Сравнительная оценка моделей машинного обучения для прогнозирования вязкости полимерных растворов при повышенном извлечении нефти

Почему важно предсказывать «густоту» жидкости в нефтяных месторождениях

Извлечь последние капли нефти из исчерпывающегося месторождения оказывается удивительно сложно. Инженеры часто сгущают закачиваемую воду специальными полимерами, чтобы она вытесняла нефть равномерно, а не прорезала путь «пальцами», оставляя ценное сырье в пласте. Но оптимизация требуемой «густоты» полимерных растворов обычно требует сотен лабораторных испытаний при разных температурах, солёности, скоростях потока и дозировках химикатов. В этом исследовании показано, как современные методы машинного обучения могут учиться на таких экспериментах и затем мгновенно предсказывать вязкость полимеров, помогая проектировать более эффективные и менее рискованные программы по извлечению нефти.

Как вязкие жидкости помогают вытеснять упрямую нефть

При ранней стадии разработки месторождения нефть течёт сравнительно легко. Со временем остающиеся запасы оказываются заперты в порах породы и плохо двигаются при обычном водонасыщении. Если закачиваемая вода значительно легче нефти, она протекает по наименее сопротивляющимся путям, обходя большую часть оставшегося углеводорода. Добавление полимера делает воду более вязкой, что позволяет ей вытеснять нефть более равномерно, улучшая охват пласта и повышая общий коэффициент извлечения. Загвоздка в том, что поведение полимера сильно зависит от условий: повышение концентрации обычно уплотняет раствор, более высокая температура и более сильный сдвиг (больший расход) обычно разжижают его, а растворённые соли могут ослаблять или иначе менять конфигурацию полимерных цепей. Поскольку эти факторы взаимодействуют сложным нелинейным образом, простые формулы часто дают ошибочные результаты.

Формирование богатого набора данных из лабораторных экспериментов

Авторы сосредоточились на широко используемом полимере (SAV10, тип HPAM) и собрали 1 079 измерений его вязкости в условиях, приближённых к полевым. Они варьировали четыре основных параметра: концентрацию полимера (от 1 000 до 4 000 частей на миллион), температуру (25–80 °C), содержание солей, имитирующее арабскую морскую воду и её разведения, и скорость потока, выраженную как скорость сдвига. Как и ожидалось, более вязкие растворы наблюдались при низкой температуре, низкой солёности, высокой концентрации и мягком потоке; все образцы демонстрировали поведение «сшитающегося» (shear‑thinning), т. е. снижение вязкости при ускорении смешивания или перекачки. Перед моделированием команда очистила и стандартизировала данные, проверила выбросы и изучила корреляции. Концентрация показала наибольшую положительную связь с вязкостью, тогда как температура, сдвиг и солёность в целом её снижали, но не по простой линейной зависимости.

Испытание множества методов обучения

Исследователи сформулировали задачу прогнозирования вязкости как задачу, основанную на данных, и систематически сравнили различные методы машинного обучения. Они начали с привычных инструментов — линейной регрессии, опорных векторов, деревьев решений и нескольких нейронных сетей — и обнаружили, что более гибкие модели значительно превосходят простые линейные аппроксимации. «Широкая» нейронная сеть с одним скрытым слоем из 100 нейронов уже демонстрировала отличную точность, тесно согласуясь с измеренными значениями по всему диапазону. Затем они оценили ряд более современных методов, известных как ансамблевые модели, которые объединяют сильные стороны множества деревьев решений или бустинговых алгоритмов, а также гауссовскую процессную регрессию — вероятностный метод, дающий оценки неопределённости. Несколько из этих продвинутых моделей показали исключительно высокую точность с очень малыми ошибками предсказания даже при высоких вязкостях, где многие традиционные подходы терпят неудачу.

Почему стекинг дал самые точные предсказания

Чтобы выжать максимум точности, команда построила ансамбль типа «stacking», который смешивает три из лучших отдельных моделей (Extra Trees, XGBoost и CatBoost) при помощи простого мета‑моделя сверху. Каждая базовая модель изучила слегка разные аспекты того, как концентрация, сдвиг, температура и солёность влияют на вязкость; мета‑модель затем научилась взвешивать их выходы. Эта составная система показала наилучшие результаты, с почти идеальным соответствием между предсказанными и измеренными вязкостями и очень низкой средней ошибкой, в том числе для наиболее вязких случаев, имеющих ключевое значение для проектирования в поле. Инструменты объяснимого ИИ, такие как permutation importance и SHAP‑анализ, подтвердили, что концентрация полимера является доминирующим фактором, за ней следуют скорость сдвига, температура и солёность — порядок, согласующийся с основами физики полимеров.

Что это значит для проектирования будущих программ по извлечению нефти

Для непрофессионального читателя главный вывод в том, что исследование превращает медленный, основанный на переборе лабораторный процесс в быстрый, управляемый данными предсказательный механизм. После обучения стековая модель может мгновенно оценивать, какой будет вязкость полимерного раствора при новых комбинациях солёности, температуры, потока и концентрации, без необходимости проводить новые эксперименты каждый раз. Это может ускорить отбор вариантов извлечения, сократить расходы и уменьшить неопределённость при планировании полимерных закачек. Хотя текущее исследование основано на одном конкретном полимере и лабораторных данных, тот же подход можно распространить на другие составы и добавки, что в конечном счёте поможет инженерам подбирать «умные» жидкости для более сложных пластов, опираясь меньше на догадки и больше на выявленные в данных закономерности.

Цитирование: Belkhir, S.A., Pakeer, A.A., Shakeel, M. et al. Comparative assessment of machine learning models for polymer solution viscosity prediction in enhanced oil recovery. Sci Rep 16, 10442 (2026). https://doi.org/10.1038/s41598-026-41045-w

Ключевые слова: полимерное заводнение, прогнозирование вязкости, машинное обучение, повышенное извлечение нефти, ансамблевые модели