Développement et optimisation basés sur l’IA des matériaux d’étanchéité pour le rejointoiement secondaire dans la récupération du méthane

Pourquoi de meilleurs scellements comptent pour un gaz plus propre

Le méthane de houille est un gaz à combustion plus propre piégé dans les couches de charbon, mais une grande partie s’échappe par de petites fissures avant de pouvoir être captée. Cet article examine comment l’intelligence artificielle peut aider à concevoir des mélanges d’étanchéité plus intelligents qui bouchent ces fuites cachées de manière plus efficace, rendant la récupération du méthane plus sûre, plus efficace et moins gaspilleuse.

Fissures dans la roche et méthane perdu

Sous terre, les couches de charbon sont traversées de fractures naturelles qui servent d’issues secrètes pour le gaz et l’eau. Lorsque des puits sont forés pour drainer le méthane, ces fractures peuvent s’ouvrir davantage, formant de nouvelles voies qui laissent entrer de l’air et sortir le méthane. Les scellants traditionnels à base de ciment ne peuvent souvent pas pénétrer suffisamment loin dans ces réseaux ni rester étanches lorsque la roche bouge, si bien que la production de gaz diminue et que davantage de méthane s’échappe dans la mine et dans l’atmosphère. L’étude se concentre sur le « rejointoiement secondaire », une étape d’étanchéification de suivi visant à restaurer les puits qui fuient en injectant des matériaux spéciaux au fond de ces fractures.

Ce qui fait un bon mélange d’étanchéité

Un matériau d’étanchéité utile doit résoudre plusieurs problèmes à la fois. Il doit être suffisamment fluide au départ pour être pompé et pénétrer les fissures fines. Il doit ensuite s’épaissir et « gélifier » dans un délai utilisable, se dilater juste assez pour combler les vides, puis durcir en un solide résistant et durable capable de retenir le gaz pendant des mois ou des années. L’ajustement des ingrédients qui contrôlent la teneur en eau, la résine, les additifs de réticulation et un agent moussant modifie des propriétés telles que la viscosité, le temps de durcissement, la résistance et l’expansion. Améliorer une caractéristique peut facilement nuire à une autre, si bien que trouver la bonne recette par essais et erreurs en laboratoire est lent, coûteux et peut laisser passer de nombreuses combinaisons prometteuses.

Apprendre aux ordinateurs à prédire le comportement des matériaux

Les chercheurs ont construit un cadre piloté par les données qui apprend à partir d’un ensemble relativement restreint de mélanges testés en laboratoire puis recherche de meilleures formules de manière autonome. Ils ont utilisé deux types de modèles informatiques appelés réseaux neuronaux, chacun optimisé par différents algorithmes évolutionnaires mimant la sélection naturelle ou le comportement en essaim. Un modèle excellait à prédire l’épaisseur des mélanges et la résistance après durcissement. L’autre était meilleur pour prévoir le temps de gélification et le degré d’expansion au sein des fractures. En combinant ces modèles, le cadre peut estimer le comportement probable d’une nouvelle recette dans la plage testée sans la mélanger ni la mesurer en laboratoire.

Équilibrer écoulement, résistance et expansion

Une fois que l’ordinateur pouvait prédire de manière fiable le comportement des matériaux, l’équipe l’a relié à un optimiseur multi‑objectif qui explore des milliers de recettes possibles simultanément. Plutôt que de chercher un seul mélange « optimal », l’optimiseur produit une famille d’options qui font des compromis entre facilité de pompage, prise rapide, scellements finaux résistants et expansion contrôlée. Par exemple, les mélanges très résistants ont tendance à être plus visqueux, ce qui peut limiter leur capacité à être pompés loin dans des fractures éloignées. Les mélanges plus fluides pénètrent plus profondément mais durcissent généralement avec une résistance modérée. Des méthodes d’analyse supplémentaires ont ensuite été utilisées pour classer ces candidats selon différents besoins de terrain, tels que pénétration profonde, scellement rapide près du puits ou stabilité maximale à long terme.

Des conceptions informatiques à un gaz plus propre

En termes simples, l’étude montre que les ordinateurs peuvent apprendre comment se comportent des mélanges d’étanchéité complexes puis aider les ingénieurs à choisir des recettes qui conviennent le mieux aux puits de méthane réels. Cette approche ne remplace pas les essais sur le terrain, mais elle réduit fortement le travail d’estimation et le nombre d’essais en laboratoire nécessaires. Avec des scellants mieux adaptés, davantage de méthane peut être dirigé des couches de charbon vers les conduites de collecte au lieu de fuir par des fissures, contribuant à des opérations minières plus sûres et faisant du méthane de houille une source d’énergie plus propre et plus efficace.

Citation: 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

Mots-clés: méthane de houille, obturation de puits, intelligence artificielle, matériaux de rejointoiement, fuite de méthane