Надежная система машинного обучения для прогнозирования контактного угла при нанопомощи в химическом повышении нефтеотдачи

Почему важно менять, что породы предпочитают — нефть или воду

Значительная часть мировой нефти по-прежнему заперта под землей и упорно держится за поверхность пород даже после традиционной эксплуатации. Во многих пластах, особенно в карбонатных породах — известняках и доломитах — поверхность пород естественно предпочитает нефть воде, что затрудняет вытеснение углеводородов. Инженеры обнаружили, что добавление специально подобранных наночастиц и химических реагентов в нагнетаемую воду может изменить эту предпочтительную смачиваемость в пользу воды и высвободить больше нефти. Однако определение того, какая смесь наночастиц сработает в конкретном пласте, обычно требует медленных и дорогих лабораторных испытаний. В этом исследовании показано, как тщательно построенная система машинного обучения может заранее предсказывать такие результаты, помогая учёным и инженерам проектировать более разумные и быстрые лабораторные тесты и полевые стратегии.

Построение глобальной картины на основе множества мелких экспериментов

Авторы начали с создания большой базы данных из 418 экспериментов, собранных из более чем десятилетия опубликованных исследований, а также собственных новых измерений. В каждом эксперименте фиксировали, как изменялся контактный угол — форма капли нефти на породе в присутствии воды — после обработки наночастичной жидкостью. Большой контактный угол означает, что порода предпочитает нефть; малый угол — предпочитает воду. Для каждой точки данных команда фиксировала ключевые параметры: тип породы (песчаник, известняк, доломит и т. п.), пористость и проницаемость, солёность рассола, тип и размер наночастиц, их концентрацию, наличие добавленных ПАВ или полимеров, свойства нефти и температуру. В совокупности эти составляющие дают богатое многомерное представление о том, как нанопомощь и химия взаимодействуют с реальными условиями пласта.

Обучение алгоритмов распознавать сигналы

Поскольку эти зависимости сложны и сильно нелинейны, исследователи протестировали спектр подходов машинного обучения — от простой линейной регрессии до случайных лесов, градиентного бустинга, нейронных сетей и гибридной модели «нейронная сеть + лес». Перед обучением данные очистили и преобразовали: удалили выбросы в крайних 1% хвостах, логарифмически преобразовали скошенные переменные (например, проницаемость и солёность), корректно заполнили пропуски и закодировали категориальные признаки (тип породы, химия наночастиц) числовыми представлениями. Затем данные разделили на тренировочную, тестовую и валидационную выборки и применили строгую схему кросс-валидации, при которой все образцы из одной публикации оставались в одной и той же части. Это гарантировало, что модели оценивались на действительно невидимых ранее экспериментальных условиях, а не на тонких повторах исходных данных.

Нахождение наиболее надёжного предиктора

В итоге продвинутые ансамблевые модели явно превзошли простые подходы. Лидером оказался алгоритм Extreme Gradient Boosting (XGBoost), объединяющий множество небольших решающих деревьев. На независимой валидационной выборке XGBoost предсказал контактные углы с коэффициентом детерминации примерно 0,95 и средней ошибкой около 6 градусов, практически без систематической смещения по всему диапазону от явно нефтеотталкивающего до явно водоотталкивающего состояния. Гибридная модель, комбинирующая нейронную сеть с случайным лесом, показала почти сопоставимый результат, особенно на одном из отложенных подмножеств, что подчёркивает: при правильной настройке более одной архитектуры может быть надёжной. В отличие от них обычная линейная регрессия упустила большую часть поведения, подтверждая, что изменения смачиваемости в системах с нанопомощью не следуют простым линейным трендам.

Что модель показывает о проектировании обработок

Помимо точного прогноза, исследование применило несколько инструментов интерпретируемости, чтобы превратить модель в некий научный микроскоп. Систематически варьируя входы и наблюдая отклик предсказанного контактного угла, авторы выявили практичные «сладкие зоны» и ограничения. Модель указывает, что нанопомощь вряд ли сработает в очень тесных породах с проницаемостью ниже примерно 0,1 миллидарси, где частицы просто не достигают достаточной площади поверхности. Также выделено оптимальное окно солёности приблизительно 30 000–80 000 частей на миллион, в котором ионы в воде способствуют притяжению наночастиц и добавок к породе; при значительно большей солёности частицы начинают агрегировать, и эффективность падает. Ещё одно важное наблюдение: наночастицы и полимеры дают наилучший эффект в определённых соотношениях (примерно 1:1 до 1,5:1), обеспечивая дополнительное снижение контактного угла без вредного загущения или закупорки.

Подгонка рецептур под разные типы пород

Ключевой вывод состоит в том, что «лучшая» наночастица или ПАВ не универсальна — она сильно зависит от типа породы. По модели, циркониевые наночастицы особенно эффективны в карбонатах, тогда как оксиды железа и меди показывают лучшие результаты в песчаниках. Аналогично, биоповерхностно-активные вещества превосходят на положительно заряженных карбонатных поверхностях, тогда как катионные ПАВы предпочтительны для отрицательно заряженных песчаников. Неионные ПАВы, не имеющие суммарного заряда, демонстрируют стабильную и надежную эффективность в смешанных литологиях. Эти закономерности согласуются с известными принципами поверхностной химии и дают количественную базу для выбора добавок, соответствующих минеральному составу пласта.

Как эта работа может изменить полевую практику

В практическом плане предложенная система представляет собой быстрый и недорогой способ предварительного отбора рецептур наножидкостей до того, как приступать к длительным лабораторным программам или пилотным испытаниям. Инженеры могут ввести базовые данные о породе, флюиде и составе и получить не только предсказанный контактный угол, но и рекомендации о том, попадают ли проницаемость, солёность или загрузка наночастиц в перспективные диапазоны. Хотя метод не заменяет необходимость экспериментов и полевых испытаний, он существенно сужает пространство поиска, указывает, где нанопомощь вряд ли сработает, и предлагает специфичные для породы комбинации, которые стоит исследовать глубже. По мере появления всё большего объёма качественных данных аналогичные модели могут превратиться в мощные инструменты поддержки принятия решений, позволяя эффективнее извлекать остающуюся нефть и целенаправленнее использовать передовые материалы.

Цитирование: 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

Ключевые слова: повышение нефтеотдачи, наночастицы, мочеcпособность, машинное обучение, разработка месторождений