 3,040 psi तक के दबाव और 25 से 122 डिग्री सेल्सियस के तापमान सहित स्थितियों की एक विस्तृत श्रृंखला को कवर किया गया। शोधकर्ताओं ने एक विशिष्ट प्रकार के फोम पर ध्यान केंद्रित किया जो सर्फेक्टेंट्स (surfactants), जो ऐसे रसायन हैं जो तेल और पानी को मिलाने में मदद करते हैं, और सिलिका नैनोकणों (silica nanoparticles), जो सूक्ष्म ठोस कण हैं और फोम की संरचना को मजबूत करते हैं, के संयोजन द्वारा स्थिर किया गया था। इस डेटा को मशीन लर्निंग एल्गोरिदम में फीड करके, उन्होंने दो पूरक उपकरण बनाए: एक जो वर्तमान स्थितियों के आधार पर तरल के गाढ़ेपन की भविष्यवाणी करता है, और दूसरा जो यह ट्रैक करता है कि प्रयोग के दौरान वह गाढ़ापन कैसे विकसित होता है।

पहला उपकरण, जो एक ही क्षण में तरल को समझने के लिए डिज़ाइन किया गया है, ने सफलतापूर्वक पहचान की कि तापमान सबसे महत्वपूर्ण कारक है। जब गर्मी बढ़ती है, तो फोम पतला हो जाता है, और कंप्यूटर मॉडल इस गिरावट का सटीक अनुमान लगाने में सक्षम रहा। परीक्षण किए गए विभिन्न गणितीय दृष्टिकोणों में से, मल्टीलेयर पर्सेप्ट्रॉन (multilayer perceptron) नामक एक प्रकार का न्यूरल नेटवर्क सबसे विश्वसनीय साबित हुआ। यह वर्तमान दबाव, तापमान और मिश्रण की रासायनिक संरचना को देख सकता है और उच्च सटीकता के साथ तरल के गाढ़ेपन का अनुमान लगा सकता है, बिना हर बार एक नए प्रयोग की आवश्यकता के। यह मॉडल एक शुरुआती बिंदु के रूप में कार्य करता है, जिससे इंजीनियरों को कुएं के जटिल और बदलते वातावरण में प्रवेश करने से पहले तरल के व्यवहार के बारे में एक आधारभूत अपेक्षा मिलती है।

दूसरा उपकरण इस तथ्य को संबोधित करता है कि फोम एक जैसा नहीं रहता; जैसे-जैसे इसे पंप और गर्म किया जाता है, यह समय के साथ घटता और बदलता है। इसे पकड़ने के लिए, शोधकर्ताओं ने एक गतिशील मॉडल बनाया जो तरल के व्यवहार के इतिहास को देखता है। ठीक वैसे ही जैसे कोई व्यक्ति काम के लंबे दिन के बाद थकान महसूस करता है, तनाव झेलने के बाद फोम की संरचना कमजोर हो जाती है। कंप्यूटर मॉडल ने वर्तमान क्षण से ठीक पहले के क्षणों में तरल के गाढ़ेपन को देखकर इन पैटर्न को पहचानना सीखा। इस काम के लिए सबसे प्रभावी एल्गोरिदम लैसो रिग्रेशन (Lasso regression) नामक एक विधि थी, जो शोर (noise) से भ्रमित हुए बिना डेटा में सरल और स्थिर पैटर्न खोजने में विशेष रूप से कुशल है। इस मॉडल ने समय के साथ तरल के पतले होने के सामान्य रुझान की सफलतापूर्वक भविष्यवाणी की, जिससे कच्चे डेटा में अक्सर दिखने वाले ऊबड़-खाबड़ उतार-चढ़ाव को सुधारा गया ताकि तरल के जीवनचक्र की एक स्पष्ट तस्वीर मिल सके।

