Desenvolvimento e otimização, por IA, de materiais de selagem para rejuntamento secundário na recuperação de metano

Por que selos melhores importam para um gás mais limpo

O metano de camadas de carvão é um gás de combustão mais limpa aprisionado em camadas de carvão, mas grande parte dele escapa por fissuras minúsculas antes de poder ser capturada. Este artigo explora como a inteligência artificial pode ajudar a projetar misturas de selagem mais inteligentes que obstruam esses vazamentos ocultos com mais eficácia, tornando a recuperação do metano mais segura, eficiente e menos desperdiçadora.

Rachaduras na rocha e metano perdido

Nas profundezas, as camadas de carvão são atravessadas por fraturas naturais que funcionam como rotas de fuga secretas para gás e água. Quando poços são perfurados para drenar o metano, essas fraturas podem abrir-se ainda mais, formando novos caminhos que deixam entrar ar fresco e deixar sair o metano. Selantes tradicionais à base de cimento frequentemente não conseguem fluir o suficiente para penetrar essas redes ou manter vedação à medida que a rocha se desloca, fazendo com que a produção de gás caia e mais metano escape para a mina e para a atmosfera. O estudo foca no “rejuntamento secundário”, um passo de selagem de acompanhamento que visa restaurar poços com vazamentos injetando materiais especiais profundamente nessas fraturas.

O que faz uma mistura de selagem ser boa

Um material de selagem útil precisa resolver vários problemas ao mesmo tempo. Deve ser fluido o bastante no início para ser bombeado e penetrar fissuras finas. Depois, precisa espessar e “gelificar” em um tempo de trabalho adequado, expandir o suficiente para preencher lacunas e, finalmente, endurecer em um sólido forte e durável que contenha o gás por meses ou anos. Ajustar os ingredientes que controlam conteúdo de água, resina, aditivos de reticulação e um agente espumante altera propriedades como viscosidade, tempo de endurecimento, resistência e expansão. Melhorar uma característica pode facilmente prejudicar outra, então encontrar a receita certa por tentativa e erro no laboratório é lento, caro e pode deixar de fora muitas combinações promissoras.

Ensinando computadores a prever o comportamento dos materiais

Os pesquisadores construíram uma estrutura orientada por dados que aprende a partir de um conjunto relativamente pequeno de misturas testadas em laboratório e então busca fórmulas melhores por conta própria. Eles usaram dois tipos de modelos computacionais chamados redes neurais, cada um ajustado por diferentes algoritmos evolucionários que imitam seleção natural ou comportamento de enxame. Um modelo se destacou ao prever quão espessas as misturas seriam e quão resistentes elas se tornariam após o endurecimento. O outro foi melhor em prever quanto tempo levariam para gelificar e quanto se expandiriam dentro das fraturas. Combinando esses modelos, a estrutura pode estimar como qualquer nova receita dentro da faixa testada provavelmente se comportará sem precisar misturá-la e medi-la no laboratório.

Equilibrando fluxo, resistência e expansão

Uma vez que o computador pôde prever de forma confiável o comportamento do material, a equipe o conectou a um otimizador multiobjetivo que pesquisa milhares de receitas possíveis simultaneamente. Em vez de procurar uma única mistura “melhor”, o otimizador produz uma família de opções que fazem trade-offs entre facilidade de bombeio, cura rápida, selos finais fortes e expansão controlada. Por exemplo, misturas muito resistentes tendem a ser mais espessas, o que pode limitar o quanto elas podem ser bombeadas para fraturas distantes. Misturas mais fluidas penetram mais profundamente, mas geralmente curam com resistência moderada. Métodos de análise adicionais foram então usados para classificar esses candidatos de acordo com diferentes necessidades de campo, como penetração profunda, selagem rápida perto do poço ou estabilidade máxima a longo prazo.

Dos designs computacionais ao gás mais limpo

Em termos simples, o estudo mostra que computadores podem aprender como misturas de selagem complexas se comportam e então ajudar engenheiros a escolher receitas que melhor se adequem a poços de metano do mundo real. A abordagem não substitui testes de campo, mas reduz fortemente o trabalho de tentativa e erro e o número de ensaios laboratoriais necessários. Com selantes mais bem ajustados, mais metano pode ser direcionado das camadas de carvão para dutos de coleta em vez de vazar por fissuras, apoiando operações de mineração mais seguras e tornando o metano de camadas de carvão uma fonte de energia mais limpa e eficiente.

Citação: 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

Palavras-chave: metano em camadas de carvão, selagem de poço, inteligência artificial, materiais de rejuntamento, vazamento de metano