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

地球の地表深く、石油やガスが自由に流れることができないほど岩石の隙間が狭い場所では、エンジニアはこれらの資源を解き放つために人工的な亀裂を作る必要があります。水圧破砕法として知られるこのプロセスは、膨大な圧力で流体を注入して岩石を破砕し、その後、プロパントと呼ばれる固形粒子をそれらの亀裂に押し込み、亀裂が開いた状態を維持する工程を含みます。この全操作の成否は、流体の粘度、つまり「厚み」にかかっています。もし流体が薄すぎれば、プロパントは亀裂の端に到達する前に沈降してしまい、貯留層を不活性なままにしてしまいます。逆に厚すぎれば、ポンプでの送液が困難になります。温度が摂氏120度を超え、圧力が毎平方インチあたり3,000ポンド以上に達することもある、最も高温かつ高圧な環境において、この流体がどのように振る舞うかを予測することは極めて困難です。これを解決するために、研究者たちは「エナジャイズド・フォーム（加圧泡）」、すなわち、従来の流体よりも少ない水を使用しながら必要な固形物を運ぶことができる、ガスと液体の混合物に注目してきました。しかし、これらのフォームは不安定であり、井戸内の極限の熱と圧力の下で、急速に崩壊したり粘度が変化したりするため、実際に現場に入るまでその性能を知ることは困難です。

アデレード大学の研究チームは、実世界の実験室データと経験から学習するコンピュータモデルを組み合わせることで、これらのエナジャイズド・フォームがどのように振る舞うかを予測する新しい手法を開発しました。時間のかかる高価な物理的テストだけに頼るのではなく、チームは流体の粘度が時間の経過とともにどのように変化するかを予測できるデジタルフレームワークを構築しました。彼らは、二酸化炭素と窒素のフォームを用いた11件の異なる実験室実験からデータを収集し、4,000近い個別の測定値を取得しました。これらのテストは、圧力947から3,040 psi、温度25から122度 セルシウスという幅広い条件下で行われました。研究者たちは、界面活性剤（油と水を混ぜるのを助ける化学物質）とシリカナノ粒子（フォームの構造を強化する微細な固体粒子）の組み合わせによって安定化された特定のタイプのフォームに焦点を当てました。これらのデータを機械学習アルゴリズムに投入することで、彼らは2つの補完的なツールを作成しました。一つは現在の条件に基づいて流体の粘度を予測するもの、もう一つは実験が進むにつれてその粘度がどのように進化するかを追跡するものです。

単一の瞬間における流体を理解するために設計された最初のツールは、温度が最も重要な要因であることを特定することに成功しました。熱が上昇するとフォームは薄くなり、コンピュータモデルは高い精度でこの低下を予測することを学習しました。テストされた様々な数学的手法の中で、「多層パーセプトロン」として知られる一種のニューラルネットワークが最も信頼性の高いことが判明しました。これは、現在の圧力、温度、および混合物の化学組成を見て、物理的なテストを行うことなく、物理的テストに匹敵する精度で流体の粘度を推定することができます。このモデルは出発点として機能し、エンジニアが複雑で変化する井戸の環境に入る前に、流体がどのように振る舞うべきかの基準となる期待値を提供します。

二番目のツールは、フォームは一定の状態を保つのではなく、ポンプで送り込まれ加熱されるにつれて劣化し、変化するという事実に着目しています。これを捉えるために、研究者たちは流体の挙動の履歴を見る動的なモデルを構築しました。人が長い一日の仕事の後に疲れを感じるのと同様に、フォームの構造はストレスにさらされることで弱まります。コンピュータモデルは、現在の瞬間の直前の流体の粘度を見ることで、これらのパターンを認識することを学習しました。この作業に最も効果的だったアルゴリズムは「Lasso回帰」と呼ばれる手法であり、これはノイズに惑わされることなく、データから単純で安定したパターンを見つけ出すことに長けています。このモデルは、流体が時間の経過とともに薄くなっていく一般的な傾向を予測することに成功し、生のデータで頻繁に発生するギザギザのピークや谷を滑らかにして、流体のライフサイクルの明確な姿を提供しました。

モデルはトレーニング中に見たものと似たデータに対しては良好に機能しましたが、研究者たちは、これまで遭遇したことのない全く新しい実験に直面した際、その精度が低下することを発見しました。これは極めて重要な発見であり、現在の手法の限界を浮き彫りにしています。これらのモデルは、既知の条件の間を埋める「補間」には優れていますが、完全に異なるフォームの処方や、劇的に新しい条件下でどのように振る舞うかを完璧に予測することはまだできません。この研究は、これらのコンピュータモデルが物理的テストを完全に代替できるという考えを明確に否定しています。代わりに、研究者たちは自分たちの仕事を強力なスクリーニングツールとして位置づけています。これにより、エンジニアはコンピュータ上で何百もの異なるシナリオをテストして、どれが有望に見えるかを確認し、コストがかかり危険を伴う物理的な実験室テストに踏み切る前に、選択肢を絞り込むことができます。

また、本研究は流体の挙動を駆動している要因を明らかにしました。静的な瞬間ごとの予測においては、温度が支配的な要因であり、次いで流体のポンプによる速度でした。動的な時間ベースの予測においては、最も重要な要因は、単に「直近の過去に流体がどのように振る舞ったか」でした。これは、フォームの履歴がその現在の状態と同じくらい重要であることを裏付けています。研究者たちは、データに、例えば水に含まれる塩の正確な量や、ナノ粒子の精密な濃度など、あらゆる可能な変数の連続的な測定が含まれていないことを指摘しており、これがモデルの拡張性を制限しているとしています。

最終的に、この研究は、流体力学の混沌とした現実と、コンピュータ予測のクリーンな精密さとの間の架け橋となります。それは、エナジャイズド・フォームが表面から熱く高圧の貯留層へと移動する際に、どのように薄まり、変化するかを可視化する方法を提供します。現在の状態のスナップショットと過去の記憶を組み合わせることで、このシステムはエンジニアにより完全な流体のパフォーマンス像を与えます。これは、あらゆる条件下でのあらゆる可能なフォームの未来を予測する水晶玉ではありませんが、今日のより良い意思決定を行うための堅牢なツールです。どの化学混合物がさらなる研究に値するか、そしてどの運用戦略が成功する可能性が高いかを優先させることで、地球上で最も困難な貯留層からのエネルギー抽出における時間と資源を節約し、安全性と効率性を向上させます。