Пионерское исследование межфазного натяжения нефти и азота с помощью эволюционно оптимизированной модели градиентного бустинга

Почему это важно для будущего добычи нефти

Даже после современных бурения и откачки значительная часть нефти в залежи остаётся упрямо заключённой в недрах. Один из способов извлечь её — закачивать газы, которые помогают разрыхлить и сдвинуть нефть. В этом исследовании показано, как мощный метод искусственного интеллекта может предсказывать ключевое свойство, определяющее, насколько эффективно закачиваемый азот может освободить захваченную нефть, помогая инженерам проектировать более чистые и эффективные методы извлечения без бесконечных лабораторных испытаний.

Больше нефти — с более чистыми инструментами

Нефтяные компании давно используют газовую закачку, чтобы выдавить дополнительную нефть из истощающихся месторождений. Углекислый газ особенно эффективен, но он приносит и проблемы: он может вызывать коррозию оборудования, приводить к слипанию тяжёлых фракций нефти и закупорке пор, а также требует стабильного источника улавливаемого CO₂. Азот, напротив, дешёв, доступен и химически инертен. Он может стабилизировать давление, образовывать смешиваемые фазы с лёгкими компонентами нефти и выталкивать нефть к добывающим скважинам, что делает его привлекательной альтернативой там, где CO₂ рискован или невыгоден.

Скрытая борьба на границе нефть–газ

В основе газового извлечения лежит межфазное натяжение — «кожа» на границе между нефтью и газом. При высоком натяжении капли нефти цепляются за породы; при низком они легче перемещаются. Межфазное натяжение зависит от давления, температуры и типа нефти, и его дорого измерять в лаборатории при всех возможных условиях. Традиционные уравнения часто требуют детального химического состава нефти и всё равно с трудом работают надёжно для разных залежей. Эта пробел мотивирует поиск инструментов на основе данных, способных делать точные прогнозы по более простым и доступным измерениям.

Обучение модели на скудных данных

Авторы собрали 148 аккуратных измерений межфазного натяжения азот–нефть из предыдущих экспериментов, охватывающих широкий диапазон давлений, температур и качеств нефти (выраженных через плотность API). Сначала они отфильтровали выбросы с помощью статистического теста на основе Монте‑Карло, чтобы редкие или ошибочные точки не исказили результаты. Затем они обучили модель градиентного бустинга — ансамблевую модель, комбинирующую множество небольших решающих деревьев для улавливания тонких нелинейных зависимостей. Чтобы избежать переобучения на относительно небольшом наборе данных, использовали пятикратную кросс‑валидацию, многократно перемешивая данные между обучающей и тестовой выборками.

Позволив натуралистическим алгоритмам донастроить модель

Вместо того чтобы гадать с настройками модели, исследователи применили четыре «метаэвристических» метода поиска, имитирующих поведение в природе: добывание мёда пчёлами, стайное поведение птиц, паразитическое гнездование кукушек и охотничьи паттерны китов. Каждый метод исследовал разные комбинации глубины модели, скорости обучения и других параметров, стремясь минимизировать ошибку предсказания. Среди этих испытаний подход, вдохновлённый пчёлами — оптимизация Artificial Bee Colony — дал наиболее надёжную модель, найдя хорошее равновесие между точностью на исходных данных и работой на новых, невиданных условиях.

Приоткрывая «чёрный ящик» машинного обучения

Чтобы понять, чему научилась модель, команда обратилась к инструменту интерпретируемости SHAP, который распределяет вклад каждого входного параметра в каждое предсказание. Этот анализ показал, что давление и температура доминируют в управлении межфазным натяжением азот–нефть, тогда как плотность по API играет меньшую, но заметную роль. Выявленные тенденции согласуются с физической интуицией: более высокое давление сжимает газ и способствует смешению, снижая межфазное натяжение; более высокая температура усиливает молекулярное движение и ослабляет «кожу» на интерфейсе; более лёгкие нефти с большей плотностью API обычно имеют меньшую когезию и, следовательно, более низкое межфазное натяжение.

Что это значит на практике

Проще говоря, исследование даёт умный обходной путь: проверенная, согласующаяся с физикой модель ИИ, которая может оценивать, насколько «липкой» будет граница между азотом и нефтью при различных подземных условиях, используя всего три легко измеримых входа. Пчелино‑оптимизированная версия модели даёт наиболее надёжные прогнозы и чётко показывает, что регулирование давления и температуры — самый эффективный способ смягчить эту границу и мобилизовать захваченную нефть. Имея лучшие прогнозы, инженеры могут увереннее проектировать схемы закачки азота, сократить зависимость от дорогостоящих лабораторных испытаний и исследовать более чистые сочетания газов и добавок, чтобы извлечь больше энергии из существующих залежей с меньшими потерями.

Цитирование: Abushuhel, M., Mohammad, H., Rao P S, R. et al. Pioneering oil and nitrogen interfacial tension using evolutionarily optimized gradient boosting machine. Sci Rep 16, 13086 (2026). https://doi.org/10.1038/s41598-026-43758-4

Ключевые слова: повышение нефтеотдачи, закачка азота, межфазное натяжение, модели машинного обучения, градиентный бустинг