إطار تعلم آلي قوي للتنبؤ بزاوية التماسك في الاسترداد النفطي المحسّن بمساعدة النانو

لماذا يهم تغيير تفضيل الصخور للزيت أو الماء

يبقى الكثير من نفط العالم محبوسًا تحت الأرض، ملتصقًا بالأسطح الصخرية حتى بعد الإنتاج التقليدي. في العديد من المكامن، وخصوصًا الكربونات مثل الحجر الجيري والدولوميت، تفضّل الصخور طبيعيًا الزيت على الماء، ما يجعل دفع النفط صعبًا. وجد المهندسون أن إضافة جسيمات نانوية ومواد كيميائية مصممة خصيصًا إلى ماء الحقن يمكن أن تقلب هذا التفضيل لصالح الماء، محررةً مزيدًا من النفط. لكن تحديد أي خليط من الجسيمات النانوية سينجح في مكمن معيّن يتطلب عادة قياسات مخبرية بطيئة ومكلِفة. تُظهر هذه الدراسة كيف يمكن لنظام تعلم آلي مُحكَّم التنبؤ بهذه النتائج مسبقًا، مما يساعد العلماء والمهندسين على تصميم اختبارات واستراتيجيات ميدانية أكثر ذكاءً وسرعة.

بناء صورة عالمية من تجارب صغيرة متعددة

بدأ المؤلفون بتجميع مجموعة بيانات كبيرة تضم 418 تجربة من أكثر من عقد من الدراسات المنشورة، بالإضافة إلى قياسات جديدة أُجريت لديهم. سجّلت كل تجربة كيفية تغير زاوية التماسك—شكل قطرة الزيت الجاثمة على الصخر بوجود الماء—بعد المعالجة بسائل قائم على الجسيمات النانوية. الزاوية العالية تعني تفضيل الصخر للزيت؛ والزوايا المنخفضة تعني تفضيله للماء. لكل نقطة بيانات، التقط الفريق تفاصيل رئيسية: نوع الصخر المستخدم (مثل الحجر الرملي أو الحجر الجيري أو الدولوميت)، مسامية ونفاذية الصخر، ملوحة المحلول الملحي، نوع وحجم الجسيمات النانوية، تركيزها، أي مواد خافضة للتوتر السطحي أو بوليمرات مضافة، خصائص النفط، ودرجة الحرارة. معًا تشكل هذه المكونات رؤية متعددة الأبعاد غنية لكيفية تفاعل المواد الكيميائية المدعومة بالنانو مع ظروف المكامن الحقيقية.

تعليم الخوارزميات قراءة الإشارات

نظرًا لأن هذه العلاقات معقدة وغير خطية للغاية، اختبر الباحثون طيفًا من أساليب التعلم الآلي، من الانحدار الخطي البسيط إلى الغابات العشوائية، والتعزيز التدريجي، والشبكات العصبية، ونموذج هجين يجمع بين الشبكة العصبية والغابة. قبل التدريب، نظفوا وحوّلوا البيانات: أُزيلت القيم الشاذة في ذيول الـ1% الطرفية، حُوّلت المتغيرات المنحرفة مثل النفاذية والملوحة تحويلًا لوغاريتميًا، عُوِّضت القيم المفقودة بطريقة معقولة، وحُولّت الفئات مثل نوع الصخر أو كيمياء الجسيمات النانوية إلى صيغة رقمية. ثم قسّموا البيانات إلى مجموعات تدريب واختبار وتحقق منفصلة، واستخدموا نظام تحقق متقاطع صارم حافظ على جميع العينات من نفس النشر معًا. ضَمَن ذلك أن تُقيَّم النماذج على ظروف تجريبية فعلًا غير مرئية، لا على تكرارات دقيقة لبيانات سابقة.

إيجاد المتنبئ الأكثر موثوقية

عندما هدأ الصخب، تفوقت نماذج التجمّع المتقدمة بوضوح على النهج البسيطة. البارز كان خوارزمية تسمى التعزيز التدريجي المتطرف (XGBoost)، التي تربط العديد من أشجار القرار الصغيرة معًا. على مجموعة التحقق المستقلة، تنبأت XGBoost بزوايا التماسك بمعامل تحديد يقارب 0.95 وخطأ متوسط يقارب 6 درجات، مع انعدام شبه تام للتحيّز النظامي عبر النطاق الكامل من حالات تفضيل الزيت القوي إلى تفضيل الماء القوي. نموذج هجين يجمع شبكة عصبية مع غابة عشوائية قدّم أداءً قريبًا جدًا، خاصة على إحدى المجموعات المحفوظة، ما يبرز أن أكثر من بنية واحدة يمكن أن تكون متينة إذا ضبطت بشكل مناسب. بالمقابل، فقد الانحدار الخطي العادي جزءًا كبيرًا من السلوك، مؤكّدًا أن تغيرات الرطوبية في أنظمة المساعدة بالنانو لا تتبع اتجاهات بسيطة خطية.

