Uma estrutura robusta de aprendizado de máquina para predizer o ângulo de contato em EOR químico assistido por nanomateriais

Por que mudar a afinidade das rochas por óleo ou água importa

Muito do petróleo do mundo ainda está preso sob a superfície, aderindo tenazmente às superfícies rochosas mesmo após a produção convencional. Em muitos reservatórios, especialmente em carbonatos como calcário e dolomita, a rocha tem preferência natural pelo óleo em vez da água, dificultando a extração. Engenheiros descobriram que a adição de nanopartículas e químicos especialmente projetados à água de injeção pode inverter essa preferência em favor da água, liberando mais óleo. Mas descobrir qual mistura de nanopartículas funcionará em um reservatório dado geralmente exige medições laboratoriais lentas e caras. Este estudo mostra como um sistema de aprendizado de máquina cuidadosamente construído pode prever esses resultados antecipadamente, ajudando cientistas e engenheiros a planejar testes e estratégias de campo mais inteligentes e rápidos.

Construindo um panorama global a partir de muitos experimentos pequenos

Os autores começaram reunindo um grande conjunto de dados de 418 experimentos de mais de uma década de estudos publicados, além de novas medições próprias. Cada experimento registrou como o ângulo de contato — a forma de uma gota de óleo sobre a rocha na presença de água — mudou após o tratamento com um fluido à base de nanopartículas. Um ângulo de contato alto significa que a rocha prefere óleo; um ângulo baixo indica preferência pela água. Para cada ponto de dado, a equipe capturou detalhes-chave: que tipo de rocha foi usada (como arenito, calcário ou dolomita), a porosidade e a permeabilidade da rocha, a salinidade da água, o tipo e o tamanho das nanopartículas, sua concentração, quaisquer surfactantes ou polímeros adicionados, propriedades do óleo e a temperatura. Juntos, esses ingredientes formam uma visão rica e multidimensional de como químicos assistidos por nanomateriais interagem com condições reais de reservatório.

Ensinando algoritmos a ler os sinais

Como essas relações são complexas e altamente não lineares, os pesquisadores testaram um espectro de abordagens de aprendizado de máquina, desde regressão linear simples até florestas aleatórias, gradient boosting, redes neurais e um modelo híbrido rede neural–floresta. Antes do treino, eles limparam e transformaram os dados: outliers nas caudas extremas de 1% foram removidos, variáveis assimétricas como permeabilidade e salinidade foram transformadas por logaritmo, valores ausentes foram preenchidos de forma sensata e categorias como tipo de rocha ou química das nanopartículas foram convertidas em forma numérica. Em seguida, dividiram os dados em conjuntos separados de treino, teste e validação, e usaram um esquema rigoroso de validação cruzada que manteve todas as amostras da mesma publicação juntas. Isso garantiu que os modelos fossem avaliados em condições experimentais verdadeiramente não vistas, e não em repetições sutis de dados anteriores.

Encontrando o preditor mais confiável

Quando a poeira baixou, modelos avançados em ensemble superaram claramente abordagens simples. O destaque foi um algoritmo chamado Extreme Gradient Boosting (XGBoost), que compõe muitos pequenos árvores de decisão. No conjunto de validação independente, o XGBoost previu ângulos de contato com um coeficiente de determinação de cerca de 0,95 e um erro médio aproximado de 6 graus, com quase nenhum viés sistemático ao longo da faixa completa entre estados fortemente oleofílicos e fortemente hidrofilizados. Um modelo híbrido combinando uma rede neural com uma floresta aleatória teve desempenho quase tão bom, especialmente em um dos subconjuntos mantidos fora do treinamento, destacando que mais de uma arquitetura pode ser robusta se adequadamente ajustada. Em contraste, a regressão linear comum deixou passar grande parte do comportamento, confirmando que as mudanças de molhabilidade em sistemas assistidos por nanomateriais não seguem tendências simples em linha reta.

O que o modelo revela sobre como projetar tratamentos

Além da previsão precisa, o estudo utilizou várias ferramentas de interpretabilidade para transformar o modelo em uma espécie de microscópio científico. Ao variar sistematicamente as entradas e observar a resposta do ângulo de contato previsto, os autores identificaram “pontos ótimos” práticos e limites. O modelo sugere que métodos assistidos por nanomateriais provavelmente não funcionarão em rochas muito compactas abaixo de cerca de 0,1 millidarcy, onde as partículas simplesmente não alcançam área de superfície suficiente. Também aponta para uma janela de salinidade ideal, aproximadamente de 30.000 a 80.000 partes por milhão, na qual íons na água ajudam nanopartículas e químicos a se ligarem à rocha; em salinidade muito maior, as partículas começam a aglomerar-se e o desempenho cai. Outro insight chave é que nanopartículas e polímeros funcionam melhor juntos em razões específicas (aproximadamente um para um até uma vez e meia para um), proporcionando reduções adicionais no ângulo de contato sem causar espessamento nocivo ou obstrução.

Adaptando receitas a diferentes tipos de rocha

Uma descoberta central é que a “melhor” nanopartícula ou surfactante não é universal; depende fortemente do tipo de rocha. Segundo o modelo, nanopartículas de zircônia são especialmente eficazes em rochas carbonáticas, enquanto óxido de ferro e óxido de cobre apresentam melhor desempenho em arenitos. Da mesma forma, biossurfactantes se destacam em superfícies carbonáticas com carga positiva, enquanto surfactantes catiônicos são preferidos para arenitos com carga negativa. Surfactantes não iônicos, que não carregam carga líquida, oferecem desempenho sólido e confiável em litologias mistas. Esses padrões alinham-se com princípios conhecidos de química de superfície e fornecem uma base quantitativa para escolher aditivos que correspondam à mineralogia de um reservatório.

Como este trabalho pode mudar a prática em campo

Em termos práticos, a estrutura oferece uma maneira rápida e de baixo custo para triagem de formulações de nanofluidos antes de se comprometer com programas laboratoriais longos ou testes-piloto. Engenheiros podem inserir informações básicas sobre rocha, fluidos e formulação e receber não apenas um ângulo de contato previsto, mas também orientações sobre se a permeabilidade, salinidade ou carga de nanopartículas estão em faixas promissoras. Embora o método não substitua a necessidade de experimentos ou ensaios de campo, ele reduz drasticamente o espaço de busca, destaca onde métodos assistidos por nanomateriais provavelmente não funcionarão e sugere combinações específicas por tipo de rocha que merecem estudo mais aprofundado. À medida que mais dados de alta qualidade se tornem disponíveis, modelos semelhantes poderão evoluir para poderosas ferramentas de apoio à decisão que ajudem a desbloquear o petróleo remanescente de forma mais eficiente, com uso mais direcionado de materiais avançados.

Citação: 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

Palavras-chave: recuperação aprimorada de petróleo, nanopartículas, molhabilidade, aprendizado de máquina, engenharia de reservatórios