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

지표면 아래 깊은 곳, 석유와 가스가 자유롭게 흐를 수 없을 만큼 암석층이 조밀한 곳에서 엔지니어들은 이러한 자원을 확보하기 위해 인공적인 균열을 만들어야 합니다. 유압 파쇄법(hydraulic fracturing)으로 알려진 이 과정은 유체를 엄청난 압력으로 주입하여 암석을 파쇄한 다음, 프로판트(proppant)라고 불리는 고체 입자를 그 균열 속에 밀어 넣어 균열이 열린 상태를 유지하게 하는 과정을 포함합니다. 전체 작업의 성공 여부는 유체의 두께, 즉 점도에 달려 있습니다. 만약 유체가 너무 묽으면 프로판트가 균열의 끝까지 도달하기 전에 가라앉아 저류층을 비생산적인 상태로 남겨두게 됩니다. 반대로 너무 걸쭉하면 펌프로 밀어 넣기가 어려워집니다. 온도가 섭씨 120도를 초과하고 압력이 3,000psi 이상에 달하는 가장 뜨겁고 압력이 높은 환경에서, 이 유체가 어떻게 행동할지 예측하는 것은 매우 어려운 일입니다. 이를 해결하기 위해 연구자들은 "에너자이즈드 폼(energized foams)"에 주목했습니다. 이는 가스와 액체를 혼합한 것으로, 전통적인 유체보다 물을 적게 사용하면서도 필요한 고체 성분을 운반할 수 있는 혼합물입니다. 그러나 이러한 폼은 불안정합니다. 열과 압력이 극심한 유정 내부에서 급격히 붕괴되거나 두께가 변할 수 있어, 너무 늦기 전에는 이들이 어떻게 작동할지 알기 어렵습니다.

애들레이드 대학교의 한 연구팀은 이러한 에너자이즈드 폼이 어떻게 행동할지 예측하는 새로운 방법을 개발했는데, 이는 실제 실험실 데이터와 경험으로부터 학습하는 컴퓨터 모델을 결합한 것입니다. 비용이 많이 들고 시간이 오래 걸리는 물리적 테스트에만 의존하는 대신, 연구팀은 유체의 두로가 시간에 따라 어떻게 변하는지 예측할 수 있는 디지털 프레임워크를 구축했습니다. 그들은 이산화탄소와 질소 폼을 이용한 11개의 별도 실험실 실험에서 얻은 데이터를 수집했으며, 여기에는 약 4,000개의 개별 측정치가 포함되었습니다. 이 테스트들은 압력 947에서 3,040psi, 온도 25도에서 122도 사이의 광범위한 조건을 다루었습니다. 연구진은 오일과 물을 섞는 데 도움을 주는 화학 물질인 계면활성제와 폼의 구조를 강화하는 미세한 고체 입자인 실리카 나노입자의 조합에 의해 안정화된 특정 유형의 폼에 집중했습니다. 이 데이터를 머신러닝 알고리즘에 입력함으로써, 그들은 두 가지 상호 보완적인 도구를 만들었습니다. 하나는 현재 조건에 기반해 유체의 두께를 예측하는 도구이고, 다른 하나는 실험이 진행됨에 따라 그 두께가 어떻게 진화하는지를 추적하는 도구입니다.

단일 시점에서의 유체를 이해하기 위해 설계된 첫 번째 도구는 온도가 가장 결정적인 요소임을 성공적으로 식별해 냈습니다. 열이 상승하면 폼은 묽어지며, 컴퓨터 모델은 이러한 감소를 높은 정확도로 예측하는 법을 배웠습니다. 테스트된 다양한 수학적 접근 방식 중에서 다층 퍼셉트론(multilayer perceptron)이라 불리는 신경망 유형이 이 작업에 가장 신뢰할 만한 것으로 나타났습니다. 이 모델은 현재의 압력, 온도, 혼합물의 화학적 구성을 살펴보고 유체의 두께를 추정할 수 있으며, 매번 새로운 실험을 할 필요 없이 물리적 테스트에 필적하는 정밀도로 수행할 수 있습니다. 이 모델은 엔지니어들에게 유정이 복잡하고 변화하는 환경으로 들어가기 전, 유체가 어떻게 행동해야 하는지에 대한 기준점을 제공합니다.

