מסגרת למידת מכונה חזקה לחיזוי זווית מגע בטיפולי EOR כימיים בסיוע ננו

מדוע שינוי ההעדפה של הסלע לנפט או למים חשוב

מרבית הנפט בעולם עדיין כלוא מתחת לפני הקרקע, נדבק בעקשנות למשטחי הסלע גם לאחר הפקה בשיטות מקובלות. ברבים מהמאגרי נפט, ובמיוחד בפחמות כגון אבן גיר ודולומיט, הסלע נוטה מטבעו להעדיף נפט על פני מים, מה שמקשה על דחיפת הנפט החוצה. מהנדסים גילו שהוספת ננו-חלקיקים וכימיקלים מיועדים למי הזרקה יכולה להפוך העדפה זו לטובת המים, ולשחרר יותר נפט. אך קביעת תערובת הננו-חלקיקים שתעבוד במאגר מסוים דורשת בדרך כלל מדידות מעבדה איטיות ויקרות. מחקר זה מראה כיצד מערכת למידת מכונה בנויה בקפידה יכולה לחזות תוצאות אלה מראש, לסייע למדענים ומהנדסים לתכנן ניסויים ושיטות שדה חכמות ומהירות יותר.

בניית תמונה גלובלית מתוך ניסויים קטנים רבים

המחברים התחילו באיסוף מאגר נתונים גדול של 418 ניסויים ממעל עשור של פרסומים קיימים, בתוספת מדידות חדשות משלהם. כל ניסוי תיעד כיצד זווית המגע — צורת טיפה של נפט שישובה על סלע בנוכחות מים — השתנתה לאחר טיפול בנוזל מבוסס ננו-חלקיקים. זווית גבוהה מצביעה על העדפת נפט; זווית נמוכה מצביעה על העדפת מים. עבור כל נקודת נתונים הקבוצה תיעדה פרטים מרכזיים: סוג הסלע (כגון סנדסטון, אבן גיר או דולומיט), הניחוח והחדירות של הסלע, מליחות המלחות, סוג וגודל הננו-חלקיקים, ריכוזם, כל סורפקטנט או פולימר שנוסף, תכונות הנפט וטמפרטורה. מרכיבים אלה יוצרים יחד תמונה עשירה ומרובת-ממדים של האינטראקציה בין כימיקלים בסיוע ננו לתנאי מאגר אמיתיים.

לימוד האלגוריתמים לקרוא את האותות

מכיוון שהקשרים הללו מורכבים וחסרי ליניאריות, החוקרים בדקו מגוון רחב של גישות למידת מכונה, מהסתברות ליניארית פשוטה ועד יערות רנדומליים, חיזוק גרדיאנטי, רשתות נוירונים ומודל היברידי של רשת-יער. לפני האימון ניקו והמירו את הנתונים: הוצאו ערכים קיצוניים בשיעור של 1% מהזנבות, משתנים מסולפים כמו חדירות ומליחות פונו-לוגריתמית, חסרים מולאו באופן הגיוני, וקטגוריות כמו סוג סלע או כימיה של ננו-חלקיקים הומרו לצורה מספרית. לאחר מכן חילקו את הנתונים לקבוצות אימון, בדיקה ואימות נפרדות, והשתמשו בסכימת אימות צולב מחמירה ששמרה על כל המדגמים מאותו פרסום בקבוצה אחת. זה הקנה ודאות שהמודלים נבחנים בתנאי ניסוי שלא נראו קודם, ולא על חזרות סמויות של נתונים קודמים.

ממצאים על המנבא האמין ביותר

כאשר האבק ירד, מודלים מורכבים מבוססי אנסמבל הצטיינו על פני גישות פשוטות. המודל הבולט היה אלגוריתם שנקרא Extreme Gradient Boosting (XGBoost), שחיבר יחד הרבה עצי החלטה קטנים. בערכת האימות העצמאית חזה XGBoost את זוויות המגע עם מקדם קביעה של כ-0.95 ושגיאה ממוצעת של בערך 6 מעלות, עם כמעט אפס הטיה שיטתית לאורך כל הטווח מהמעמד חובב-נפט לחובב-מים. מודל היברידי שמשלב רשת נוירונים עם יער רנדומלי הציג תוצאות כמעט זהות, במיוחד על אחד מהתתי-קבוצות שלא נכללו באימון, מה שמצביע על כך שיותר מארכיטקטורה אחת יכולות להיות חזקות אם מכוונות היטב. לעומת זאת, רגרסיה ליניארית רגילה הפסידה ברוב ההתנהגויות, ואישרה ששינויים בריכוזיות המשטח במערכות בסיוע ננו אינם עוקבים אחרי מגמות ישרות ופשוטות.

