Voorspelling van drainage-capillaire-drukcurven in natuurlijke poreuze media met NMR-T2-relaxometrie: implicaties voor CO2-opslag

Waarom dit onderzoek belangrijk is voor klimaatoplossingen

Het ondergronds opslaan van kooldioxide is een van de weinige middelen die we hebben om de klimaatverandering te vertragen terwijl we afbouwen van fossiele brandstoffen. Voordat ingenieurs echter veilig CO2 in gesteenten op een kilometer diepte of dieper kunnen injecteren, moeten ze zeker weten dat die gesteenten – en, cruciaal, de afsluitende lagen erboven – het gas eeuwenlang kunnen vasthouden. Deze studie presenteert een nieuwe manier om te voorspellen hoe goed verschillende gesteenten CO2 kunnen vasthouden met behulp van een snelle, niet-destructieve magnetische scan in plaats van trage, toxische kwiktests.

Hoe gesteenten ondergrondse vloeistoffen vasthouden en afsluiten

Diep ondergronds zijn gesteenten geen massieve blokken; ze zitten vol met kleine poriën en keelgangen die water, olie, gas of geïnjecteerde CO2 kunnen bevatten. Of CO2 blijft zitten of omhoog ontsnapt, hangt af van hoe gemakkelijk het door die nauwe doorgangen kan persen. Dit gedrag wordt beschreven door 'capillaire druk'-curven, die weergeven welk deel van een gesteente gevuld is met een niet-wettende vloeistof (zoals CO2 of kwik) bij een bepaalde druk. Traditioneel meten laboratoria deze curven door kwik bij zeer hoge drukken in kleine gesteentemonsters te dwingen en de resultaten vervolgens om te rekenen naar de omstandigheden die gelden voor CO2 en zout water. Deze kwiktests zijn destructief, kostbaar, gevaarlijk en worden meestal slechts op enkele monsters langs een put uitgevoerd, wat grote gaten in ons beeld van de ondergrond achterlaat.

Een veiligere manier om naar de poriën van het gesteente te luisteren

Laagveld-nucleaire magnetische resonantie (NMR) biedt een ander perspectief. In plaats van kwik te injecteren, verzadigen wetenschappers een gesteente met pekel en gebruiken ze een magnetische pulscyclus om te meten hoe snel waterstofkernen in de vloeistof relaxeren, beschreven door een parameter genaamd T2. De verdeling van T2-waarden is gevoelig voor de grootte en de oppervlakteeigenschappen van de poriën: grote poriën geven lange T2-tijden, zeer kleine poriën geven korte. In principe zou dit relaxatie-‘vingerafdruk’ gerelateerd moeten zijn aan dezelfde poriën-keelgeometrie die de capillaire druk bestuurt. Eerdere methoden probeerden T2-spectra rechtstreeks om te zetten in capillaire curven met eenvoudige formules die uniforme gesteenteeigenschappen veronderstellen. Die aannames falen vaak in echte formaties, vooral in complexe carbonaten en dichte mudstones, en ze vereisen meestal kalibratie specifiek voor het gesteentetype.

Het een model leren herkennen hoe gesteente zich gedraagt

De auteurs ontwikkelden een datagedreven model dat de relatie leert tussen NMR-metingen en kwik-gebaseerde capillaire curven over vele gesteentetypes. Ze stelden een database samen van 36 kernmonsters, waaronder zandstenen, kalkstenen en dichte mudstones met permeabiliteiten die meer dan zeven orde van grootte beslaan. Voor elk monster combineerden ze informatie uit routinematige kernanalyses (porositeit en permeabiliteit), gedetailleerde NMR T2-distributies en kwikinjectiegegevens. Vervolgens maakten ze meerdere fysisch geïnspireerde kenmerken: een J-parameter die druk koppelt aan gesteentekwaliteit en bevochtigbaarheid, een bimodaliteitsindex die kwantificeert of het poriënstelsel één of twee dominante groottes heeft, en een bin-gewogen logaritmisch gemiddelde T2 dat de scheefheid van de poriegrootteverdeling vastlegt. Met deze kenmerken trainden ze een gradient-boosted decision-treemodel (CatBoost) om kwikverzadiging bij een gegeven druk te voorspellen op basis van de NMR- en gesteente-inputs.

Hoe goed de nieuwe methode presteert

Om te verzekeren dat het model echt generaliseerde buiten de trainingsdata, gebruikte het team een strikte leave-one-sample-out validatie en testte het uiteindelijke model daarna op zes extra ‘blinde’ kernen die nooit tijdens de training waren gezien. Over een groot drukbereik van ongeveer 0,5 tot 50.000 psi reproduceerde het model de gemeten kwik-capillaire curven met een gemiddelde determinatiecoëfficiënt (R²) van 0,94 en een gemiddelde absolute fout in verzadiging van ongeveer 3,6 procent op de blinde set. De methode presteerde consistent voor zandstenen, carbonaten en dichte mudstones. Gevoeligheidsanalyse toonde aan dat de drukschaalrijke J-parameter de voorspellingen domineerde, terwijl de NMR-afgeleide kenmerken de krommevorm verfijnden en verschillen in poriënstelselstructuur vastlegden. Toen de voorspelde kwikkurven werden omgezet naar pekel–CO2-condities met behulp van standaard schaalkoppelingen, kwamen ze goed overeen met de omgezette laboratoriumcurven die in CO2-opslagstudies worden gebruikt.

Wat dit betekent voor toekomstige CO2-opslagprojecten

De studie toont aan dat zorgvuldig ontworpen machine-learningmodellen snelle, niet-destructieve NMR-metingen kunnen omzetten in betrouwbare capillaire-drukcurven, waardoor de behoefte aan gevaarlijke kwikinjectietests sterk wordt verminderd. Omdat NMR-instrumenten al zowel in het laboratorium als als wireline-loggereedschap in putten worden ingezet, kan deze benadering bijna continue profilering van afdichtcapaciteit en afsluitgedrag langs een gehele boorholte mogelijk maken. Hoewel de auteurs beperkingen opmerken, zoals de veronderstelling van water-wet condities en de huidige omvang van de trainingsdataset, wijzen hun resultaten op een praktisch pad naar veiligere, goedkopere en meer uitgebreide beoordeling van ondergrondse CO2-opslaglocaties – waardoor ingenieurs beter kunnen inschatten hoe veilig geïnjecteerde koolstof uit de atmosfeer kan worden gehouden.

Bronvermelding: Markovic, S., Kurochkin, A., Efara, M. et al. Predicting drainage capillary pressure curves in natural porous media by NMR-T₂ relaxometry: implications for CO₂ storage. Sci Rep 16, 11540 (2026). https://doi.org/10.1038/s41598-026-36861-z

Trefwoorden: CO2-geologische opslag, capillaire druk, nucleaire magnetische resonantie, machine learning in petrofysica, gesteenteporeuze structuur