두 번째 도구는 폼이 일정하게 유지되지 않는다는 사실, 즉 펌핑되고 가열됨에 따라 시간이 지나면서 퇴화하고 변화한다는 점을 다룹니다. 이를 포착하기 위해 연구진은 유체의 행동 이력을 살펴보는 동적 모델을 구축했습니다. 마치 사람이 긴 하루의 업무를 마친 후 피곤함을 느끼는 것처럼, 폼의 구조는 스트레스를 받은 후 약해집니다. 컴퓨터 모델은 현재 시점 바로 직전의 유체 두께를 살펴봄으로써 이러한 패턴을 인식하는 법을 배웠습니다. 이 작업에 가장 효과적이었던 알고리즘은 데이터의 노이즈에 혼란을 겪지 않고 단순하고 안정적인 패턴을 찾는 데 탁월한 라쏘 회귀(Lasso regression) 방식이었습니다. 이 모델은 유체가 시간이 지남에 따라 묽어지는 일반적인 경향을 성공적으로 예측했으며, 원시 데이터에서 흔히 발생하는 들쭉날쭉한 정점과 골짜기를 완만하게 다듬어 유체의 생애 주기에 대한 명확한 그림을 제공했습니다.

모델들은 훈련 중에 접했던 것과 유사한 데이터에 대해 테스트했을 때는 잘 작동했지만, 연구진은 완전히 새로운 실험, 즉 이전에 접해보지 못한 실험에 직면했을 때 정확도가 떨어진다는 것을 발견했습니다. 이는 현재 접근 방식의 한계를 보여주는 중요한 발견입니다. 모델들은 알려진 조건 사이의 간극을 메우는 보간(interpolation)에는 뛰어나지만, 완전히 다른 폼 배합이나 극단적으로 새로운 조건에서 어떻게 행동할지는 아직 완벽하게 예측하지 못합니다. 이 연구는 이러한 컴퓨터 모델이 물리적 테스트를 완전히 대체할 수 있다는 생각을 명시적으로 부정합니다. 대신, 연구진은 자신들의 작업을 강력한 스크리닝 도구로 규정합니다. 이는 엔지니어가 컴퓨터상에서 수백 가지의 시나리오를 테스트하여 어떤 것이 유망해 보이는지 확인하게 함으로써, 비용이 많이 들고 위험한 물리적 실험실 테스트를 수행하기 전에 선택지를 좁힐 수 있게 해줍니다.

또한 본 연구는 무엇이 유체의 행동을 주도하는지를 명확히 했습니다. 정적인 순간별 예측에서는 온도가 지배적인 힘이었으며, 그다음은 유체가 펌핑되는 속도였습니다. 동적인 시간 기반 예측에서는 가장 중요한 요소가 단순히 최근 과거에 유체가 어떻게 행동했는가였습니다. 이는 폼의 이력이 현재 상태만큼이나 중요하다는 점을 확인시켜 줍니다. 연구진은 데이터에 물속의 정확한 염분 함량이나 매 초마다 변하는 나노입자의 정밀한 농도와 같은 모든 가능한 변수에 대한 연속적인 측정이 포함되지 않았음을 언급했으며, 이는 모델이 확장될 수 있는 범위를 제한합니다.

궁극적으로, 이 연구는 유체 역학의 무질서한 현실과 컴퓨터 예측의 깔끔한 정밀함 사이의 가교 역할을 합니다. 이는 에너자이즈드 폼이 표면에서 뜨겁고 고압적인 저류층으로 내려가는 동안 어떻게 묽어지고 변화할지를 시각화하는 방법을 제공합니다. 현재의 상태에 대한 스냅샷과 과거의 기억을 결합함으로써, 이 시스템은 엔지니어들에게 유체의 성능에 대한 더 완전한 그림을 제공합니다. 이것이 모든 조건에서 모든 가능한 폼의 미래를 예측할 수 있는 수정구슬은 아닐지라도, 오늘날 더 나은 결정을 내릴 수 있게 해주는 견고한 도구입니다. 이는 어떤 화학적 혼합물이 추가 연구를 받을 가치가 있는지, 그리고 어떤 운영 전략이 성공 가능성이 높은지를 우선순위에 두도록 도와줌으로써, 지구의 가장 도전적인 저류층에서 에너지를 추출하는 과정의 시간과 자원을 절약하고 안전성과 효율성을 높여줍니다.