A Physicochemical Property-Based Predictive Model for Enhanced Oil Recovery Efficiency

Resumo Técnico: Um Modelo Preditivo Baseado em Propriedades Físico-Químicas para Eficiência de Recuperação Avançada de Petróleo

Definição do Problema
A Recuperação Avançada de Petróleo (EOR - Enhanced Oil Recovery) é crítica para a extração de petróleo remanescente de reservatórios maduros, mas prever a eficiência de diversas técnicas de EOR continua sendo um desafio significativo. Os modelos preditivos existentes frequentemente dependem de multiplicadores empíricos, fatores compensatórios ou abordagens de aprendizado de máquina de "caixa-preta" que carecem de generalização além de seus conjuntos de dados de calibração específicos. Esses métodos obscurecem os mecanismos físicos subjacentes, dificultando para os engenheiros a triagem de métodos ou a otimização de parâmetros de injeção sem experimentos laboratoriais dispendiosos. Existe uma lacuna distinta na literatura para um modelo que preveja a eficiência de EOR através de múltiplos métodos utilizando apenas propriedades físico-químicas mensuráveis, sem fatores compensatórios arbitrários.

Metodologia
O artigo propõe um novo modelo matemático que prevê o fator de recuperação de óleo ($R$) como uma combinação multiplicativa de razões adimensionais, cada uma representando um mecanismo físico distinto. O modelo é governado pela Equação (1), que integra os seguintes inputs mensuráveis:

• Propriedades de Fluido e Rocha: Viscosidade do óleo ($\mu_o$), permeabilidade absoluta ($k$), velocidade de injeção ($v_{inj}$) e salinidade da água de formação ($S_{sal}$).
• Condições Térmicas e de Pressão: Temperatura de injeção ($T_{inj}$), pressão de injeção ($P_{inj}$) e Pressão Mínima de Miscibilidade ($P_{MM}$).
• Propriedades Químicas: Concentração de surfactante/polímero ($C_{inj}$), Tensão Interfacial (IFT, $\sigma$), calor latente de vaporização ($h_{fg}$), coeficiente de difusão de CO2 ($D_{CO2}$) e adsorção de massa na rocha ($\Gamma$).
• Afinidade Química: Um termo inovador baseado no parâmetro de solubilidade de Hildebrand ($\delta$), definido como $exp[-k_{int} \cdot |\delta_{óleo} - \delta_{composto}|]$, que quantifica a interação fundamental entre o composto injetado e o óleo de formação.

O modelo incorpora interpretações físicas específicas para cada termo:

• Razão de Mobilidade: A redução da viscosidade é modelada via um expoente de teoria de fluxo fracionário (0,25).
• Efeitos Térmicos: A dependência da temperatura segue uma relação do tipo Arrhenius, com uma temperatura de referência de 150°C.
• Miscibilidade: O termo de pressão captura o aumento abrupto na recuperação quando a pressão de injeção excede a MMP.
• Sinergia: Um fator de sinergia ASP ($\beta_{ASP}$) contabiliza os efeitos combinados de álcali, surfactante e polímero.
• Perda por Adsorção: Um termo contabiliza a redução da concentração do composto ativo devido à adsorção na rocha.

Crucialmente, o modelo não contém fatores compensatórios arbitrários. A única constante calibrada é a constante de interação química $k_{int} = 0,15$, que representa a sensibilidade da recuperação à afinidade química.

Validação e Resultados
O modelo foi validado contra 20 casos experimentais reais extraídos da literatura revisada por pares, cobrindo nove categorias distintas de EOR: Injeção de Vapor (Steam flooding), Injeção de CO2, Injeção de Polímero, Injeção de Surfactante, Injeção de Espuma (Foam flooding) e Injeção de Álcali-Surfactante-Polímero (ASP).

• Métricas de Desempenho: O modelo alcançou um Erro Médio Absoluto (MAE) de 0,39% e um Erro Absoluto Máximo de 2,0%.
• Distribuição de Precisão: 90% dos casos (18 de 20) tiveram um erro inferior a 1% e 100% dos casos tiveram um erro inferior a 2%.
• Observações Principais:
  • O modelo capturou com precisão a forte dependência da temperatura na injeção de vapor (ex: experimentos no campo de Liaohe).
  • Previu corretamente o aumento monotônico da recuperação com a concentração de polímero.
  • O termo de afinidade química melhorou significamente as previsões para injeção de surfactante e ASP, onde a compatibilidade química é essencial.
  • O termo de pressão refletiu com precisão o salto na recuperação quando o CO2 se tornou miscível com o óleo.

Significância e Alegações
O artigo afirma que este trabalho fornece uma ferramenta genuinamente preditiva e cientificamente robusta para a eficiência de EOR. Sua principal significância reside em:

1. Rigor Físico: Ao basear-se exclusivamente em propriedades físico-químicas mensuráveis e evitar parâmetros de ajuste arbitrários, o modelo oferece uma visão transparente dos mecanismos físicos subjacentes que regem a EOR.
2. Generalização: O modelo prevê com sucesso a eficiência através de diversos métodos (térmicos, gasosos e químicos) e condições de reservatório sem necessidade de recalibração específica para cada método.
3. Integração da Afinidade Química: A introdução do termo do parâmetro de solubilidade de Hildebrand aborda uma lacuna crítica na modelagem da interação entre os compostos injetados e o óleo do reservatório.
4. Aplicação Prática: O modelo foi aplicado à Bacia do Potiguar no Brasil, projetando fatores de recuperação para vários métodos (com o ASP apresentando o maior potencial) e demonstrando sua utilidade para a triagem de estratégias de EOR em campos maduros.

Alinhamento com os Objetivos de Desenvolvimento Sustentável
O artigo discute a relevância do modelo para os Objetivos de Desenvolvimento Sustentável (ODS) da ONU:

• ODS 7 (Energia Limpa e Acessível): Ao maximizar a recuperação de campos existentes, o modelo ajuda a estender a vida produtiva de reservatórios maduros, reduzendo a necessidade de nova exploração e perfuração, aumentando assim a segurança energética e reduzindo a pegada ambiental de novas infraestruturas.
• ODS 13 (Ação Contra a Mudança Global do Clima): O modelo apoia a otimização das operações de CO2-EOR, que simultaneamente aumentam a recuperação de petróleo e sequestram o CO2 no subsolo. O artigo estima que a aplicação em escala de campo poderia armazenar aproximadamente 1.000 toneladas de CO2 por km², contribuindo para a mitigação das mudanças climáticas.

Limitações e Trabalhos Futuros
Os autores reconhecem que o modelo assume propriedades de reservatório homogêneas e não considera atualmente a heterogeneidade, redes de fraturas ou efeitos dependentes do tempo, como a degradação do polímero. O trabalho futuro visa estender a validação para reservatórios de carbonato e fraturados, incorporar cinética dependente do tempo e integrar o modelo com aprendizado de máquina para estimativa automática de propriedades a partir de perfis de poços.