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

Diep onder het aardoppervlak, in gesteentelagen die zo compact zijn dat olie en gas niet vrij kunnen stromen, moeten ingenieurs kunstmatige barsten creëren om deze hulpbronnen te ontsluiten. Dit proces, bekend als hydraulisch fractureren, houdt in dat er vloeistof onder enorme druk wordt gepompt om het gesteente te breken en vervolgens vaste korrels, proppants genoemd, in die barsten duwt om ze open te houden. Het succes van de gehele operatie hangt af van de dikte, of viscositeit, van de vloeistof. Als de vloeistof te dun is, zakken de proppants naar beneden voordat ze het einde van de barst bereiken, waardoor het reservoir onproductief blijft. Als de vloeistof te dik is, wordt het moeilijk om te pompen. In de heetste en meest onder druk staande omgevingen, waar temperaturen de 120 graden Celsius kunnen overschrijden en de druk meer dan 3.000 pond per vierkante inch kan bereiken, is het voorspellen van hoe deze vloeistof zich zal gedragen berucht moeilijk. Om dit op te lossen, hebben onderzoekers zich gericht op "geënergiseerde schuimen", mengsels van gas en vloeistof die minder water gebruiken dan traditionele vloeistoffen terwijl ze de noodzakelijke vaste stoffen vervoeren. Deze schuimen zijn echter onstabiel; ze kunnen snel afbreken of van dikte veranderen onder de extreme hitte en druk van een boorgat, waardoor het moeilijk is om te weten hoe ze zullen presteren totdat het te laat is.

Een team van onderzoekers aan de Universiteit van Adelaide heeft een nieuwe manier ontwikkeld om te voorspellen hoe deze geënergiseerde schuimen zich zullen gedragen, door laboratoriumgegevens uit de echte wereld te combineren met computermodellen die leren van ervaring. In plaats van uitsluitend te vertrouwen op dure en tijdrovende fysieke tests, bouwde het team een digitaal kader dat de dikte van de vloeistof kan voorspellen naarmate deze in de loop van de tijd verandert. Ze verzamelden gegevens van elf verschillende laboratoriumexperimenten met koolstofdioxide- en stikstofschuimen, waarbij bijna 4.000 individuele metingen werden vastgelegd. Deze tests bestreken een breed scala aan condities, van drukken van 947 tot 3.040 psi en temperaturen van 25 tot 122 graden Celsius. De onderzoekers concentreerden zich op een specif kind schuim dat wordt gestabiliseerd door een combinatie van surfactanten, chemische stoffen die helpen olie en water te mengen, en silica-nanodeeltjes, minuscule vaste deeltjes die de structuur van het schuim versterken. Door deze gegevens in machine learning-algoritmen te voeren, creëerden ze twee complementaire hulpmiddelen: één die de dikte van de vloeistof voorspelt op basis van de huidige omstandigheden, en een andere die bijhoudt hoe die dikte evolueert naarmate het experiment vordert.

Het eerste hulpmiddel, ontworpen om de vloeistof op een enkel moment te begrijpen, identificeerde met succes dat temperatuur de meest kritieke factor is. Wanneer de hitte stijgt, wordt het schuim dunner, en het computermodel leerde deze daling met hoge nauwkeurigheid te voorzien. Onder de verschillende wiskundige benaderingen die werden getest, bleek een type neuraal netwerk dat bekend staat als een multilayer perceptron het meest betrouwbaar voor deze taak. Het kon de huidige druk, temperatuur en chemische samenstelling van het mengsel bekijken en de dikte van de vloeistof schatten met een precisieniveau dat wedijvert met fysieke tests, maar dan zonder dat er elke keer een nieuw experiment nodig is. Dit model fungeert als een startpunt, waardoor ingenieurs een basisverwachting krijgen van hoe de vloeistof zich zou moeten gedragen voordat deze de complexe, veranderende omgeving van een boorgat binnengaat.

