Un solido framework di machine learning per prevedere l’angolo di contatto nell’EOR chimico assistito da nanoparticelle

Perché cambia­re la preferenza delle rocce per olio o acqua è importante

Gran parte del petrolio mondiale è ancora intrappolata nel sottosuolo, aderendo tenacemente alle superfici rocciose anche dopo la produzione convenzionale. In molti giacimenti, specialmente nelle rocce carbonatiche come il calcare e il dolomite, la roccia preferisce naturalmente l’olio rispetto all’acqua, rendendo difficile il suo recupero. I tecnici hanno scoperto che aggiungendo nanoparticelle progettate e prodotti chimici all’acqua di iniezione è possibile invertire questa preferenza verso l’acqua, liberando maggiore quantità di olio. Ma capire quale miscela di nanoparticelle funzionerà in un dato giacimento richiede di solito misurazioni di laboratorio lente e costose. Questo studio mostra come un sistema di machine learning accuratamente costruito possa prevedere questi esiti in anticipo, aiutando scienziati e ingegneri a progettare prove e strategie di campo più intelligenti e rapide.

Costruire un quadro globale a partire da molti piccoli esperimenti

Gli autori hanno iniziato assemblando un ampio dataset di 418 esperimenti provenienti da oltre un decennio di studi pubblicati, oltre a nuove misurazioni di loro produzione. Ogni esperimento riportava come l’angolo di contatto — la forma di una goccia di olio appoggiata sulla roccia in presenza di acqua — cambiasse dopo il trattamento con un fluido a base di nanoparticelle. Un angolo di contatto elevato indica che la roccia preferisce l’olio; un angolo basso indica preferenza per l’acqua. Per ogni dato il team ha registrato dettagli chiave: che tipo di roccia è stata usata (come arenaria, calcare o dolomite), porosità e permeabilità della roccia, salinità della soluzione, tipo e dimensione delle nanoparticelle, loro concentrazione, eventuali tensioattivi o polimeri aggiunti, proprietà dell’olio e temperatura. Insieme, questi elementi formano una visione ricca e multidimensionale di come i prodotti chimici nano-assistiti interagiscano con le condizioni reali di giacimento.

Addestrare gli algoritmi a leggere i segnali

Poiché queste relazioni sono complesse e altamente non lineari, i ricercatori hanno testato un ventaglio di approcci di machine learning, dalla semplice regressione lineare a foreste casuali, boosting gradiente, reti neurali e un modello ibrido rete neurale–foresta. Prima dell’addestramento hanno pulito e trasformato i dati: sono stati rimossi gli outlier delle code estreme dell’1%, variabili asimmetriche come permeabilità e salinità sono state trasformate con logaritmo, i valori mancanti sono stati imputati in modo sensato e categorie come tipo di roccia o chimica delle nanoparticelle sono state convertite in forma numerica. Hanno quindi suddiviso i dati in set separati di addestramento, test e validazione, e usato uno schema rigoroso di cross-validation che teneva insieme tutti i campioni della stessa pubblicazione. Questo ha garantito che i modelli fossero giudicati su condizioni sperimentali realmente non viste, e non su ripetizioni sottili di dati precedenti.

Trovare il predittore più affidabile

Quando i risultati si sono stabilizzati, i modelli ensemble avanzati hanno chiaramente superato gli approcci semplici. Il migliore è risultato essere un algoritmo chiamato Extreme Gradient Boosting (XGBoost), che combina molti piccoli alberi decisionali. Sul set di validazione indipendente, XGBoost ha previsto gli angoli di contatto con un coefficiente di determinazione di circa 0,95 e un errore medio intorno ai 6 gradi, con quasi nessun bias sistematico su tutto l’intervallo, dallo stato fortemente oleofilo a quello fortemente idrofilo. Un modello ibrido che combinava una rete neurale con una random forest ha ottenuto prestazioni quasi equivalenti, soprattutto su uno dei sottoinsiemi tenuti fuori, evidenziando che più di un’architettura può risultare robusta se ben ottimizzata. Al contrario, la regressione lineare ordinaria non è riuscita a catturare gran parte del comportamento, confermando che i cambiamenti di bagnabilità nei sistemi nano-assistiti non seguono semplici trend lineari.

Cosa rivela il modello su come progettare i trattamenti

Oltre alla previsione accurata, lo studio ha usato diversi strumenti di interpretabilità per trasformare il modello in una specie di microscopio scientifico. Variando sistematicamente gli input e osservando la risposta dell’angolo di contatto predetto, gli autori hanno identificato «zone ottimali» pratiche e limiti. Il modello suggerisce che i metodi nano‑assistiti difficilmente funzionano in rocce molto compatte al di sotto di circa 0,1 millidarcy, dove le particelle non riescono a raggiungere sufficiente area di superficie. Indica inoltre una finestra di salinità ottimale, approssimativamente tra 30.000 e 80.000 parti per milione, in cui gli ioni nell’acqua aiutano nanoparticelle e additivi ad aderire alla roccia; a salinità molto più elevata le particelle tendono ad agglomerarsi e le prestazioni calano. Un altro insight chiave è che nanoparticelle e polimeri funzionano meglio insieme a rapporti specifici (circa uno a uno fino a uno e mezzo a uno), ottenendo riduzioni addizionali dell’angolo di contatto senza provocare ispessimenti o intasamenti nocivi.

Adattare le ricette ai diversi tipi di roccia

Una scoperta centrale è che il «miglior» nanoparticella o tensioattivo non è universale; dipende fortemente dal tipo di roccia. Secondo il modello, le nanoparticelle di zirconia sono particolarmente efficaci nelle rocce carbonatiche, mentre ossidi di ferro e di rame rendono meglio nelle arenarie. Analogamente, i biosurfattanti eccellono su superfici carbonatiche cariche positivamente, mentre tensioattivi cationici sono preferiti per le arenarie cariche negativamente. I tensioattivi non ionici, che non portano carica netta, offrono prestazioni solide e affidabili attraverso litologie miste. Questi schemi si allineano ai principi noti della chimica di superficie e forniscono una base quantitativa per scegliere additivi che corrispondano alla mineralogia del giacimento.

Come questo lavoro può cambiare le pratiche di campo

In termini pratici, il framework offre un modo rapido e a basso costo per selezionare formulazioni di nanofluid prima di impegnarsi in programmi di laboratorio lunghi o test pilota. Gli ingegneri possono inserire informazioni di base su roccia, fluidi e formulazione e ricevere non solo un angolo di contatto predetto, ma anche indicazioni su se permeabilità, salinità o carico di nanoparticelle rientrino in intervalli promettenti. Pur non sostituendo la necessità di esperimenti o prove in campo, restringe nettamente lo spazio di ricerca, evidenzia dove i metodi nano‑assistiti probabilmente non funzioneranno e suggerisce combinazioni specifiche per tipo di roccia che meritano uno studio più approfondito. Con l’aumento della disponibilità di dati di alta qualità, modelli simili potrebbero evolvere in potenti strumenti di supporto alle decisioni per aiutare a recuperare il petrolio residuo in modo più efficiente, con un impiego più mirato dei materiali avanzati.

Citazione: 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

Parole chiave: recupero migliorato di petrolio, nanoparticelle, bagnabilità, apprendimento automatico, ingegneria dei giacimenti