KI-basierte Entwicklung und Optimierung von Dichtungsmaterialien für Sekundärverpressung bei der Methanrückgewinnung

Warum bessere Dichtungen für sauberes Gas wichtig sind

Kohleflözgas ist ein sauberer brennender Brennstoff, der in Kohleflözen eingeschlossen ist, doch ein großer Teil entweicht durch feine Risse, bevor er erfasst werden kann. Diese Arbeit untersucht, wie künstliche Intelligenz dabei helfen kann, intelligentere Dichtungsmischungen zu entwickeln, die diese verborgenen Lecks effektiver verschließen und so die Methanrückgewinnung sicherer, effizienter und weniger verschwenderisch machen.

Risse im Gestein und verlorenes Methan

Tief unter der Erde sind Kohleflöze von natürlichen Brüchen durchzogen, die als geheime Fluchtwege für Gas und Wasser dienen. Beim Abteufen von Brunnen zur Entgasung können sich diese Brüche weiter öffnen und neue Pfade bilden, die Frischluft herein- und Methan herauslassen. Herkömmliche zementbasierte Dichtstoffe können häufig nicht weit genug in diese Netzwerke eindringen oder dicht bleiben, wenn sich das Gestein verschiebt, sodass die Gasförderung sinkt und mehr Methan in das Bergwerk und in die Atmosphäre entweicht. Die Studie konzentriert sich auf die „Sekundärverpressung“, einen nachgelagerten Abdichtungsschritt, der darauf abzielt, undichte Brunnen durch das Injizieren spezieller Materialien tief in diese Risse wiederherzustellen.

Was eine gute Dichtungsmischung ausmacht

Ein nützliches Dichtungsmaterial muss mehrere Probleme gleichzeitig lösen. Es muss anfangs fluid genug sein, um gepumpt zu werden und feine Risse zu durchdringen. Es muss dann innerhalb einer praktikablen Zeit eindicken und „gellieren“, sich gerade genug ausdehnen, um Spalten zu füllen, und schließlich zu einem starken, dauerhaften Feststoff aushärten, der Gas über Monate oder Jahre zurückhält. Die Anpassung der Inhaltsstoffe, die Wassergehalt, Harz, Vernetzungszusätze und ein Treibmittel steuern, verändert Eigenschaften wie Viskosität, Aushärtezeit, Festigkeit und Ausdehnung. Die Verbesserung einer Eigenschaft kann leicht eine andere beeinträchtigen, sodass das Finden der richtigen Rezeptur durch Versuch und Irrtum im Labor langsam, teuer und häufig uneffizient ist.

Computern beibringen, Materialverhalten vorherzusagen

Die Forschenden entwickelten ein datengesteuertes Framework, das aus einer relativ kleinen Menge laborgetesteter Mischungen lernt und dann selbstständig nach besseren Formeln sucht. Sie verwendeten zwei Typen von Computermodellen, sogenannte neuronale Netze, die jeweils durch verschiedene evolutionäre Algorithmen abgestimmt wurden, die natürliche Selektion oder Schwarmverhalten nachahmen. Ein Modell war besonders gut darin, vorherzusagen, wie dick die Mischungen sein würden und welche Festigkeit sie nach dem Aushärten erreichen. Das andere war besser geeignet, die Gelierzeit und die Ausdehnung in den Brüchen vorherzusagen. Durch die Kombination dieser Modelle kann das Framework abschätzen, wie jede neue Rezeptur innerhalb des getesteten Bereichs wahrscheinlich reagiert, ohne sie im Labor mischen und messen zu müssen.

Fluss, Festigkeit und Ausdehnung ausbalancieren

Sobald der Computer das Materialverhalten zuverlässig vorhersagen konnte, koppelte das Team ihn an einen multiobjektiven Optimierer, der tausende mögliche Rezepturen gleichzeitig durchsucht. Anstatt nach einer einzigen „besten“ Mischung zu suchen, erzeugt der Optimierer eine Familie von Optionen, die Abwägungen zwischen einfacher Pumpbarkeit, schneller Gelierung, starker Endabdichtung und kontrollierter Ausdehnung bieten. Sehr starke Mischungen sind zum Beispiel oft zäher, was ihre Förderreichweite in weit entfernte Risse einschränken kann. Flüssigere Mischungen dringen tiefer vor, härten aber meist zu moderater Festigkeit aus. Zusätzliche Analysemethoden wurden dann verwendet, um diese Kandidaten nach unterschiedlichen Feldanforderungen zu bewerten, etwa tiefe Penetration, schnelle Abdichtung nahe dem Bohrloch oder maximale Langzeitstabilität.

Von Computermodellen zu saubererem Gas

Einfach gesagt zeigt die Studie, dass Computer lernen können, wie komplexe Dichtungsmischungen sich verhalten, und Ingenieuren helfen können, Rezepturen auszuwählen, die am besten zu realen Methanbrunnen passen. Der Ansatz ersetzt nicht die Feldversuche, reduziert jedoch deutlich das Ratespiel und die Anzahl notwendiger Labortests. Mit besser zugeschnittenen Dichtstoffen kann mehr Methan aus den Kohleflözen in Sammelleitungen gelenkt werden statt durch Risse zu entweichen, was sicherere Bergbaubetriebe unterstützt und Kohleflözgas zu einer saubereren, effizienteren Energiequelle macht.

Zitation: 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

Schlüsselwörter: Kohleflözgas, Bohrlochabdichtung, künstliche Intelligenz, Verpressungsmaterialien, Methanleckage