AI-gebaseerde ontwikkeling en optimalisatie van afsluitmaterialen voor secundair injecteren bij methaanwinning

Waarom betere afdichtingen belangrijk zijn voor schoner gas

Steenkoolgas is een schoner brandend gas dat opgesloten zit in steenkoollagen, maar een groot deel ontsnapt via kleine scheurtjes voordat het kan worden opgevangen. Dit artikel onderzoekt hoe kunstmatige intelligentie kan helpen bij het ontwerpen van slimmere afdichtmengsels die die verborgen lekken effectiever dichten, waardoor methaanwinning veiliger, efficiënter en minder verspilling is.

Scheuren in de steen en verloren methaan

Diep ondergronds zijn steenkoollagen doorsneden met natuurlijke breuken die fungeren als geheime ontsnappingsroutes voor gas en water. Wanneer er putten worden geboord om methaan af te tappen, kunnen deze breuken verder opengaan en nieuwe paden vormen die verse lucht binnenlaten en methaan laten ontsnappen. Traditionele op cement gebaseerde afdichtmiddelen kunnen vaak niet ver genoeg in deze netwerken doordringen of blijven niet dicht als de rots verschuift, waardoor de gasproductie daalt en er meer methaan de mijn en de atmosfeer in ontsnapt. De studie richt zich op ‘secundair injecteren’, een vervolgstap om lekke putten te herstellen door speciale materialen diep in deze scheuren te injecteren.

Wat een goed afdichtmengsel maakt

Een nuttig afdichtmateriaal moet meerdere eisen tegelijk oplossen. Het moet in het begin vloeibaar genoeg zijn om te pompen en in fijne scheurtjes te dringen. Vervolgens moet het binnen een bruikbare tijd indikken en ‘gelen’, net genoeg uitzetten om kieren te vullen, en ten slotte uitharden tot een sterke, duurzame vaste stof die gas langdurig tegenhoudt. Het aanpassen van ingrediënten die watergehalte, hars, crosslinkers en een schuimmiddel regelen, verandert eigenschappen zoals viscositeit, uithardingstijd, sterkte en expansie. Het verbeteren van één eigenschap kan gemakkelijk een andere schaden, dus het vinden van het juiste recept via proef en fout in het laboratorium is traag, duur en kan veel veelbelovende combinaties over het hoofd zien.

Computers leren materiaaleigenschappen te voorspellen

De onderzoekers bouwden een datagedreven raamwerk dat leert van een relatief kleine set laboratorium-geteste mengsels en vervolgens zelfstandig naar betere formules zoekt. Ze gebruikten twee typen computermodellen, neurale netwerken, elk afgestemd met verschillende evolutionaire algoritmen die natuurlijke selectie of zwermgedrag nabootsen. Het ene model blonk uit in het voorspellen van hoe stroperig de mengsels zouden zijn en hoe sterk ze zouden worden na uitharding. Het andere was beter in het voorspellen van hoe lang ze nodig hadden om te gelen en hoeveel ze in scheuren zouden uitzetten. Door deze modellen te combineren kan het raamwerk inschatten hoe elk nieuw recept binnen het onderzochte bereik zich waarschijnlijk zal gedragen zonder het in het laboratorium te hoeven mengen en meten.

Het balanceren van vloeibaarheid, sterkte en expansie

Zodra de computer materiaaledrag betrouwbaar kon voorspellen, koppelde het team dit aan een multi-objectieve optimizer die tegelijk duizenden mogelijke recepten doorzoekt. In plaats van naar één ‘beste’ mengsel te zoeken, produceert de optimizer een familie van keuzes die afwegingen maken tussen gemakkelijk pompen, snel zetten, sterke uiteindelijke afdichtingen en gecontroleerde expansie. Bijvoorbeeld: zeer sterke mengsels neigen ernaar dikker te zijn, wat de afstand waarover ze in verre scheuren kunnen worden gepompt kan beperken. Meer vloeibare mengsels dringen dieper door maar harden meestal uit tot matige sterkte. Aanvullende analysemethoden werden vervolgens gebruikt om deze kandidaten te rangschikken volgens verschillende veldbehoeften, zoals diepe penetratie, snel afdichten nabij de put of maximale langetermijnstabiliteit.

Van computermodellen naar schoner gas

Eenvoudig gezegd toont de studie aan dat computers kunnen leren hoe complexe afdichtmengsels zich gedragen en vervolgens ingenieurs kunnen helpen recepten te kiezen die het beste passen bij echte methaanputten. De benadering vervangt veldtesten niet, maar vermindert het giswerk en het aantal laboratoriumproeven dat nodig is aanzienlijk. Met beter afgestemde afdichtmiddelen kan meer methaan vanuit steenkoollagen naar opvangleidingen worden geleid in plaats van door scheuren te lekken, wat veiligere mijnbouwactiviteiten ondersteunt en van steenkoolgas een schonere, efficiëntere energiebron maakt.

Bronvermelding: 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

Trefwoorden: steenkoolgas, boorgatafdichting, kunstmatige intelligentie, injectiematerialen, methaanlektage