ما يكشفه النموذج عن تصميم المعالجات

بخلاف القدرة على التنبؤ بدقة، استخدمت الدراسة عدة أدوات تفسيرية لتحويل النموذج إلى نوع من المجهر العلمي. من خلال تغيير المدخلات بشكل منهجي ومراقبة استجابة زاوية التماسك المتوقعة، حدّد المؤلفون "نقاطًا مثالية" عملية وحدودًا واضحة. يقترح النموذج أن الطرق المدعومة بالنانو من غير المرجح أن تنجح في الصخور الضيقة جدًا تحت نحو 0.1 ميليدارسي، حيث لا تستطيع الجسيمات الوصول إلى مساحة سطح كافية. كما يشير إلى نافذة ملوحة مثلى، تقريبًا من 30,000 إلى 80,000 جزء في المليون، حيث تساعد الأيونات في الماء الجسيمات والمواد الكيميائية على الالتصاق بالصخر؛ عند ملوحة أعلى بكثير تبدأ الجسيمات بالتكتّل وينخفض الأداء. نقطة مهمة أخرى هي أن الجسيمات النانوية والبوليمرات تعملان بأفضل شكل معًا عند نسب محددة (نحو واحد إلى واحد وحتى واحد ونصف إلى واحد)، ما يمنح تخفيضات إضافية في زاوية التماسك من دون التسبب في تكثيف أو سداد مضر.

تخصيص الوصفات لأنواع صخور مختلفة

نتيجة مركزية هي أن "الأفضل" من الجسيمات النانوية أو الخافض ليست عامة؛ بل تعتمد بشكل قوي على نوع الصخر. حسب النموذج، تكون جسيمات الزركونيا فعّالة بشكل خاص في الصخور الكربونية، بينما تؤدي أكاسيد الحديد والنحاس أداءً أفضل في الحجر الرملي. بالمثل، تتفوّق المواد الخافضة للتوتر البيولوجية على الأسطح الكربونية ذات الشحنة الموجبة، في حين تُفضَّل الخافضات الكاتيونية للصخور الرملية سالبة الشحنة. الخافضات غير الأيونية، التي لا تحمل شحنة صافية، تقدم أداءً ثابتًا وموثوقًا عبر الليثولوجيات المختلطة. تتوافق هذه الأنماط مع مبادئ كيمياء السطوح المعروفة وتوفّر أساسًا كميًا لاختيار الإضافات بما يطابق معدنية المكمن.

كيف يمكن أن يغير هذا العمل الممارسة الميدانية

من الناحية العملية، يقدّم الإطار وسيلة سريعة ومنخفضة التكلفة لفحص تركيبات السوائل النانوية قبل الالتزام ببرامج مخبرية طويلة أو اختبارات تجريبية. يمكن للمهندسين إدخال معلومات أساسية عن الصخر والسائل والتركيبة والحصول ليس فقط على زاوية تماسك متوقعة، بل وأيضًا إرشادات حول ما إذا كانت النفاذية أو الملوحة أو تحميل الجسيمات النانوية تقع ضمن نطاقات واعدة. وبينما لا تغني الطريقة عن الحاجة إلى تجارب أو تجارب ميدانية، فإنها تضيق مساحة البحث بشكل كبير، وتبرز الأماكن التي من غير المرجح أن تنجح فيها الطرق المدعومة بالنانو، وتقترح تركيبات مخصّصة للصخور تستحق دراسة أقرب. ومع توافر المزيد من البيانات عالية الجودة، يمكن لنماذج مماثلة أن تتطوّر إلى أدوات قوية لدعم القرار تساعد على استخراج النفط المتبقي بكفاءة أكبر وباستخدام مواد متقدمة مستهدفة بشكل أفضل.

الاستشهاد: Kandiel, Y.E., Mahmoud, O. & Ibrahim, A.F. A robust machine learning framework for predicting contact angle in nano-assisted chemical EOR. Sci Rep 16, 14676 (2026). https://doi.org/10.1038/s41598-026-48016-1

الكلمات المفتاحية: استرداد نفط محسّن, الجسيمات النانوية, الرطوبية, التعلم الآلي, هندسة المكامن