قياس التوتر السطحي بين النفط والنيتروجين باستخدام آلة تعزيز التدرج المحسّنة بتطورية

لماذا يهم هذا لإنتاج النفط المستقبلي

حتى بعد الحفر والضخ الحديثين، يبقى الكثير من النفط في المكمن محبوسًا تحت الأرض. إحدى طرق إخراج المزيد هي حقن غازات تساعد على فكّ وتحرّك النفط. تُظهر هذه الدراسة كيف يمكن لشكل قوي من الذكاء الاصطناعي التنبؤ بخصيصة محورية تتحكم في مدى قدرة غاز النيتروجين المحقون على تحرير النفط المحبوس، ما يساعد المهندسين على تصميم طرق استخلاص أنظف وأكثر كفاءة بدون إجراء تجارب معملية لا نهائية.

استخراج المزيد من النفط بأدوات أنظف

لطالما استخدمت شركات النفط حقن الغازات لدفع المزيد من النفط من الحقول المتقادمة. ثاني أكسيد الكربون فعّال بشكل خاص، لكنه يُصاحب بمشكلات: قد يتسبب بالتآكل في المعدات، ويؤدي إلى تكتل مكونات ثقيلة في النفط وسد المسام، ويعتمد على توافر مستمر لثاني أكسيد الكربون الملتقط. بالمقابل، النيتروجين رخيص ومتوافر وكيميائيًا خامد. يمكنه تثبيت الضغط، وتشكيل مخاليط قابلة للامتزاج مع المكونات الأخف من النفط، وتجريف النفط نحو آبار الإنتاج، مما يجعله بديلاً جذابًا حيث يكون CO₂ محفوفًا بالمخاطر أو غير مجدٍ اقتصاديًا.

السحب الخفي عند حدود النفط والغاز

في قلب استرداد النفط المعتمد على الغازات يكمن التوتر البيني — «جلد» الحدود بين النفط والغاز. عندما يكون هذا التوتر مرتفعًا، تلتصق قطرات النفط بالصخور بعناد؛ وعندما ينخفض، يمكن أن تتحرك بحرية أكبر. التوتر البيني يتأثر بالضغط، ودرجة الحرارة، ونوع النفط، ومن المكلف قياسه في المختبر تحت كل الظروف الممكنة. المعادلات التقليدية غالبًا ما تحتاج إلى تفصيلات كيميائية دقيقة للنفط ومع ذلك تكافح لتعمل بشكل موثوق عبر مكامن مختلفة. هذا الفراغ يدفع للبحث عن أدوات مستندة إلى البيانات يمكنها إجراء تنبؤات دقيقة من قياسات أبسط ومتاحة على نطاق واسع.

تعليم نموذج للتعلم من بيانات نادرة

جمع المؤلفون 148 قياسًا دقيقًا للتوتر البيني بين النيتروجين والنفط من تجارب سابقة، تغطي نطاقًا واسعًا من الضغوط ودرجات الحرارة وجودة النفط (مُعبرًا عنها بجاذبية API). بدأوا بفحص البيانات لاستكشاف القيم الشاذة باستخدام اختبار إحصائي قائم على مونت كارلو، لضمان ألا تشوّه النقاط النادرة أو الخطأ النتائج. ثم درّبوا آلة تعزيز التدرج، وهو نوع من نماذج التجميع التي تجمع العديد من أشجار القرار الصغيرة لالتقاط أنماط غير خطية دقيقة. ولتجنب الإفراط في التخصيص على هذه المجموعة الصغيرة نسبيًا من البيانات، استخدموا التحقق المتبادل بخمس طيات، مع إعادة خلط متكرر لأي بيانات تُستخدم في التدريب وأيها للاختبار.

ترك خوارزميات مستوحاة من الطبيعة لضبط النموذج

بدل التخمين لإعدادات النموذج الأمثل، استخدم الباحثون أربع طرق بحث «ميتاهيريستية» تحاكي سلوكيات في الطبيعة: بحث النحل عن الغذاء، تكتل الطيور، التعشيش الطفيلي للوقواق، وأنماط اصطياد الحيتان. استكشفت كل طريقة مجموعات مختلفة من عمق النموذج وسرعة التعلم وضوابط أخرى، سعياً لتقليل أخطاء التنبؤ. عبر هذه المحاولات، أنتج النهج المستوحى من النحل — تحسين خلية النحل الاصطناعية — النموذج الأكثر موثوقية، محققًا توازنًا قويًا بين الدقة على البيانات المعروفة والأداء على حالات جديدة غير مرئية.

فتح الصندوق الأسود للتعلم الآلي

لفهم ما تعلّمه النموذج، لجأت الفريق إلى أداة تفسير تُعرف باسم SHAP، التي تُنسب لكل مدخل حصة من المسؤولية عن كل تنبؤ. أظهر هذا التحليل أن الضغط ودرجة الحرارة يتحكمان بشكل ساحق في التوتر البيني بين النيتروجين والنفط، بينما تلعب جاذبية API دورًا أصغر لكنه ملحوظ. تتطابق الاتجاهات المتعلمة مع الحدس الفيزيائي: يزيد الضغط من انضغاط الغاز ويشجع على الامتزاج، مما يخفض التوتر البيني؛ تُعزز درجة الحرارة الحركة الجزيئية وتضعف «الجلد» عند الواجهة؛ والزيوت الأخف، ذات جاذبية API أعلى، تميل إلى تماسك أقل وبالتالي توتر بيني أقل.

ماذا يعني هذا عمليًا

بعبارات بسيطة، تقدم الدراسة اختصارًا ذكيًا: نموذج ذكاء اصطناعي مُراجَع ومتسق مع الفيزياء يمكنه تقدير مدى «لاصقية» الحدود بين النيتروجين والنفط تحت ظروف باطنية مختلفة، باستخدام ثلاثة مدخلات سهلة القياس فقط. يوفر الإصدار المحسّن بالنحل من النموذج التنبؤات الأكثر ثقة ويُظهر بوضوح أن ضبط الضغط ودرجة الحرارة هو أنجع وسيلة لتليين هذه الحدود وتحريك النفط المحبوس. مع توقعات أفضل بمتناول اليد، يمكن للمهندسين تصميم مخططات حقن النيتروجين بثقة أكبر، وتقليل الاعتماد على الاختبارات المخبرية المكلفة، واستكشاف مجموعات أنظف من الغازات والمضافات لاستخراج طاقة أكبر من المكامن القائمة مع نفايات أقل.

الاستشهاد: Abushuhel, M., Mohammad, H., Rao P S, R. et al. Pioneering oil and nitrogen interfacial tension using evolutionarily optimized gradient boosting machine. Sci Rep 16, 13086 (2026). https://doi.org/10.1038/s41598-026-43758-4

الكلمات المفتاحية: زيادة استخلاص النفط, حقن النيتروجين, التوتر البيني, نماذج التعلم الآلي, تعزيز التدرج