التطوير والتحسين القائم على الذكاء الاصطناعي لمواد الختم للحقن الثانوي في استعادة الميثان

لماذا تهم الختمات الأفضل لغاز أنأنظف

غاز الميثان من طبقات الفحم هو غاز أحرق أنظف محتبس في طبقات الفحم، لكن كثيرًا منه يفلت عبر شقوق دقيقة قبل أن يتم جمعه. يستكشف هذا البحث كيف يمكن للذكاء الاصطناعي أن يساعد في تصميم خلطات سدّ أذكى تسد تلك التسريبات الخفية بشكل أكثر فاعلية، مما يجعل استعادة الميثان أكثر أمانًا وكفاءة وأقل هدرًا.

شقوق في الصخر وفقدان الميثان

في الأعماق، تكون طبقات الفحم مخترقة بشقوق طبيعية تعمل كطرق هروب سرية للغاز والمياه. عندما تُحفر الآبار لتصريف الميثان، يمكن أن تتسع هذه الشقوق أكثر، مكونة مسارات جديدة تسمح بدخول الهواء الطلق وخروج الميثان. غالبًا ما لا تستطيع مواد السدّ التقليدية القائمة على الأسمنت التدفق بعيدًا بما يكفي داخل هذه الشبكات أو المحافظة على إغلاقها مع تحرك الصخر، فتتراجع إنتاجية الغاز ويتسرب المزيد من الميثان إلى المنجم والغلاف الجوي. يركز الدراسة على «الحقن الثانوي»، وهي خطوة سدّ لاحقة تهدف إلى استعادة الآبار المتسرِّبة بحقن مواد خاصة عميقًا داخل هذه الشقوق.

ما الذي يجعل خليط السد جيدًا

يجب أن يحل مادّة السد المفيدة عدة مشكلات في آن واحد. يجب أن تكون سائلة بما يكفي في البداية ليتم ضخها وللتغلغل في الشقوق الدقيقة. ثم تحتاج إلى الثخانة والتجلط خلال وقت عملي، والتوسع بما يكفي لملء الفجوات، وفي النهاية أن تصلب إلى مادة قوية ودائمة تحجز الغاز لشهور أو سنوات. سيؤدي تعديل المكونات التي تتحكم في محتوى الماء، والراتنج، ومواد الربط المتصالبة، وعامل الرغوة إلى تغير خصائص مثل اللزوجة، ووقت التصلب، والقوة، والتوسع. تحسين ميزة واحدة قد يضر بغيرها بسهولة، لذا فإن إيجاد الوصفة المناسبة بالتجربة والخطأ في المختبر بطيء ومكلف وقد يفوت العديد من التركيبات الواعدة.

تعليم الحواسيب توقع سلوك المواد

بنَى الباحثون إطارًا معتمدًا على البيانات يتعلم من مجموعة صغيرة نسبيًا من الخلطات المختبرة معمليًا ثم يبحث عن صيغ أفضل بنفسه. استخدموا نوعين من نماذج الحاسوب المسماة الشبكات العصبية، كل واحدة مهيأة بواسطة خوارزميات تطورية مختلفة تحاكي الانتقاء الطبيعي أو سلوك التجمع. تميّز أحد النماذج في التنبؤ بمدى ثخانة الخلطات ومدى قوتها بعد التصلب. أما النموذج الآخر فكان أفضل في التنبؤ بالوقت اللازم للتجلط وكمية التوسع داخل الشقوق. من خلال دمج هذين النموذجين، يستطيع الإطار تقدير كيفية تصرف أي وصفة جديدة ضمن النطاق المختبر دون خلطها وقياسها فعليًا في المختبر.

موازنة التدفق والقوة والتوسع

بمجرد أن أصبح الحاسوب قادرًا على توقع سلوك المواد بشكل موثوق، ربط الفريقه إلى مُحسّن متعدد الأهداف يبحث في آلاف التركيبات الممكنة دفعة واحدة. بدلاً من البحث عن «أفضل» خليط واحد، يُنتج المحسّن عائلة من الخيارات التي تتنازل بين سهولة الضخ، والتصلب السريع، والأختام النهائية القوية، والتوسع المسيطر عليه. على سبيل المثال، تميل الخلطات القوية جدًا لأن تكون أكثر لزوجة، مما قد يقيّد المدى الذي يمكن ضخها إليه داخل الشقوق البعيدة. الخلطات الأكثر سيولة تسافر أعمق لكنها عادةً ما تتصلب إلى قوة متوسطة. ثم استُخدمت طرق تحليل إضافية لترتيب هذه المرشحات وفقًا لاحتياجات ميدانية مختلفة، مثل الاختراق العميق، أو السد السريع قرب البئر، أو أقصى استقرار طويل المدى.

من تصميمات الحاسوب إلى غاز أنظف

بعبارة بسيطة، تُظهر الدراسة أن الحواسيب يمكنها تعلم كيفية تصرف الخلطات السدّية المعقدة ثم مساعدة المهندسين في اختيار الوصفات التي تناسب آبار الميثان الواقعية بشكل أمثل. لا تحل المنهجية محل الاختبارات الميدانية، لكنها تقلل كثيرًا من التخمين وعدد التجارب المختبرية المطلوبة. مع مواد سدّ مخصّصة بشكل أفضل، يمكن توجيه المزيد من الميثان من طبقات الفحم إلى خطوط التجميع بدلًا من التسرب عبر الشقوق، مما يدعم عمليات تعدين أكثر أمانًا ويجعل غاز الميثان من طبقات الفحم مصدر طاقة أنظف وأكثر كفاءة.

الاستشهاد: Zandy Ilghani, N., Maleki, H. AI-based development and optimization of sealing materials for secondary grouting in methane recovery. Sci Rep 16, 15920 (2026). https://doi.org/10.1038/s41598-026-46891-2

الكلمات المفتاحية: غاز الميثان في طبقات الفحم, ختم الآبار, الذكاء الاصطناعي, مواد الحقن, تسرب الميثان