פיתוח ואופטימיזציה מבוססי בינה מלאכותית של חומרים לאיטום להזרקה משנית לשיקום פיצוצים בהפקת מתאן

מדוע איטום טוב יותר חשוב לגז נקי יותר

מתאן ממכרות פחם הוא גז שנשרף באופן נקי יותר ונלכד בתוך שכבות הפחם, אך חלק גדול ממנו נוטה לברוח דרך סדקים זעירים לפני שניתן ללכוד אותו. מאמר זה בוחן כיצד בינה מלאכותית יכולה לסייע בתכנון תערובות איטום חכמות יותר שיחסמו את הדליפות הנסתרות הללו בצורה יעילה יותר, מה שישפר את בטיחות ואפקטיביות חילוץ המתאן ויקטין בזבוז.

סדקים בסלע ומתאן שאובד

מעמקי הקרקע, שכבות פחם משורטות בסדקים טבעיים המשמשים כדרכי מילוט לגז ולמים. כאשר מקדחים בארות לניתוב המתאן, סדקים אלה עלולים להיפתח עוד יותר וליצור מסלולים חדשים שמאפשרים כניסת אוויר טרי ויציאת מתאן. חומרי איטום מסורתיים מבוססי בטון לעתים קרובות אינם יכולים לחדור מספיק עמוק לרשתות אלה או להישאר אטומים כשהסלע משתנה, ולכן תפוקת הגז יורדת ועוד מתאן דולף למכרה ולאטמוספירה. המחקר מתמקד ב"הזרקה משנית" — שלב איטום חוזר שנועד לשקם בארות דולפות על ידי הזרקת חומרים מיוחדים לעומק הסדקים.

מה עושה תערובת איטום טובה

חומר איטום שימושי צריך לפתור כמה בעיות בבת אחת. הוא חייב להיות נוזלי מספיק בהתחלה כדי שניתן יהיה להזרים אותו ולחדור לסדקים דקים. לאחר מכן עליו להסמיך ולה"ג'ל" בתוך זמן עבודה סביר, להתרחב במידה מספקת כדי למלא מרווחים, ולבסוף להתקשות למוצק חזק ועמיד שיחזיק מעמד חודשים או שנים. התאמת מרכיבים שמווסתים תוכן המים, שרף, מוספים לקישור צולב ונוגד קצף תשנה תכונות כגון ויסקוזיות, זמן התקשות, חוזק והתרחבות. שיפור תכונה אחת עלול להזיק לאחרת, ולכן מציאת המתכון הנכון בניסוי וטעייה במעבדה איטית, יקרה ועלולה לפספס שילובים מבטיחים רבים.

לתת למחשבים לחזות התנהגות חומרים

החוקרים בנו מסגרת מבוססת נתונים שלמדה מקבוצה יחסית קטנה של תערובות שנבדקו במעבדה ואז חיפשה בעצמה נוסחאות טובות יותר. הם השתמשו בשני סוגי דגמי מחשב שנקראים רשתות עצביות, כל אחת מוּנַהגת על ידי אלגוריתמים אבולוציוניים שונים שמחקים ברירה טבעית או התנהגות עדרית. מודל אחד הצטיין בחיזוי העמיות של התערובות ובחיזוי החוזק לאחר התקשות. השני היה טוב יותר בתחזית משך זמן ההג'לה וכמות ההתרחבות בתוך הסדקים. על ידי שילוב המודלים הללו, המסגרת יכולה לאמוד כיצד כל מתכון חדש בטווח הנבדק צפוי להתנהג מבלי לערבב ולמדוד אותו במעבדה.

איזון בין זרימה, חוזק והתרחבות

כאשר המחשב כבר יכול לחזות התנהגות חומרים באמינות, הצוות קישר אותו לאופטימיזטור רב־מטרי שחיפש אלפי מתכונים אפשריים בבת אחת. במקום לחפש "המתכון הטוב ביותר" היחיד, האופטימיזטור יצר משפחה של אפשרויות שמותאמות פשרות בין הזרקה קלה, התקשות מהירה, אטימות חזקה והתרחבות מבוקרת. למשל, תערובות חזקות מאוד נוטות להיות סמיכות יותר, מה שיכול להגביל עד כמה ניתן להזרים אותן לסדקים מרוחקים. תערובות נוזליות יותר חודרות עמוק יותר אך בדרך כלל מתקשות לחוזק בינוני. לאחר מכן שימשו שיטות ניתוח נוספות כדי לדרג את המועמדים בהתאם לצרכים שדה שונים, כגון חדירה עמוקה, איטום מהיר בקרבת הבאר, או יציבות מרבית לטווח הארוך.

מעיצובים של מחשב לגז נקי יותר

במילים פשוטות, המחקר מראה שמחשבים יכולים ללמוד כיצד תערובות איטום מורכבות מתנהגות ואז לסייע למהנדסים לבחור מתכונים המתאימים ביותר לבארות מתאן במציאות. הגישה אינה מחליפה ניסויים בשטח, אך היא מקצרת במידה ניכרת את תהליך הניחוש ומצמצמת את מספר הניסויים במעבדה הנדרשים. עם חומרי איטום מותאמים טוב יותר, ניתן לכוון יותר מתאן משכבות הפחם לצנרת איסוף במקום שיפרח דרך סדקים, מה שתומך בפעולות כרייה בטוחות יותר והופך את מתאן שכבות הפחם למקור אנרגיה נקי ויעיל יותר.

ציטוט: 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

מילות מפתח: מתאן ממכרות פחם, איטום קידוחים, בינה מלאכותית, חומרי השבחה/הזרקה, דליפת מתאן