メタン回収の二次注入用シーリング材のAIベース開発と最適化

より良いシールがクリーンなガスに重要な理由

褐炭層メタンは石炭層に閉じ込められた比較的クリーンに燃焼するガスですが、多くは捕集される前に微小な亀裂を通って逃げてしまいます。本稿は、人工知能がこうした隠れた漏れをより効果的に塞ぐ賢い封止混合物の設計を支援し、メタン回収をより安全かつ効率的で無駄の少ないものにする方法を探ります。

岩石内の亀裂と失われるメタン

地下深く、石炭層には天然の亀裂が張り巡らされており、これがガスや水の抜け道として機能します。メタンを排出するために井戸が掘られると、これらの亀裂はさらに開いて新たな経路を形成し、新鮮な空気が入りメタンが逃げる原因になります。従来のセメント系シーラントは、こうしたネットワークの奥深くまで流れ込めなかったり、地盤の変動に対して密着を保てなかったりするため、生産量が落ち、坑内や大気へのメタン漏洩が増えます。本研究は、漏れた井戸を回復するために亀裂深部へ特殊材料を注入する「二次注入」に着目しています。

良い封止混合物の条件

有用な封止材料は複数の要件を同時に満たす必要があります。初期にはポンプで注入でき細かい亀裂に浸透する程度に流動性があること、その後、実用的な時間内に粘性を増しゲル化し、隙間を埋めるのに十分なだけ膨張し、最終的に数か月から数年にわたってガスを遮断できる強固で耐久性のある固体に硬化すること。含水量、樹脂、架橋添加剤、発泡剤などの配合を調整すると、粘度、硬化時間、強度、膨張量といった性質が変わります。ある特性を改善すると別の特性が損なわれることが多く、試行錯誤で適切な処方をラボで見つけるのは時間と費用がかかり、多くの有望な組み合わせを見逃す可能性があります。

コンピュータに材料挙動を予測させる

研究者らは、比較的少数のラボ試験データから学習し、自律的により良い処方を探索するデータ駆動フレームワークを構築しました。彼らはニューラルネットワークと呼ばれる2種の計算モデルを用い、それぞれを自然選択や群れ行動を模した進化的アルゴリズムで調整しました。1つのモデルは混合物の粘性や硬化後の強度の予測に優れ、もう1つはゲル化に要する時間や亀裂内での膨張量の予測に長けていました。これらのモデルを組み合わせることで、実験室で混合して測定しなくても、試験範囲内の任意の新処方がどのように振る舞うかを推定できます。

流動性、強度、膨張のバランス

コンピュータが材料挙動を信頼性を持って予測できるようになると、研究チームはこれを多目的最適化器に接続し、数千の処方候補を同時に探索しました。単一の「最良」混合物を探すのではなく、注入しやすさ、早い固化、強い最終シール、制御された膨張といった要素のトレードオフを示す選択肢の集合を生成します。例えば、非常に高強度な混合物は粘度が高くなりがちで、遠方の亀裂まで注入しづらくなることがあります。流動性の高い混合物は深く浸透しますが、硬化後の強度は一般に中程度に留まります。その後、現場のニーズ—深部浸透、井戸付近の迅速な封止、あるいは長期安定性の最大化など—に応じてこれらの候補を評価・ランク付けする追加の解析手法が用いられました。

計算機設計からクリーンなガスへ

平易に言えば、本研究はコンピュータが複雑な封止混合物の挙動を学習し、実際のメタン井戸に最適な処方の選択を支援できることを示しています。このアプローチは現場試験を不要にするものではありませんが、試行錯誤とラボ試験の回数を大幅に削減します。より適切に調整されたシーラントにより、より多くのメタンが亀裂を通って逃げるのではなく集管へ導かれ、鉱山作業の安全性向上と褐炭層メタンをよりクリーンで効率的なエネルギー源にすることに寄与します。

引用: 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

キーワード: 褐炭層メタン, 掘削孔封止, 人工知能, 注入材料, メタン漏洩