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

在地球深处，岩层极其致密，以至于石油和天然气无法自由流动，工程师们必须创造人工裂缝来解锁这些资源。这种被称为水力压裂的过程，涉及注入高压流体以使岩石破碎，然后将被称为“支撑剂”的固体颗粒推入这些裂缝中，以保持其开启状态。整个作业的成功取决于流体的粘度（即厚度）。如果流体太稀，支撑剂会在到达裂缝末端之前下沉，导致储层无法产出；如果流体太稠，则难以泵送。在那些温度可能超过120摄氏度、压力达到3,000磅/平方英寸以上的极热且高压的环境中，预测这种流体的行为是极其困难的。为了解决这个问题，研究人员转向了“强化泡沫”（energized foams），这是一种由气体和液体组成的混合物，与传统流体相比使用更少的水，同时能携带必要的固体。然而，这些泡沫并不稳定；在油井极端的高温高压下，它们可能会迅速分解或改变粘度，使得人们很难在情况变得无法挽回之前预知它们的表现。

阿德莱德大学的一个研究小组开发了一种预测这些强化泡沫行为的新方法，将现实世界的实验室数据与能够从经验中学习的计算机模型相结合。该团队并没有仅仅依赖于昂贵且耗时的物理测试，而是构建了一个数字框架，可以预测流体粘度随时间的变化。他们收集了涉及二氧化碳和氮气泡沫的11组不同的实验室实验数据，捕捉了近4,000个独立测量值。这些测试涵盖了广泛的条件，包括947至3,040 psi的压力以及25至122摄氏度的温度。研究人员专注于一种由表面活性剂（一种帮助油水混合的化学物质）和二氧化硅纳米颗粒（一种增强泡沫结构的微小固体颗粒）组合稳定的特定类型泡沫。通过将这些数据输入机器学习算法，他们创建了两个互补的工具：一个根据当前条件预测流体粘度，另一个追踪粘度如何随着实验的进行而演变。

第一个工具旨在理解某一时刻的流体状态，它成功地识别出温度是最关键的因素。当热量上升时，泡沫会变稀，计算机模型学会了高精度地预判这种下降。在测试的各种数学方法中，一种被称为“多层感知器”的神经网络被证明是最可靠的。它可以观察当前的压力、温度和混合物的化学成分，并估算出流体的粘度，其精确度足以媲美物理测试，且无需每次都进行新实验。该模型作为一个起点，为工程师提供了流体在进入复杂的油井环境之前应有的行为基准预期。

第二个工具解决了泡沫并非恒定不变的问题——它在被泵送和加热的过程中会发生降解和变化。为了捕捉这一现象，研究人员构建了一个动态模型，该模型会观察流体行为的历史记录。就像一个人在漫长的工作日后会感到疲惫一样，泡沫在承受压力后其结构也会减弱。计算机模型通过观察当前时刻之前的流体粘度来识别这些模式。对于这项工作，最有效的算法是一种称为“Lasso回归”的方法，它特别擅长在不被噪声干扰的情况下寻找简单、稳定的模式。该模型成功预测了流体随时间变稀的一般趋势，平滑了原始数据中经常出现的剧烈波动，从而清晰地展示了流体的生命周期。

虽然模型在面对与训练数据相似的数据时表现良好，但研究人员发现，当面对从未遇到的全新实验时，其准确性会下降。这是一个至关重要的发现，因为它凸显了当前方法的局限性。这些模型擅长“内插”，即填补已知条件之间的空白，但目前还无法完全确定地预测一种完全不同的泡沫配方或一套全新的条件会如何表现。该研究明确排除了这些计算机模型可以完全取代物理测试的观点。相反，研究人员将他们的工作定位为一个强大的筛选工具。它允许工程师在计算机上测试数百种不同的方案，看看哪些方案看起来有前景，从而在投入昂贵且具有危险性的物理实验室测试之前，缩小选择范围。

研究还阐明了驱动流体行为的因素。在静态的、瞬时的预测中，温度是主导力量，其次是流体的泵送速度。在动态的、基于时间的预测中，最重要的因素仅仅是流体在近期是如何表现的。这证实了泡沫的历史与其当前状态同样重要。研究人员指出，由于他们的数据并未包含对所有可能变量（如水中盐分的精确含量或纳米颗粒的精确浓度）进行连续测量，这限制了模型能达到的深度。

最终，这项工作在混乱的流体动力学现实与精准的计算机预测之间架起了一座桥梁。它提供了一种可视化手段，展示强化泡沫在从地面向下进入高温高压储层的过程中是如何变稀和变化的。通过结合当前状态的快照与对过去的记忆，该系统为工程师提供了更完整的流体性能图景。虽然它并不是一个能预测任何条件下任何可能泡沫未来的“水晶球”，但它是一个用于做出更好决策的稳健工具。它有助于优先考虑哪些化学混合物值得进一步研究，以及哪些操作策略更有可能成功，从而在提高从地球最具挑战性的储层中提取能源的安全性和效率的同时，节省时间和资源。