Het tweede hulpmiddel behandelt het feit dat schuim niet hetzelfde blijft; het degradeert en verandert naarmate het wordt opgepompt en verhit over de tijd. Om dit te vangen, bouwden de onderzoekers een dynamisch model dat kijkt naar de geschiedenis van het gedrag van de vloeistof. Net zoals een persoon moe kan zijn na een lange werkdag, verzwakt de structuur van het schuim nadat het aan stress is blootgesteld. Het computermodel leerde deze patronen te herkennen door te kijken naar de dikte van de vloeistof in de momenten direct voorafgaand aan het huidige moment. Het meest effectieve algoritme voor deze taak was een methode genaamd Lasso-regressie, die bijzonder goed is in het vinden van eenvoudige, stabiele patronen in data zonder in de war te raken door ruis. Dit model voorspelde succesvol de algemene trend van het dunner worden van de vloeistof in de loop van de tijd, waarbij de grillige pieken en dalen die vaak in ruwe data voorkomen, uitvlakt om een helder beeld te geven van de levenscyclus van de vloeistof.

Hoewel de modellen goed presteerden wanneer ze werden getest op data die vergelijkbaar waren met de data die ze tijdens de training hadden gezien, ontdekten de onderzoekers dat hun nauwkeurigheid daalde wanneer ze werden geconfronteerd met volledig nieuwe experimenten die ze nog nooit eerder waren tegengekomen. Dit is een cruciale bevinding, aangezien het de grenzen van de huidige aanpak benadrukt. De modellen zijn uitstekend in interpoleren, oftewel het invullen van de gaten tussen bekende omstandigheden, maar ze kunnen nog niet met absolute zekerheid voorspellen hoe een volledig andere schuimformulering of een drastisch nieuwe set omstandigheden zal reageren. De studie sluit expliciet de mogelijkheid uit dat deze computermodellen fysiek testen volledig kunnen vervangen. In plaats daarvan positioneren de onderzoekers hun werk als een krachtig screeningsinstrument. Het stelt ingenieurs in staat om honderden verschillende scenario's op een computer te testen om te zien welke er veelbelovend uitzien, waardoor de opties worden ingeperkt voordat ze overgaan tot het kostbare en gevaarlijke proces van fysieke laboratoriumtests.

De studie verduidelijkte ook wat het gedrag van de vloeistof aanstuurt. In de statische, moment-tot-moment voorspellingen was temperatuur de dominante kracht, gevolgd door de snelheid waarmee de vloeistof werd opgepompt. In de dynamische, tijdsgebaseerde voorspellingen was de belangrijkste factor simpelweg hoe de vloeistof zich in het recente verleden had gedragen. Dit bevestigt dat de geschiedenis van het schuim even belangrijk is als de huidige staat ervan. De onderzoekers merkten op dat hun gegevens geen continue metingen bevatten van elke mogelijke variabele, zoals de exacte hoeveelheid zout in het water of de precieze concentratie van nanodeeltjes op elk seconde, wat beperkt hoe ver de modellen kunnen worden doorgevoerd.

Uiteindelijk vormt dit werk een brug tussen de rommelige realiteit van vloeistofdynamica en de zuivere precisie van computervoorspelling. Het biedt een manier om te visualiseren hoe een geënergiseerd schuim dunner wordt en verandert terwijl het van het oppervlak naar beneden reist in een heet, hoogdruk reservoir. Door een momentopname van de huidige staat te combineren met een geheugen van het verleden, geeft het systeem ingenieurs een completer beeld van de prestaties van de vloeistof. Hoewel het geen kristallen bol is die de toekomst van elk mogelijk schuim onder elke conditie kan voorspellen, is het een robuust instrument voor het nemen van betere beslissingen vandaag. Het helpt bij het prioriteren van welke chemische mengsels verdere studie verdienen en welke operationele strategieën waarschijnlijk succesvol zullen zijn, waardoor tijd en middelen worden bespaard en de veiligheid en efficiëntie bij de winning van energie uit de meest uitdagende reservoirs van de aarde worden verbeterd.