Predicción de curvas de presión capilar de drenaje en medios porosos naturales mediante relaxometría NMR-T2: implicaciones para el almacenamiento de CO2

Por qué esta investigación importa para las soluciones climáticas

Almacenar dióxido de carbono en profundidad es una de las pocas herramientas que tenemos para frenar el cambio climático mientras hacemos la transición lejos de los combustibles fósiles. Pero antes de que los ingenieros puedan inyectar CO2 de forma segura en rocas a un kilómetro o más bajo nuestros pies, deben asegurarse de que esas rocas —y, crucialmente, las capas sellantes que las cubren— puedan mantener el gas confinado durante siglos. Este estudio presenta una nueva forma de predecir qué tan bien diferentes rocas pueden atrapar CO2 utilizando un escaneo magnético rápido y no destructivo en lugar de las lentas y tóxicas pruebas con mercurio.

Cómo las rocas retienen y fijan fluidos subterráneos

En profundidad, las rocas no son bloques sólidos; están recorridas por diminutos poros y estrechamientos que pueden contener agua, petróleo, gas o CO2 inyectado. Si el CO2 permanece o se escapa hacia arriba depende de lo fácilmente que pueda pasar por esos pasajes estrechos. Este comportamiento se describe mediante curvas de “presión capilar”, que relacionan qué fracción de la roca está ocupada por un fluido no mojante (como el CO2 o el mercurio) a una presión dada. Tradicionalmente, los laboratorios miden estas curvas forzando mercurio en pequeñas muestras de roca a presiones muy altas, y luego convierten los resultados a las condiciones esperadas para CO2 y agua salina. Estas pruebas con mercurio son destructivas, costosas, peligrosas y normalmente se realizan en solo unas pocas muestras a lo largo de un pozo, dejando grandes lagunas en nuestro mapa del subsuelo.

Una forma más segura de “escuchar” los poros de la roca

La resonancia magnética nuclear (NMR) de campo bajo ofrece un enfoque diferente. En lugar de inyectar mercurio, los científicos saturan la roca con salmuera y usan una secuencia de pulsos magnéticos para medir la rapidez con que los núcleos de hidrógeno en el fluido se relajan, descrita por un parámetro llamado T2. La distribución de valores T2 es sensible al tamaño y a las propiedades superficiales de los poros: los poros grandes generan tiempos T2 largos, los poros muy pequeños tiempos T2 cortos. En principio, esta “huella” de relajación debería estar relacionada con la misma geometría de poros y estrechamientos que controla la presión capilar. Métodos previos intentaron convertir espectros T2 directamente en curvas capilares mediante fórmulas simples que asumen propiedades rocosas uniformes. Esas suposiciones suelen fallar en formaciones reales, especialmente en carbonatos complejos y lutitas compactas, y por lo general requieren calibración específica para cada tipo de roca.

Enseñar a un modelo a reconocer el comportamiento de la roca

Los autores desarrollaron un modelo basado en datos que aprende la relación entre las medidas NMR y las curvas capilares obtenidas con mercurio en muchos tipos de roca. Compilaron una base de datos de 36 testigos de núcleo, incluyendo areniscas, calizas y lutitas compactas con permeabilidades que abarcan más de siete órdenes de magnitud. Para cada muestra combinaron información del análisis rutinario de núcleos (porosidad y permeabilidad), distribuciones detalladas de T2 de NMR y datos de inyección de mercurio. Luego diseñaron varias características inspiradas físicamente: un parámetro J que vincula la presión con la calidad de la roca y la mojabilidad, un índice de bimodalidad que cuantifica si el sistema de poros tiene una o dos gamas de tamaños dominantes, y una media logarítmica ponderada por bandas de T2 que captura la asimetría de la distribución de tamaños de poro. Con estas características entrenaron un modelo de árboles de decisión con impulso por gradiente (CatBoost) para predecir la saturación de mercurio a cualquier presión dada a partir de las entradas NMR y de la roca.

Qué tan bien funciona el nuevo método

Para asegurar que el modelo realmente generalizara más allá de los datos de entrenamiento, el equipo usó una validación estricta dejando fuera una muestra a la vez y luego probó el modelo final en seis núcleos “ciegos” adicionales que nunca se usaron en el entrenamiento. En un amplio rango de presiones de aproximadamente 0,5 a 50.000 psi, el modelo reprodujo las curvas capilares medidas con mercurio con un coeficiente de determinación medio (R²) de 0,94 y un error absoluto medio en saturación de alrededor del 3,6 por ciento en el conjunto ciego. El método funcionó de manera consistente para areniscas, carbonatos y lutitas compactas. El análisis de sensibilidad mostró que el parámetro J escalado por la presión dominaba las predicciones, mientras que las características derivadas de NMR afinaban la forma de la curva, captando diferencias en la estructura del sistema de poros. Cuando las curvas de mercurio predichas se convirtieron a condiciones de salmuera–CO2 mediante relaciones de escala estándar, coincidieron estrechamente con las curvas de laboratorio convertidas empleadas en estudios de almacenamiento de CO2.

Qué implica esto para futuros proyectos de almacenamiento de CO2

El estudio demuestra que modelos de aprendizaje automático cuidadosamente diseñados pueden convertir medidas NMR rápidas y no destructivas en curvas de presión capilar fiables, reduciendo considerablemente la necesidad de peligrosas pruebas de inyección de mercurio. Dado que las herramientas NMR ya se usan tanto en laboratorio como en registros de pozo con cable, este enfoque podría permitir un perfilado casi continuo de la capacidad sellante y del comportamiento de atrapamiento a lo largo de todo un sondeo. Aunque los autores señalan limitaciones, como la suposición de condiciones de mojado por agua y el tamaño actual del conjunto de entrenamiento, sus resultados sugieren un camino práctico hacia evaluaciones más seguras, baratas y extensas de sitios subterráneos para almacenamiento de CO2, ayudando a los ingenieros a juzgar mejor qué tan seguro es mantener el carbono inyectado fuera de la atmósfera.

Cita: Markovic, S., Kurochkin, A., Efara, M. et al. Predicting drainage capillary pressure curves in natural porous media by NMR-T₂ relaxometry: implications for CO₂ storage. Sci Rep 16, 11540 (2026). https://doi.org/10.1038/s41598-026-36861-z

Palabras clave: almacenamiento geológico de CO2, presión capilar, resonancia magnética nuclear, aprendizaje automático en petrofísica, estructura de poros de la roca