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

Muito abaixo da superfície da Terra, em formações rochosas tão apertadas que o petróleo e o gás não podem fluir livremente, os engenheiros devem criar rachaduras artificiais para desbloquear esses recursos. Esse processo, conhecido como fraturamento hidráulico, envolve o bombeamento de fluido sob pressão imensa para fraturar a rocha e, em seguida, empurrar grãos sólidos, chamados de proppants, para dentro dessas rachaduras para mantê-las abertas. O sucesso de toda a operação depende da espessura, ou viscosidade, do fluido. Se o fluido for muito fino, os proppants afundam antes de atingir o final da rachadura, deixando o reservatório improdutivo. Se for muito espesso, torna-se difícil de bombear. Nos ambientes mais quentes e pressurizados, onde as temperaturas podem exceder 120 graus Celsius e as pressões podem atingir mais de 3.000 libras por polegada quadrada, prever como esse fluido se comportará é notoriamente difícil. Para resolver isso, pesquisadores recorreram às "espumas energizadas", que são misturas de gás e líquido que utilizam menos água do que os fluidos tradicionais, enquanto transportam os sólidos necessários. No entanto, essas espumas são instáveis; elas podem se decompor ou mudar de espessura rapidamente sob o calor e a pressão extremos de um poço, tornando difícil saber como elas irão performar até que seja tarde demais.

Uma equipe de pesquisadores da Universidade de Adelaide desenvolveu uma nova maneira de prever como essas espumas energizadas se comportarão, combinando dados laboratoriais do mundo real com modelos computacionais que aprendem com a experiência. Em vez de depender apenas de testes físicos caros e demorados, a equipe construiu uma estrutura digital que pode prever a espessura do fluido conforme ele muda ao longo do tempo. Eles coletaram dados de onze experimentos laboratoriais distintos envolvendo espumas de dióxido de carbono e nitrogênio, capturando quase 4.000 medições individuais. Esses testes cobriram uma ampla gama de condições, desde pressões de 947 a 3.040 psi e temperaturas de 25 a 122 graus Celsius. Os pesquisadores focaram em um tipo específico de espuma estabilizada por uma combinação de surfactantes, que são produtos químicos que ajudam a misturar óleo e água, e nanopartículas de sílica, que são partículas sólidas minúsculas que reforçam a estrutura da espuma. Ao alimentar esses dados em algoritmos de aprendizado de máquina, eles criaram duas ferramentas complementares: uma que prevê a espessura do fluido com base nas condições atuais e outra que rastreia como essa espessura evolui conforme o experimento progride.

A primeira ferramenta, projetada para entender o fluido em um único momento, identificou com sucesso que a temperatura é o fator mais crítico. Quando o calor aumenta, a espuma torna-se mais fina, e o modelo computacional aprendeu a antecipar essa queda com alta precisência. Entre as várias abordagens matemáticas testadas, um tipo de rede neural conhecido como perceptron multicamadas provou ser o mais confiável para essa tarefa. Ele podia observar a pressão atual, a temperatura e a composição química da mistura e estimar a espessura do fluido com um nível de precisão que rivaliza com os testes físicos, mas sem a necessidade de um novo experimento a cada vez. Este modelo atua como um ponto de partida, dando aos engenheiros uma expectativa de base sobre como o fluido deve se comportar antes de entrar no ambiente complexo e variável de um poço.

A segunda ferramenta aborda o fato de que a espuma não permanece a mesma; ela se degrada e muda conforme é bombeada e aquecida ao longo do tempo. Para capturar isso, os pesquisadores construíram um modelo dinâmico que observa o histórico do comportamento do fluido. Assim como uma pessoa pode se sentir cansada após um longo dia de trabalho, a estrutura da espuma enfraquece após ser submetida ao estresse. O modelo computacional aprendeu a reconhecer esses padrões observando a espessura do fluido nos momentos imediatamente anteriores ao momento atual. O algoritmo mais eficaz para este trabalho foi um método chamado regressão Lasso, que é particularmente bom em encontrar padrões simples e estáveis nos dados sem se confundir com o ruído. Este modelo previu com sucesso a tendência geral do afinamento do fluido ao longo do tempo, suavizando os picos e vales acentuados que frequentemente ocorrem em dados brutos para fornecer uma imagem clara do ciclo de vida do fluido.

Embora os modelos tenham desempenhado bem quando testados em dados semelhantes aos que viram durante o treinamento, os pesquisadores descobriram que sua precisão caiu quando confrontados com experimentos completamente novos que nunca haviam encontrado antes. Esta é uma descoberta crucial, pois destaca os limites da abordagem atual. Os modelos são excelentes em interpolar, ou preencher as lacunas entre condições conhecidas, mas ainda não podem prever com certeza absoluta como uma formulação de espuma completamente diferente ou um conjunto de condições drasticamente novo se comportará. O estudo descarta explicitamente a ideia de que esses modelos computacionais possam substituir totalmente os testes físicos. Em vez disso, os pesquisadores posicionam seu trabalho como uma poderosa ferramenta de triagem. Ele permite que os engenheiros testem centenas de cenários diferentes em um computador para ver quais parecem promissores, estreitando as opções antes de se comprometer com o processo caro e perigoso de testes laboratoriais físicos.

O estudo também esclareceu o que impulsiona o comportamento do fluido. Nas previsões estáticas, momento a momento, a temperatura era a força dominante, seguida pela velocidade com que o fluido estava sendo bombeado. Nas previsões dinâmicas, baseadas no tempo, o fator mais importante era simplesmente como o fluido havia se comportado no passado recente. Isso confirma que o histórico da espuma é tão importante quanto seu estado atual. Os pesquisadores observaram que seus dados não incluíam medições contínuas de todas as variáveis possíveis, como a quantidade exata de sal na água ou a concentração precisa de nanopartículas a cada segundo, o que limita o quão longe os modelos podem ser levados.

Em última análise, este trabalho fornece uma ponte entre a realidade desordenada da dinâmica de fluidos e a precisão limpa da previsão computacional. Oferece uma maneira de visualizar como uma espuma energizada irá afinar e mudar conforme viaja da superfície para baixo, em direção a um reservatório quente e de alta pressão. Ao combinar um instantâneo do estado atual com uma memória do passado, o sistema oferece aos engenheiros uma imagem mais completa do desempenho do fluido. Embora não seja uma bola de cristal capaz de prever o futuro de qualquer espuma sob qualquer condição, é uma ferramenta robusta para tomar melhores decisões hoje. Ajuda a priorizar quais misturas químicas merecem estudos adicionais e quais estratégias operacionais têm probabilidade de sucesso, economizando tempo e recursos, ao mesmo tempo em que melhora a segurança e a eficiência da extração de energia dos reservatórios mais desafiadores da Terra.