מה המודל מגלה על עיצוב טיפולים

מעבר לניבוי מדויק, המחקר השתמש בכמה כלים לפרשנות כדי להפוך את המודל למעין מיקרוסקופ מדעי. על ידי שינוי שיטתי של הקלטים וצפייה בתגובת זווית המגע החזויה, המחברים זיהו "נקודות מתיקות" ומגבלות פרקטיות. המודל מציע ששיטות בסיוע ננו סביר שלא יעבדו בסלעים מאוד דחוסים מתחת לכ-0.1 מילידרשי, שם החלקיקים פשוט לא מגיעים לשטח פנים מספיק. הוא גם מצביע על חלון מליחות אופטימלי, בקירוב 30,000–80,000 חלקים למיליון, שבו יונים במים מסייעים לקשירת הננו-חלקיקים והכימיקלים לסלע; במליחות גבוהה בהרבה החלקיקים מתחילים להידבק זה לזה וביצועים יורדים. תובנה מרכזית נוספת היא שננו-חלקיקים ופולימרים עובדים הכי טוב יחד ביחסים ספציפיים (בקירוב אחד לאחד ועד אחת וחצי לאחד), מה שמעניק צמצום נוסף בזווית המגע מבלי לגרום להסמכה או סתימה מזיקה.

התאמת מתכונים לסוגי סלע שונים

ממצא מרכזי הוא ש"הננו-חלקיק" או ה"סורפקטנט" הטובים ביותר אינם אוניברסליים; הם תלויים באופן חזק בסוג הסלע. על פי המודל, ננו-חלקיקי זרקוניה יעילים במיוחד בסלעים קרבון, בעוד שחמצני ברזל ונחושת מתפקדים טוב יותר בסנדסטונים. במקביל, ביו-סורפקטנטים מצטיינים על משטחים קרבוניים בעלי מטען חיובי, בעוד שסורפקטנטים קטיוניים מועדפים על סנדסטונים בעלי מטען שלילי. סורפקטנטים לא יוניים, שאינם נושאים מטען נקי, מספקים ביצועים יציבים ואמינים בסלעים מעורבים. תבניות אלה תואמות לעקרונות ידועים בכימיית משטחים ומספקות בסיס כמותי לבחירת תוספים התואמים למינרלוגיה של המאגר.

כיצד עבודה זו יכולה לשנות פרקטיקה בשדה

במונחים מעשיים, המסגרת מציעה דרך מהירה וזולה לסנן ניסוחי ננוזיל לפני שמתחייבים לתוכניות מעבדה ארוכות או למבחני פיילוט. מהנדסים יכולים להזין מידע בסיסי על סלע, נוזל וניסוח ולקבל לא רק זווית מגע חזויה, אלא גם הנחיות האם החדירות, המליחות או עומס הננו-חלקיקים נמצאים בטווחים מבטיחים. בעוד שהשיטה אינה מהווה תחליף לניסויים או למבחנים שדה, היא מצמצמת משמעותית את מרחב החיפוש, מדגישה היכן שגישות בסיוע ננו סבירות שלא יעבדו, ומציעה קומבינציות מותאמות לסלע שראויות לחקירה מעמיקה יותר. ככל שיהיו נתונים איכותיים נוספים, מודלים דומים עשויים להתפתח לכלי תמיכה בהחלטות רבי-עוצמה שיעזרו לשחרר את שארית הנפט בצורה יעילה יותר, עם שימוש ממוקד וטוב יותר בחומרים מתקדמים.

ציטוט: 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

מילות מפתח: הגברת ייצור נפט, ננו-חלקיקים, ריכוזיות משטח, למידת מכונה, הנדסת מאגר