Un marco robusto de aprendizaje automático para predecir el ángulo de contacto en EOR químico asistido por nano

Por qué importa cambiar si las rocas prefieren petróleo o agua

Aún gran parte del petróleo del mundo permanece atrapado bajo tierra, aferrado tenazmente a las superficies rocosas incluso después de la producción convencional. En muchos yacimientos, especialmente en carbonatos como la caliza y la dolomita, la roca prefiere naturalmente el petróleo frente al agua, lo que dificulta su desplazamiento. Los ingenieros han descubierto que añadir nanopartículas y productos químicos diseñados a medida al agua de inyección puede invertir esa preferencia hacia el agua y liberar más petróleo. Pero determinar qué mezcla de nanopartículas funcionará en un yacimiento concreto suele requerir mediciones de laboratorio lentas y costosas. Este estudio muestra cómo un sistema de aprendizaje automático cuidadosamente construido puede predecir esos resultados por adelantado, ayudando a científicos e ingenieros a diseñar ensayos y estrategias de campo más inteligentes y rápidos.

Construir una visión global a partir de muchos experimentos pequeños

Los autores comenzaron reuniendo un gran conjunto de datos de 418 experimentos procedentes de más de una década de estudios publicados, además de nuevas mediciones propias. Cada experimento registró cómo cambiaba el ángulo de contacto —la forma de una gota de petróleo sobre la roca en presencia de agua— tras el tratamiento con un fluido a base de nanopartículas. Un ángulo de contacto alto indica que la roca prefiere el petróleo; un ángulo bajo indica preferencia por el agua. Para cada punto de datos, el equipo capturó detalles clave: qué tipo de roca se usó (arena, caliza o dolomita, por ejemplo), la porosidad y permeabilidad de la roca, la salinidad de la salmuera, el tipo y tamaño de las nanopartículas, su concentración, surfactantes o polímeros añadidos, las propiedades del petróleo y la temperatura. En conjunto, estos ingredientes forman una visión rica y multidimensional de cómo los productos químicos asistidos por nano interactúan con condiciones reales de yacimiento.

Enseñar a los algoritmos a leer las señales

Dado que estas relaciones son complejas y altamente no lineales, los investigadores probaron un espectro de enfoques de aprendizaje automático, desde la regresión lineal simple hasta bosques aleatorios, boosting de gradiente, redes neuronales y un modelo híbrido red neuronal–bosque. Antes del entrenamiento, limpiaron y transformaron los datos: se eliminaron los valores atípicos en las colas extremas del 1%, variables sesgadas como la permeabilidad y la salinidad se transformaron por logaritmo, los valores faltantes se imputaron de forma sensata y categorías como tipo de roca o química de la nanopartícula se convirtieron en forma numérica. Luego dividieron los datos en conjuntos de entrenamiento, prueba y validación, y usaron un esquema estricto de validación cruzada que mantuvo juntas todas las muestras de la misma publicación. Esto aseguró que los modelos se evaluaran con condiciones experimentales realmente no vistas, y no con repeticiones sutiles de datos anteriores.

Encontrar el predictor más fiable

Cuando todo se resolvió, los modelos ensemble avanzados superaron claramente a los enfoques simples. El más destacado fue un algoritmo llamado Extreme Gradient Boosting (XGBoost), que ensambla muchos pequeños árboles de decisión. En el conjunto de validación independiente, XGBoost predijo ángulos de contacto con un coeficiente de determinación de aproximadamente 0,95 y un error medio de alrededor de 6 grados, con casi ningún sesgo sistemático a lo largo del rango completo, desde estados fuertemente oil-wet hasta fuertemente water-wet. Un modelo híbrido que combinaba una red neuronal con un bosque aleatorio rindió casi igual de bien, especialmente en uno de los subconjuntos retenidos, lo que destaca que más de una arquitectura puede ser robusta si se ajusta correctamente. En contraste, la regresión lineal ordinaria no captó gran parte del comportamiento, confirmando que los cambios de humectabilidad en sistemas asistidos por nano no siguen tendencias lineales simples.

Qué revela el modelo sobre cómo diseñar tratamientos

Más allá de la predicción precisa, el estudio utilizó varias herramientas de interpretabilidad para convertir el modelo en una especie de microscopio científico. Al variar sistemáticamente las entradas y observar la respuesta del ángulo de contacto predicho, los autores identificaron “puntos óptimos” prácticos y límites. El modelo sugiere que los métodos asistidos por nano tienen pocas probabilidades de funcionar en rocas muy compactas por debajo de aproximadamente 0,1 milidarcy, donde las partículas simplemente no pueden alcanzar suficiente área de superficie. También apunta a una ventana de salinidad óptima, aproximadamente entre 30.000 y 80.000 partes por millón, donde los iones en el agua ayudan a que las nanopartículas y los químicos se adhieran a la roca; a salinidades mucho mayores, las partículas comienzan a agregarse y el rendimiento cae. Otro hallazgo clave es que nanopartículas y polímeros funcionan mejor juntos en proporciones específicas (aproximadamente uno a uno hasta una relación de uno y medio a uno), proporcionando reducciones adicionales en el ángulo de contacto sin causar un espesamiento o taponamiento perjudicial.

Adaptar recetas a distintos tipos de roca

Un hallazgo central es que la nanopartícula o el surfactante “mejor” no es universal; depende en gran medida del tipo de roca. Según el modelo, las nanopartículas de circonia son especialmente efectivas en rocas carbonatadas, mientras que el óxido de hierro y el óxido de cobre rinden mejor en areniscas. Del mismo modo, los biosurfactantes destacan en superficies carbonatadas con carga positiva, mientras que los surfactantes catiónicos son preferidos para areniscas con carga negativa. Los surfactantes no iónicos, que no llevan carga neta, ofrecen un rendimiento sólido y fiable en litologías mixtas. Estos patrones se alinean con principios conocidos de química superficial y proporcionan una base cuantitativa para elegir aditivos que coincidan con la mineralogía del yacimiento.

Cómo este trabajo puede cambiar la práctica de campo

En términos prácticos, el marco ofrece una manera rápida y de bajo coste de cribar formulaciones de nanofluidos antes de comprometerse con programas de laboratorio largos o pruebas piloto. Los ingenieros pueden introducir información básica sobre roca, fluidos y formulación y recibir no solo un ángulo de contacto predicho, sino también orientación sobre si la permeabilidad, la salinidad o la concentración de nanopartículas están dentro de rangos prometedores. Si bien el método no sustituye la necesidad de experimentos o ensayos de campo, reduce drásticamente el espacio de búsqueda, señala dónde los métodos asistidos por nano probablemente no funcionen y sugiere combinaciones específicas para cada roca que merecen un estudio más detallado. A medida que haya más datos de alta calidad disponibles, modelos similares podrían evolucionar hacia potentes herramientas de apoyo a la decisión que ayuden a extraer el petróleo restante de forma más eficiente, con un uso más orientado de materiales avanzados.

Cita: 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

Palabras clave: recuperación mejorada de petróleo, nanopartículas, humectabilidad, aprendizaje automático, ingeniería de yacimientos