हालाँकि मॉडल उन डेटा पर अच्छा प्रदर्शन करते थे जो उनके प्रशिक्षण के दौरान देखे गए डेटा के समान थे, शोधकर्ताओं ने पाया कि पूरी तरह से नए प्रयोगों का सामना करने पर उनकी सटीकता गिर गई जो उन्होंने पहले कभी नहीं देखे थे। यह एक महत्वपूर्ण निष्कर्ष है, क्योंकि यह वर्तमान दृष्टिकोण की सीमाओं को रेखांकित करता है। मॉडल ज्ञात स्थितियों के बीच अंतराल भरने (interpolation) में उत्कृष्ट हैं, लेकिन वे अभी तक यह भविष्यवाणी करने में सक्षम नहीं हैं कि एक पूरी तरह से अलग फोम फॉर्मूलेशन या एक बिल्कुल नई सेट ऑफ स्थितियों में क्या व्यवहार होगा। यह अध्ययन स्पष्ट रूप से इस विचार को खारिज करता है कि ये कंप्यूटर मॉडल भौतिक परीक्षणों को पूरी तरह से बदल सकते हैं। इसके बजाय, शोधकर्ता अपने काम को एक शक्तिशाली स्क्रीनिंग टूल के रूप में देखते हैं। यह इंजीनियरों को सैकड़ों अलग-अलग परिदृश्यों को कंप्यूटर पर टेस्ट करने की अनुमति देता है ताकि वे देख सकें कि कौन से अनुकूल दिख रहे हैं, जिससे भौतिक प्रयोगशाला परीक्षण की महंगी और जोखिम भरी प्रक्रिया में जुटने से पहले विकल्पों को सीमित किया जा सके।

अध्ययन ने यह भी स्पष्ट किया कि तरल के व्यवहार को क्या संचालित करता है। स्थिर, क्षण-दर-क्षण भविष्यवाणियों में, तापमान प्रमुख बल था, जिसके बाद तरल के पंप किए जाने की गति थी। गतिशील, समय-आधारित भविष्यवाणियों में, सबसे महत्वपूर्ण कारक हाल के अतीत में तरल का व्यवहार था। यह पुष्टि करता है कि फोम का इतिहास उसके वर्तमान स्वरूप जितना ही महत्वपूर्ण है। शोधकर्ताओं ने उल्लेख किया कि उनके डेटा में हर संभव चर (variable) का निरंतर माप शामिल नहीं था, जैसे कि पानी में नमक की सटीक मात्रा या नैनोकणों की सटीक सांद्रता, जो यह सीमित करता है कि इन मॉडलों को कितनी दूर तक ले जाया जा सकता है।

अंततः, यह कार्य तरल गतिकी (fluid dynamics) की अव्यवस्थित वास्तविकता और कंप्यूटर भविष्यवाणी की स्वच्छ सटीकता के बीच एक सेतु प्रदान करता है। यह एक तरीका प्रदान करता है जिससे यह देखा जा सके कि एक एनर्जाइज्ड फोम सतह से नीचे एक गर्म, उच्च-दबाव वाले जलाशय में यात्रा करते समय कैसे पतला और परिवर्तित होगा। वर्तमान स्थिति के स्नैपशॉट को अतीत की स्मृति के साथ जोड़कर, यह प्रणाली इंजीनियरों को तरल के प्रदर्शन की अधिक पूर्ण तस्वीर देती है। हालांकि यह कोई 'क्रिस्टल बॉल' नहीं है जो किसी भी स्थिति में किसी भी संभावित फोम के भविष्य की भविष्यवाणी कर सके, लेकिन यह आज बेहतर निर्णय लेने के लिए एक मजबूत उपकरण है। यह प्राथमिकता तय करने में मदद करता है कि किन रासायनिक मिश्रणों का आगे अध्ययन किया जाना चाहिए और कौन सी परिचालन रणनीतियाँ सफल होने की संभावना रखती हैं, जिससे पृथ्वी के सबसे चुनौतीपूर्ण जलाशयों से ऊर्जा निकालने की सुरक्षा और दक्षता में सुधार करते हुए समय और संसाधनों की बचत होती है।