Un cadre robuste d’apprentissage automatique pour prédire l’angle de contact dans le REC chimique assisté par nano

Pourquoi modifier la préférence des roches pour le pétrole ou l’eau importe

Une grande partie du pétrole mondial est encore piégée sous terre, adhérant tenacement aux surfaces rocheuses même après la production conventionnelle. Dans de nombreux réservoirs, en particulier les carbonates comme le calcaire et la dolomie, la roche préfère naturellement le pétrole à l’eau, ce qui rend l’extraction difficile. Les ingénieurs ont constaté que l’ajout de nanoparticules et de produits chimiques spécialement conçus dans l’eau d’injection peut inverser cette préférence en faveur de l’eau, libérant ainsi plus de pétrole. Mais déterminer quel mélange de nanoparticules fonctionnera dans un réservoir donné exige généralement des mesures laborieuses et coûteuses en laboratoire. Cette étude montre comment un système d’apprentissage automatique soigneusement construit peut prédire ces résultats à l’avance, aidant scientifiques et ingénieurs à concevoir des essais et des stratégies de terrain plus intelligents et plus rapides.

Construire une vision globale à partir de nombreux petits essais

Les auteurs ont commencé par rassembler un grand jeu de données de 418 expériences issues de plus d’une décennie d’études publiées, plus de nouvelles mesures réalisées par leurs soins. Chaque expérience consignait comment l’angle de contact — la forme d’une goutte de pétrole reposant sur une roche en présence d’eau — changeait après traitement avec un fluide à base de nanoparticules. Un angle de contact élevé signifie que la roche préfère le pétrole ; un angle faible signifie qu’elle préfère l’eau. Pour chaque point de données, l’équipe a relevé des détails clés : le type de roche utilisé (sable, calcaire, dolomie, etc.), la porosité et la perméabilité de la roche, la salinité de la saumure, le type et la taille des nanoparticules, leur concentration, la présence d’agent tensioactif ou de polymère, les propriétés du pétrole et la température. Ensemble, ces éléments forment une vue riche et multidimensionnelle de la façon dont les produits chimiques assistés par nano interagissent avec les conditions réelles des réservoirs.

Apprendre aux algorithmes à lire les signaux

Parce que ces relations sont complexes et fortement non linéaires, les chercheurs ont testé un éventail d’approches d’apprentissage automatique, de la régression linéaire simple aux forêts aléatoires, au gradient boosting, aux réseaux de neurones et à un modèle hybride réseau de neurones–forêt. Avant l’apprentissage, ils ont nettoyé et transformé les données : les valeurs aberrantes dans les 1 % extrêmes ont été supprimées, des variables asymétriques comme la perméabilité et la salinité ont été transformées par logarithme, les valeurs manquantes ont été comblées de manière raisonnable, et des catégories telles que le type de roche ou la chimie des nanoparticules ont été converties en formats numériques. Ils ont ensuite réparti les données en ensembles d’entraînement, de test et de validation séparés, et utilisé un schéma de validation croisée strict qui regroupait tous les échantillons issus d’une même publication. Cela a garanti que les modèles étaient évalués sur des conditions expérimentales réellement inédites, et non sur de subtiles répétitions de données antérieures.

Trouver le prédicteur le plus fiable

À la fin, les modèles d’ensemble avancés ont nettement surpassé les approches simples. Le modèle remarquable était un algorithme appelé Extreme Gradient Boosting (XGBoost), qui assemble de nombreux petits arbres de décision. Sur l’ensemble de validation indépendant, XGBoost a prédit les angles de contact avec un coefficient de détermination d’environ 0,95 et une erreur moyenne d’environ 6 degrés, avec presque aucun biais systématique sur toute la plage allant d’un état fortement préférent au pétrole à un état fortement préférent à l’eau. Un modèle hybride combinant un réseau de neurones et une forêt aléatoire a obtenu des performances presque équivalentes, notamment sur l’un des sous-ensembles réservés, ce qui montre que plusieurs architectures peuvent être robustes si elles sont correctement ajustées. En revanche, la régression linéaire ordinaire n’a pas saisi une grande partie du comportement, confirmant que les changements de mouillabilité dans les systèmes assistés par nano ne suivent pas des tendances simplement linéaires.

Ce que le modèle révèle sur la conception des traitements

Au-delà de la prédiction précise, l’étude a utilisé plusieurs outils d’interprétabilité pour transformer le modèle en une sorte de microscope scientifique. En faisant varier systématiquement les entrées et en observant la réponse de l’angle de contact prédit, les auteurs ont identifié des « zones idéales » pratiques et des limites. Le modèle suggère que les méthodes assistées par nano sont peu susceptibles de fonctionner dans des roches très serrées en dessous d’environ 0,1 millidarcy, où les particules ne peuvent tout simplement pas atteindre suffisamment de surface. Il indique aussi une fenêtre de salinité optimale, d’environ 30 000 à 80 000 parties par million, où les ions de l’eau favorisent l’ancrage des nanoparticules et des produits chimiques sur la roche ; à des salinités beaucoup plus élevées, les particules commencent à s’agglomérer et l’efficacité diminue. Un autre enseignement clé est que nanoparticules et polymères fonctionnent mieux ensemble à des rapports spécifiques (approximativement de un pour un jusqu’à un virgule cinq pour un), produisant des réductions supplémentaires de l’angle de contact sans provoquer d’épaississement ou d’obstruction nuisible.

Adapter les formulations aux différents types de roches

Une conclusion centrale est que la « meilleure » nanoparticule ou le meilleur tensioactif n’est pas universel ; cela dépend fortement du type de roche. D’après le modèle, les nanoparticules d’oxyde de zirconium sont particulièrement efficaces dans les roches carbonatées, tandis que les oxydes de fer et de cuivre donnent de meilleurs résultats dans les grès. De même, les biosurfactants excellent sur des surfaces carbonatées à charge positive, tandis que les tensioactifs cationiques sont privilégiés pour des grès à charge négative. Les tensioactifs non ioniques, qui n’ont pas de charge nette, offrent une performance solide et fiable sur des lithologies mixtes. Ces motifs concordent avec des principes connus de chimie de surface et fournissent une base quantitative pour choisir des additifs correspondant à la minéralogie d’un réservoir.

Comment ce travail peut transformer les pratiques sur le terrain

En termes pratiques, le cadre offre une manière rapide et peu coûteuse de présélectionner des formulations de nanofluides avant de s’engager dans des programmes de laboratoire ou des essais pilotes longs. Les ingénieurs peuvent saisir des informations de base sur la roche, les fluides et la formulation et recevoir non seulement un angle de contact prédit, mais aussi des indications sur le fait que la perméabilité, la salinité ou la charge en nanoparticules se situent dans des plages prometteuses. Si la méthode ne remplace pas le besoin d’expériences ou d’essais sur le terrain, elle réduit fortement l’espace de recherche, met en évidence où les méthodes assistées par nano sont peu probables d’être efficaces et suggère des combinaisons spécifiques à la roche qui méritent une étude approfondie. À mesure que davantage de données de haute qualité deviendront disponibles, des modèles similaires pourraient évoluer en outils d’aide à la décision puissants pour aider à extraire le pétrole restant plus efficacement, tout en ciblant mieux l’utilisation de matériaux avancés.

Citation: 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

Mots-clés: récupération avancée du pétrole, nanoparticules, mouillabilité, apprentissage automatique, génie des réservoirs