Разработка и оптимизация материалов для герметизации вторичным затворением на основе ИИ для добычи метана

Почему улучшенные герметики важны для более чистого газа

Метан в угольных пластах — это более чистое топливо, запертое в пластах угля, но значительная его часть уходит через микротрещины прежде, чем её удаётся извлечь. В этой статье рассматривается, как искусственный интеллект может помочь спроектировать более умные герметизирующие смеси, которые эффективнее закрывают скрытые утечки, делая извлечение метана безопаснее, эффективнее и менее расточительным.

Трещины в породе и потерянный метан

Глубоко под землёй угольные пласты пронизаны естественными разломами, которые действуют как секретные пути утечки для газа и воды. При бурении скважин для дренажа метана эти трещины могут расширяться, образуя новые пути, через которые поступает свежий воздух и выходит метан. Традиционные цементные герметики часто не могут проникнуть достаточно глубоко в такие сети или сохранять плотность при смещениях пород, поэтому добыча падает, а больше метана уходит в шахту и атмосферу. Исследование сосредоточено на «вторичном затворении» — последующем шаге уплотнения, цель которого восстановить негерметичные скважины путём впрыска специальных материалов глубоко в эти трещины.

Что делает смесь хорошим герметиком

Полезный герметизирующий материал должен одновременно решать несколько задач. Сначала он должен быть достаточно текучим, чтобы его можно было нагнетать и чтобы он проникал в тонкие трещины. Затем он должен загустевать и «желироваться» в рабочее время, расширяться в меру, чтобы заполнить пустоты, и, наконец, отвердать в прочный, долговечный материал, который будет удерживать газ месяцами или годами. Изменение компонентов, отвечающих за содержание воды, смолу, добавки для сшивки и вспенивающий агент, меняет такие свойства, как вязкость, время схватывания, прочность и степень расширения. Улучшение одной характеристики легко может ухудшить другую, поэтому подбор подходящей рецептуры методом проб и ошибок в лаборатории медленен, дорог и может упустить многие перспективные комбинации.

Обучение компьютеров предсказывать поведение материалов

Исследователи создали даталярную (data-driven) систему, которая учится на относительно небольшом наборе лабораторно протестированных смесей и затем самостоятельно ищет лучшие формулы. Они использовали два типа компьютерных моделей — нейронные сети, каждая из которых настраивалась разными эволюционными алгоритмами, имитирующими естественный отбор или поведение стай. Одна модель лучше предсказывала, насколько вязкими будут смеси и какой прочности они станут после отвердевания. Другая оказывалась сильнее в прогнозировании времени желирования и степени расширения внутри трещин. Комбинируя эти модели, система может оценивать, как любая новая рецептура в пределах изученного диапазона, вероятно, поведёт себя без непосредственного смешивания и измерений в лаборатории.

Баланс между текучестью, прочностью и расширением

Когда компьютер стал надежно предсказывать поведение материалов, команда связала его с многоцелевым оптимизатором, который одновременно просматривает тысячи возможных рецептов. Вместо поиска единственной «лучшей» смеси оптимизатор формирует семейство вариантов, отражающих компромиссы между лёгкостью нагнетания, скоростью схватывания, прочностью финального уплотнения и контролируемым расширением. Например, очень прочные смеси, как правило, более густые, что может ограничивать их способность нагнетаться в отдалённые трещины. Более текучие смеси проникают глубже, но обычно отверждаются в умеренно прочный материал. Затем применялись дополнительные методы анализа для ранжирования этих кандидатов в соответствии с разными потребностями на площадке, такими как глубокое проникновение, быстрое уплотнение около скважины или максимальная долговременная стабильность.

От компьютерных разработок к более чистому газу

Проще говоря, исследование демонстрирует, что компьютеры могут научиться прогнозировать поведение сложных герметизирующих смесей и помогать инженерам выбирать рецептуры, лучше подходящие реальным скважинам для метана. Подход не заменяет полевые испытания, но значительно сокращает догадки и число лабораторных экспериментов. С более точно подобранными герметиками больше метана может направляться из угольных пластов в магистральные трубопроводы вместо утечек через трещины, что поддерживает более безопасные горные работы и делает добычу метана из угольных пластов чище и эффективнее в качестве источника энергии.

Цитирование: 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

Ключевые слова: метан в угольных пластах, герметизация скважин, искусственный интеллект, инъекционные материалы, утечка метана