Een robuust machine-learningkader voor het voorspellen van de contacthoek bij nano-ondersteunde chemische EOR

Waarom het veranderen van de voorkeur van gesteente voor olie of water ertoe doet

Een groot deel van ’s werelds olie zit nog steeds ondergronds vast, en kleeft hardnekkig aan gesteente zelfs na conventionele productie. In veel reservoirs, vooral carbonaten zoals kalksteen en dolomiet, heeft het gesteente van nature een voorkeur voor olie boven water, wat het moeilijk maakt de olie te verdrijven. Ingenieurs hebben ontdekt dat het toevoegen van speciaal ontworpen nanodeeltjes en chemicaliën aan geïnjecteerd water deze voorkeur naar water kan omkeren, waardoor meer olie vrijkomt. Maar bepalen welke nanodeeltjessamenstelling in een gegeven reservoir zal werken vereist meestal trage en kostbare laboratoriummetingen. Deze studie toont aan hoe een zorgvuldig gebouwd machine-learningsysteem zulke uitkomsten vooraf kan voorspellen, waardoor wetenschappers en ingenieurs slimmer en sneller test- en veldstrategieën kunnen ontwerpen.

Een globaal beeld opbouwen uit veel kleine experimenten

De auteurs begonnen met het samenstellen van een grote dataset van 418 experimenten uit meer dan een decennium aan gepubliceerde studies, plus nieuwe eigen metingen. Elk experiment registreerde hoe de contacthoek — de vorm van een oliedruppel op gesteente in aanwezigheid van water — veranderde na behandeling met een nanodeeltje-gebaseerde vloeistof. Een hoge contacthoek betekent dat het gesteente olie prefereert; een lage hoek betekent voorkeur voor water. Voor elk datapunt legde het team belangrijke details vast: welk soort gesteente werd gebruikt (zoals zandsteen, kalksteen of dolomiet), de porositeit en permeabiliteit van het gesteente, hoe zout het pekelwater was, het type en de grootte van de nanodeeltjes, hun concentratie, eventuele toegevoegde oppervlakte-actieve stoffen of polymeren, oliekarakteristieken en temperatuur. Samen vormen deze ingrediënten een rijke, meer-dimensionale weergave van hoe nano-ondersteunde chemicaliën interageren met reële reservoircondities.

Algoritmen leren de signalen te lezen

Aangezien deze relaties complex en sterk niet-lineair zijn, testten de onderzoekers een spectrum aan machine-learningbenaderingen, van eenvoudige lineaire regressie tot random forests, gradient boosting, neurale netwerken en een hybride neuraal netwerk–forestmodel. Voor het trainen werden de data opgeschoond en getransformeerd: uitbijters in de uiterste 1% werden verwijderd, scheve variabelen zoals permeabiliteit en saliniteit werden log-getransformeerd, ontbrekende waarden werden op zinvolle wijze ingevuld en categorieën zoals gesteentetype of nanopartikelchemie werden omgezet naar numerieke vormen. Daarna splitsten ze de data in afzonderlijke trainings-, test- en validatiesets en gebruikten een strikte cross-validatiestrategie die alle monsters uit dezelfde publicatie bij elkaar hield. Dit zorgde ervoor dat de modellen werden beoordeeld op werkelijk ongeziene experimentele omstandigheden, en niet op subtiele herhalingen van eerdere data.

De meest betrouwbare voorspeller vinden

Nadat alles uitgewerkt was, presteerden geavanceerde ensemblemodellen duidelijk beter dan eenvoudige benaderingen. De uitblinker was een algoritme genaamd Extreme Gradient Boosting (XGBoost), dat vele kleine beslissingsbomen samenvoegt. Op de onafhankelijke validatieset voorspelde XGBoost contacthoeken met een verklaarde variantie (R2) van ongeveer 0,95 en een gemiddelde fout van ruwweg 6 graden, met vrijwel geen systematische afwijking over het volledige bereik van sterk oil-wet tot sterk water-wet toestanden. Een hybride model dat een neuraal netwerk combineerde met een random forest presteerde bijna even goed, vooral op een van de uitstaande subsets, wat laat zien dat meer dan één architectuur robuust kan zijn mits goed getuned. Ter vergelijking miste gewone lineaire regressie veel van het gedrag, wat bevestigt dat veranderingen in bevochtigbaarheid in nano-ondersteunde systemen geen eenvoudige rechte-lijntrends volgen.

Wat het model onthult over het ontwerpen van behandelingen

Buiten nauwkeurige voorspelling gebruikte de studie verschillende interpretatie-instrumenten om het model als een soort wetenschappelijke microscoop te maken. Door inputs systematisch te variëren en de voorspelde contacthoek te observeren, identificeerden de auteurs praktische “sweet spots” en grenzen. Het model suggereert dat nano-ondersteunde methoden onwaarschijnlijk zullen werken in zeer dichte gesteenten onder ongeveer 0,1 millidarcy, waar de deeltjes simpelweg niet genoeg oppervlak kunnen bereiken. Het wijst ook op een optimaal saliniteitvenster, grofweg 30.000 tot 80.000 delen per miljoen, waar ionen in het water helpen dat nanodeeltjes en chemicaliën aan het gesteente hechten; bij veel hogere saliniteit klonteren de deeltjes en daalt de prestatie. Een ander belangrijk inzicht is dat nanodeeltjes en polymeren het beste samen werken in specifieke verhoudingen (ongeveer één-op-één tot anderhalf-op-één), wat extra verlagingen van de contacthoek geeft zonder schadelijke verdikkingen of verstoppen te veroorzaken.

Recepten afstemmen op verschillende gesteentetypes

Een centrale bevinding is dat de “beste” nanodeeltje- of oppervlakteactieve stof niet universeel is; deze hangt sterk af van het gesteentetype. Volgens het model zijn zirkonia-nanodeeltjes bijzonder effectief in carbonaten, terwijl ijzeroxide en koperoxide beter presteren in zandstenen. Evenzo blinken biosurfactanten uit op positief geladen carbonaatoppervlakken, terwijl kationische surfactanten worden aanbevolen voor negatief geladen zandstenen. Non-ionische surfactanten, die geen netto lading dragen, bieden solide, betrouwbare prestaties over gemengde lithologieën. Deze patronen sluiten aan bij bekende principes uit de oppervlakchemie en bieden een kwantitatieve basis voor het kiezen van additieven die passen bij de mineralogie van een reservoir.

Hoe dit werk de praktijk in het veld kan veranderen

In praktische zin biedt het kader een snelle, goedkope manier om nanofluidformuleringen te screenen voordat men zich verbindt aan langdurige laboratoriumprogramma’s of pilotproeven. Ingenieurs kunnen basale informatie over gesteente, vloeistof en formulering invoeren en ontvangen niet alleen een voorspelde contacthoek, maar ook advies of permeabiliteit, saliniteit of nanopartikelbelasting in veelbelovende bereiken liggen. Hoewel de methode de noodzaak van experimenten of veldproeven niet vervangt, beperkt ze de zoekruimte scherp, benadrukt waar nano-ondersteunde methoden onwaarschijnlijk zullen werken en suggereert gesteentespecifieke combinaties die nader onderzoek verdienen. Naarmate meer hoogwaardige data beschikbaar komen, zouden soortgelijke modellen kunnen uitgroeien tot krachtige besluitvormingshulpmiddelen die helpen resterende olie efficiënter vrij te maken, met gerichtere inzet van geavanceerde materialen.

Bronvermelding: 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

Trefwoorden: enhanced oil recovery, nanoparticles, wettability, machine learning, reservoir engineering