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

Profondamente sotto la superficie terrestre, in formazioni rocciose così strette che l'olio e il gas non possono fluire liberamente, gli ingegneri devono creare crepe artificiali per sbloccare queste risorse. Questo processo, noto come fratturazione idraulica, consiste nel pompare fluido a un'immensa pressione per fratturare la roccia e poi spingere granelli solidi, chiamati proppant, in quelle crepe per mantenerle aperte. Il successo dell'intera operazione dipende dalla viscosità, ovvero dallo spessore del fluido. Se il fluido è troppo sottile, i proppant affondano prima di raggiungere la fine della crepa, lasciando il giacimento improduttivo. Se è troppo denso, diventa difficile da pompare. Negli ambienti più caldi e pressurizzati, dove le temperature possono superare i 120 gradi Celsius e le pressioni raggiungono oltre 3.000 libbre per pollice quadrato, prevedere come si comporterà questo fluido è notoriamente difficile. Per risolvere questo problema, i ricercatori si sono rivolti alle "schiume energizzate", miscele di gas e liquido che utilizzano meno acqua rispetto ai fluidi tradizionali pur trasportando i solidi necessari. Tuttavia, queste schiume sono instabili; possono rompersi o cambiare spessore rapidamente sotto il calore e la pressione estremi di un pozzo, rendendo difficile sapere come si comporteranno finché non è troppo tardi.

Un team di ricercatori dell'Università di Adelaide ha sviluppato un nuovo modo per prevedere come queste schiume energizzate si comporteranno, combinando dati di laboratorio del mondo reale con modelli informatici che imparano dall'esperienza. Invece di affidarsi esclusivamente a test fisici costosi e dispendiosi in termini di tempo, il team ha costruito un framework digitale in grado di prevedere lo spessore del fluido mentre cambia nel tempo. Hanno raccolto dati da undici distinti esperimenti di laboratorio che coinvolgevano schiume di anidride carbonica e azoto, catturando quasi 4.000 misurazioni individuali. Questi test hanno coperto una vasta gamma di condizioni, da pressioni di 947 a 3.040 psi e temperature da 25 a 122 gradi Celsius. I ricercatori si sono concentrati su un tipo specifico di schiuma stabilizzata da una combinazione di tensioattivi, ovvero sostanze chimiche che aiutano a mescolare olio e acqua, e nanoparticelle di silice, minuscole particelle solide che rinforzano la struttura della schiuma. Alimentando questi dati in algoritmi di apprendimento automatico, hanno creato due strumenti complementari: uno che prevede lo spessore del fluido in base alle condizioni attuali e un altro che traccia come tale spessore evolve con il progredire dell'esperimento.

Il primo strumento, progettato per comprendere il fluido in un singolo momento, ha identificato con successo che la temperatura è il fattore più critico. Quando il calore sale, la schiuma si assottiglia, e il modello informatico ha imparato ad anticipare questo calo con alta precisione. Tra i vari approcci matematici testati, un tipo di rete neurale noto come percettrone multistrato si è rivelato il più affidabile per questo compito. Esso poteva osservare la pressione, la temperatura e la composizione chimica attuale della miscela ed stimare lo spessità del fluido con un livello di precisione che rivaleggia con i test fisici, ma senza la necessità di un nuovo esperimento ogni volta. Questo modello funge da punto di partenza, fornendo agli ingegneri un'aspettativa di base su come il fluido dovrebbe comportarsi prima di entrare nel complesso e mutevole ambiente di un pozzo.

Il secondo strumento affronta il fatto che la schiuma non rimane uguale; essa si degrada e cambia man mano che viene pompata e riscaldata nel tempo. Per catturare questo aspetto, i ricercatori hanno costruito un modello dinamico che osserva la storia del comportamento del fluido. Proprio come una persona può sentirsi stanca dopo una lunga giornata di lavoro, la struttura della schiuma si indebolisce dopo essere stata sottoposta a stress. Il modello informatico ha imparato a riconoscere questi schemi osservando lo spessore del fluido nei momenti immediatamente precedenti il momento attuale. L'algoritmo più efficace per questo lavoro è stato un metodo chiamato regressione Lasso, che è particolarmente bravo a trovare schemi semplici e stabili nei dati senza confondersi con il rumore. Questo modello ha previsto con successo la tendenza generale dell'assottigliamento del fluido nel tempo, smussando i picchi e le valli irregolari che spesso si verificano nei dati grezzi per fornire un quadro chiaro del ciclo di vita del fluido.

Sebbene i modelli abbiano funzionato bene quando testati su dati simili a quelli visti durante l'addestramento, i ricercatori hanno scoperto che la loro accuratezza diminuiva di fronte a esperimenti completamente nuovi che non avevano mai incontrato prima. Questa è una scoperta cruciale, poiché evidenzia i limiti dell'attuale approccio. I modelli sono eccellenti nell'interpolazione, ovvero nel colmare le lacune tra le condizioni note, ma non possono ancora prevedere con assoluta certezza come si comporterà una formulazione di schiuma completamente diversa o un insieme di condizioni drasticamente nuove. Lo studio esclude esplicitamente l'idea che questi modelli informatici possano sostituire interamente i test fisici. Al contrario, i ricercatori pongono il loro lavoro come uno strumento di screening potente. Esso permette agli ingegneri di testare centinaia di diversi scenari su un computer per vedere quali sembrano promettenti, restringendo le opzioni prima di impegnarsi nel costoso e pericoloso processo di test di laboratorio fisico.

Lo studio ha anche chiarito cosa guidi il comportamento del fluido. Nelle previsioni statiche, momento per momento, la temperatura era la forza dominante, seguita dalla velocità con cui il fluido veniva pompato. Nelle previsioni dinamiche, basate sul tempo, il fattore più importante era semplicemente il modo in cui il fluido si era comportato nel passato recente. Ciò conferma che la storia della schiuma è importante quanto il suo stato attuale. I ricercatori hanno notato che i loro dati non includevano misurazioni continue di ogni possibile variabile, come la quantità esatta di sale nell'acqua o la concentrazione precisa di nanoparticelle in ogni secondo, il che limita quanto i modelli possano essere spinti.

In definitiva, questo lavoro fornisce un ponte tra la realtà disordinata della dinamica dei fluidi e la precisione pulita della previsione informatica. Offre un modo per visualizzare come la schiuma energizzata si assottiglierà e cambierà mentre viaggia dalla superficie giù in un giacimento caldo e ad alta pressione. Combinando un'istantanea dello stato attuale con una memoria del passato, il sistema offre agli ingegneri un quadro più completo delle prestazioni del fluido. Sebbene non sia una palla di cristallo capace di prevedere il futuro di qualsiasi schiuma in qualsiasi condizione, è uno strumento robusto per prendere decisioni migliori oggi. Aiuta a dare priorità alle miscele chimiche che meritano ulteriori studi e alle strategie operative che hanno maggiori probabilità di successo, risparmiando tempo e risorse e migliorando la sicurezza e l'efficienza dell'estrazione di energia dai giacimenti più impegnativi della Terra.