Desarrollo y optimización basados en IA de materiales sellantes para recolocación secundaria en la recuperación de metano

Por qué importan mejores sellos para un gas más limpio

El metano en capas de carbón es un gas que arde con menor contaminación atrapado en vetas de carbón, pero gran parte se escapa por pequeñas grietas antes de poder capturarse. Este artículo explora cómo la inteligencia artificial puede ayudar a diseñar mezclas sellantes más inteligentes que tapen esas fugas ocultas de manera más eficaz, haciendo que la recuperación de metano sea más segura, eficiente y menos derrochadora.

Grietas en la roca y metano perdido

En lo profundo, las vetas de carbón están atravesadas por fracturas naturales que funcionan como rutas de escape para gas y agua. Cuando se perforan pozos para drenar metano, estas fracturas pueden abrirse aún más, formando nuevos conductos que dejan entrar aire fresco y salir metano. Los selladores tradicionales a base de cemento a menudo no fluyen lo suficiente dentro de estas redes ni permanecen herméticos cuando la roca se mueve, por lo que la producción de gas cae y más metano se escapa hacia la mina y la atmósfera. El estudio se centra en la “reinyectación secundaria”, un paso de sellado posterior que busca restaurar pozos con fugas mediante la inyección de materiales especiales en profundidad dentro de estas fracturas.

Qué hace a una buena mezcla sellante

Un material sellante útil debe resolver varios problemas a la vez. Debe ser lo bastante fluido al inicio para bombearse y penetrar en grietas finas. Luego necesita espesarse y “gelificarse” en un tiempo manejable, expandirse lo justo para rellenar huecos y, finalmente, endurecerse hasta convertirse en un sólido fuerte y duradero que retenga el gas durante meses o años. Ajustar los ingredientes que controlan el contenido de agua, la resina, los aditivos de reticulación y un agente espumante modificará propiedades como la viscosidad, el tiempo de fraguado, la resistencia y la expansión. Mejorar una característica puede dañar fácilmente otra, por lo que encontrar la receta adecuada por ensayo y error en el laboratorio es lento, caro y puede pasar por alto muchas combinaciones prometedoras.

Enseñar a los ordenadores a predecir el comportamiento del material

Los investigadores construyeron un marco basado en datos que aprende a partir de un conjunto relativamente pequeño de mezclas probadas en laboratorio y luego busca fórmulas mejores por su cuenta. Usaron dos tipos de modelos informáticos llamados redes neuronales, cada uno ajustado con diferentes algoritmos evolutivos que imitan la selección natural o el comportamiento en enjambre. Un modelo destacó en predecir cuán espesas serían las mezclas y cuánta resistencia adquirirían tras endurecerse. El otro fue mejor pronosticando cuánto tiempo tardarían en gelificar y cuánto se expandirían dentro de las fracturas. Al combinar estos modelos, el marco puede estimar cómo se comportará cualquier nueva receta dentro del rango probado sin necesidad de mezclarla y medirla en el laboratorio.

Equilibrar flujo, resistencia y expansión

Una vez que el ordenador pudo predecir de forma fiable el comportamiento del material, el equipo lo vinculó a un optimizador multiobjetivo que explora miles de recetas posibles a la vez. En lugar de buscar una única mezcla “óptima”, el optimizador produce una familia de opciones que compensan entre facilidad de bombeo, fraguado rápido, sellos finales resistentes y expansión controlada. Por ejemplo, las mezclas muy resistentes tienden a ser más espesas, lo que puede limitar cuánto pueden ser bombeadas hacia fracturas lejanas. Las mezclas más fluidas llegan más lejos pero por lo general curan con resistencia moderada. A continuación se emplearon métodos de análisis adicionales para clasificar estos candidatos según distintas necesidades de campo, como penetración profunda, sellado rápido cerca del pozo o máxima estabilidad a largo plazo.

De los diseños por ordenador a un gas más limpio

En términos sencillos, el estudio muestra que los ordenadores pueden aprender cómo se comportan mezclas sellantes complejas y luego ayudar a los ingenieros a elegir recetas que se adapten mejor a pozos de metano reales. El enfoque no sustituye las pruebas de campo, pero reduce drásticamente las conjeturas y el número de ensayos de laboratorio necesarios. Con sellantes más ajustados, más metano puede ser dirigido desde las vetas de carbón hacia las tuberías de captura en lugar de filtrarse por las grietas, apoyando operaciones mineras más seguras y haciendo del metano en capas de carbón una fuente de energía más limpia y eficiente.

Cita: 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

Palabras clave: metano en capas de carbón, sellado de sondeos, inteligencia artificial, materiales de inyección, fuga de metano