Sviluppo e ottimizzazione basati sull’IA dei materiali sigillanti per l’iniezione secondaria nel recupero del metano

Perché sigilli migliori sono importanti per un gas più pulito

Il metano da giacimenti carboniferi è un gas a combustione più pulita intrappolato nelle falde di carbone, ma molto di esso sfugge attraverso microfessure prima di poter essere catturato. Questo articolo esplora come l’intelligenza artificiale possa contribuire a progettare miscele sigillanti più intelligenti che otturino in modo più efficace queste perdite nascoste, rendendo il recupero del metano più sicuro, efficiente e meno dispersivo.

Fessure nella roccia e metano perso

A grande profondità, le falde carbonifere sono percorse da fratture naturali che fungono da vie di fuga per gas e acqua. Quando si perforano pozzi per drenare il metano, queste fratture possono aprirsi ulteriormente, creando nuovi percorsi che lasciano entrare aria fresca e uscire metano. I sigillanti tradizionali a base di cemento spesso non riescono a fluire sufficientemente in queste reti o a restare ermetici quando la roccia si muove, perciò la produzione di gas cala e più metano fugge nella miniera e nell’atmosfera. Lo studio si concentra sulla “iniezione secondaria”, una fase di sigillatura successiva che mira a ripristinare pozzi che perdono, iniettando materiali speciali in profondità nelle fratture.

Cosa rende buona una miscela sigillante

Un materiale sigillante efficace deve risolvere contemporaneamente diversi problemi. Deve essere inizialmente sufficientemente fluido da poter essere pompato e penetrare nelle microfessure. Poi deve addensarsi e “gelificare” entro un intervallo di tempo operativo, espandersi quel tanto che basta a colmare gli spazi e infine indurirsi in un solido forte e durevole che blocchi il gas per mesi o anni. La regolazione degli ingredienti che controllano il contenuto d’acqua, la resina, gli additivi reticolanti e un agente schiumogeno modifica proprietà come viscosità, tempi di indurimento, resistenza ed espansione. Migliorare una caratteristica può facilmente danneggiarne un’altra, quindi trovare la ricetta giusta per tentativi in laboratorio è lento, costoso e può trascurare molte combinazioni promettenti.

Insegnare ai computer a prevedere il comportamento dei materiali

I ricercatori hanno costruito un quadro guidato dai dati che impara da un set relativamente piccolo di miscele testate in laboratorio e poi ricerca autonomamente formule migliori. Hanno usato due tipi di modelli informatici chiamati reti neurali, ciascuna messa a punto con diversi algoritmi evolutivi che imitano la selezione naturale o il comportamento degli sciami. Un modello eccelleva nel prevedere quanto sarebbero risultate viscose le miscele e quanto sarebbero diventate resistenti dopo l’indurimento. L’altro era migliore nel prevedere il tempo di gelificazione e quanto si sarebbero espanse all’interno delle fratture. Combinando questi modelli, il sistema può stimare come si comporterà qualsiasi nuova ricetta entro l’intervallo testato senza doverla miscelare e misurare in laboratorio.

Bilanciare scorrevolezza, resistenza ed espansione

Una volta che il computer è stato in grado di prevedere in modo affidabile il comportamento dei materiali, il team lo ha collegato a un ottimizzatore multi-obiettivo che esplora migliaia di ricette possibili contemporaneamente. Invece di cercare un’unica miscela “migliore”, l’ottimizzatore produce una famiglia di scelte che bilanciano la pompabilità, i tempi di presa, la robustezza dei sigilli finali e l’espansione controllata. Per esempio, le miscele molto resistenti tendono a essere più dense, il che può limitarne la portata nelle fratture più lontane. Le miscele più fluide penetrano più in profondità ma di solito induriscono a resistenze moderate. Sono stati quindi impiegati metodi di analisi aggiuntivi per classificare questi candidati in base a diverse esigenze di campo, come penetrazione profonda, sigillatura rapida vicino al pozzo o massima stabilità a lungo termine.

Dai progetti al computer a un gas più pulito

In termini semplici, lo studio dimostra che i computer possono apprendere il comportamento di miscele sigillanti complesse e poi aiutare gli ingegneri a scegliere le ricette più adatte ai pozzi reali di metano. L’approccio non sostituisce i test sul campo, ma riduce drasticamente le congetture e il numero di prove di laboratorio necessarie. Con sigillanti più adeguati, più metano può essere convogliato dalle falde di carbone verso le condotte di raccolta invece di fuoriuscire tramite fessure, a supporto di attività minerarie più sicure e facendo del metano da giacimenti carboniferi una risorsa energetica più pulita ed efficiente.

Citazione: 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

Parole chiave: metano da giacimenti carboniferi, sigillatura del foro di perforazione, intelligenza artificiale, materiali per iniezione, fuga di metano