増進回収における高分子溶液粘度予測のための機械学習モデル比較評価

油田で流体の「厚さ」を予測する重要性

老朽化した油田から最後の一滴まで油を取り出すのは案外難しい。技術者は注入水に高分子を混ぜて粘度を上げ、流れが指状に進まず油を均一に押し出すようにすることが多い。しかし、どれくらい「厚く」すべきかを決めるには、温度、塩分、流速、薬剤量などさまざまな条件で何百もの試験を行う必要があるのが通常だ。本研究は、こうした実験データから現代の機械学習が学び、瞬時に高分子溶液の粘度を予測できることを示し、より効率的でリスクの低い油回収設計に寄与することを示している。

粘性の高い流体が頑固な油を動かす仕組み

油層を最初に開発したときは油は比較的流れやすい。時間がたつと残る油は岩の細孔に閉じ込められ、通常の注水では動きにくくなる。注入水が油に対してあまりにも薄いと、最も通りやすい経路だけを通って多くの油を取り残してしまう。高分子を加えると注入水が粘性を持ち、より均一に押し出せるため、岩石の「走査率（スイープ）」が向上し回収量が増える。問題は高分子の挙動が条件に非常に敏感である点だ。濃度が高ければ一般に粘度は上がり、温度上昇や強いせん断（速い流れ）は通常粘度を下げ、溶解塩は高分子鎖を弱めたり構造を変えたりする。これらの因子は複雑で非線形に相互作用するため、単純な式ではうまく表せないことが多い。

実験室データから豊富なデータセットを構築

著者らは広く使われる高分子（SAV10、HPAMの一種）に着目し、実際の油層条件を模した1,079件の粘度測定を作成した。操作した主な因子は4つで、ポリマー濃度（1,000～4,000 ppm）、温度（25～80 ℃）、アラビア海水とその希釈を模した塩分、そしてせん断率として表現される流速だ。期待どおり、低温・低塩分・高濃度・穏やかな流れでより粘性の高い溶液が得られ、すべてのサンプルでせん断薄化（かき混ぜたりポンプで送ると粘度が下がる）挙動が観察された。モデリング前にデータのクリーニングと標準化、外れ値チェック、相関の解析を行い、濃度が粘度と最も強い正の相関を示す一方で、温度・せん断・塩分は粘度を低下させる傾向があるが単純な直線的関係ではないことを確認した。

多数の学習手法を比較検証

研究者らは粘度予測をデータ駆動の課題として扱い、さまざまな機械学習手法を系統的に比較した。まず線形回帰、サポートベクターマシン、決定木、いくつかのニューラルネットワークといった馴染み深い手法を試し、柔軟性の高いモデルが単純な直線フィットよりはるかに良い性能を示すことを確認した。隠れ層が1層で100個のニューロンを持つ「ワイド」なニューラルネットワークは、すでに広いレンジの実測値と良く一致する高い精度で粘度を予測した。次に、複数の決定木やブースティング学習の長所を組み合わせたアンサンブルモデル群や、不確実性の推定も行える確率的手法であるガウス過程回帰を評価した。これらの高度なモデルのいくつかは非常に良好な性能を示し、従来の手法が性能を落としがちな高粘度領域でも小さな予測誤差を保った。

スタッキングで最も鋭い予測が得られた理由

最後の精度向上を狙い、チームは3つの優れた個別モデル（Extra Trees、XGBoost、CatBoost）を混ぜ合わせる「スタッキング」アンサンブルを構築し、その上に単純なメタモデルを置いた。各ベースモデルは濃度・せん断・温度・塩分が粘度に与える異なる側面を学び、メタモデルがそれらの出力の重み付けを学習することで、全体として最良の性能を発揮した。このスタック型システムは、予測値と実測値のほぼ完全な一致と非常に低い平均誤差を示し、フィールド設計で重要となる最も高い粘度のケースでも優れた精度を示した。Permutation ImportanceやSHAP解析などの説明可能なAIツールは、ポリマー濃度が主要な支配因子であり、次いでせん断率、温度、塩分の順で影響することを確認しており、これは基本的な高分子物理学と一致する順序である。

将来の油回収設計への示唆

一般読者にとっての要点は、この研究が遅く手間のかかる試行錯誤の実験プロセスを高速なデータ駆動の予測エンジンに変換したことだ。一度学習させれば、スタックモデルは塩分、温度、流れ、濃度の新しい組合せに対して実験を行わずとも瞬時に高分子溶液の粘度を推定できる。これにより回収オプションのスクリーニングが速まり、コスト削減と計画時の不確実性低減が期待できる。現状の研究は特定の高分子とラボスケールのデータに基づくが、同じアプローチは他の化学系や添加剤にも拡張可能であり、より厳しい油層向けに学習に基づく最適流体設計を助け、経験則に頼る頻度を減らす助けとなるだろう。

引用: Belkhir, S.A., Pakeer, A.A., Shakeel, M. et al. Comparative assessment of machine learning models for polymer solution viscosity prediction in enhanced oil recovery. Sci Rep 16, 10442 (2026). https://doi.org/10.1038/s41598-026-41045-w

キーワード: ポリマー注入, 粘度予測, 機械学習, 増進油回収, アンサンブルモデル