En robust maskininlärningsram för att förutse kontaktvinkel i nanoassisterad kemisk EOR

Varför det spelar roll hur berg föredrar olja eller vatten

Mycket av världens olja sitter fortfarande fångad under jord och klänger envist fast vid bergytor även efter konventionell produktion. I många reservoarer, särskilt karbonater som kalksten och dolomit, föredrar berget naturligt olja framför vatten, vilket gör det svårt att pressa ut oljan. Ingenjörer har funnit att tillsats av särskilt utformade nanopartiklar och kemikalier till injektionsvattnet kan vända denna preferens mot vatten och frigöra mer olja. Men att ta reda på vilken nanopartikelblandning som fungerar i ett givet reservoar kräver ofta långsamma och kostsamma laboratoriemätningar. Denna studie visar hur ett omsorgsfullt uppbyggt maskininlärningssystem kan förutsäga dessa utfall i förväg och hjälpa forskare och ingenjörer att utforma smartare, snabbare tester och fältstrategier.

Att bygga en global bild från många små experiment

Forskarna började med att sammanställa en stor datamängd bestående av 418 experiment från mer än ett decennium av publicerade studier, plus nya mätningar de själva utförde. Varje experiment registrerade hur kontaktvinkeln — formen hos en oljedroppe som sitter på berg i närvaro av vatten — förändrades efter behandling med en nanopartikelbaserad vätska. Hög kontaktvinkel innebär att berget föredrar olja; låg vinkel att det föredrar vatten. För varje datapunkt fångade teamet viktiga detaljer: vilken typ av berg som användes (såsom sandsten, kalksten eller dolomit), bergets porositet och permeabilitet, hur salt brine var, typen och storleken på nanopartiklarna, deras koncentration, eventuella tillsatta tensider eller polymerer, oljeegenskaper och temperatur. Tillsammans bildar dessa ingredienser en rik, flerdimensionell bild av hur nanoassisterade kemikalier interagerar med verkliga reservoarförhållanden.

Att lära algoritmer att läsa signalerna

Eftersom dessa samband är komplexa och starkt icke-linjära testade forskarna ett spektrum av maskininlärningsmetoder, från enkel linjär regression till random forests, gradient boosting, neurala nätverk och en hybrid modell med neuralt nätverk och skog. Innan träning rensade och transformerade de data: utliggare i de extrema 1 %-svansarna togs bort, skeva variabler som permeabilitet och salthalt log-transformerades, saknade värden fylldes på ett rimligt sätt och kategorier såsom bergtyp eller nanopartikelkemi konverterades till numeriska former. De delade sedan upp data i separata tränings-, test- och valideringsuppsättningar och använde en strikt korsvalideringsschema som höll alla prover från samma publikation tillsammans. Detta säkerställde att modellerna bedömdes på verkligt osedda experimentella förhållanden, inte subtila upprepningar av tidigare data.

Att hitta den mest pålitliga prediktorn

När dammet lagt sig presterade avancerade ensemblemodeller klart bättre än enkla angreppssätt. Framstående var en algoritm kallad Extreme Gradient Boosting (XGBoost), som sammanfogade många små beslutsträd. På den oberoende valideringsuppsättningen förutsade XGBoost kontaktvinklar med en förklaringsgrad (R²) på cirka 0,95 och ett medelfel på ungefär 6 grader, med nästan ingen systematisk bias över hela skalan från starkt oljefuktigt till starkt vattenfuktigt tillstånd. En hybridmodell som kombinerade ett neuralt nätverk med en random forest presterade nästan lika bra, särskilt på en av de hållna bort-subsets, vilket belyser att mer än en arkitektur kan vara robust om den är väl inställd. I kontrast missade vanlig linjär regression mycket av beteendet, vilket bekräftar att våtbarhetsförändringar i nanoassisterade system inte följer enkla linjära trender.

Vad modellen avslöjar om hur behandlingar bör utformas

Bortom noggrann prediktion använde studien flera tolkningsverktyg för att förvandla modellen till en sorts vetenskapligt mikroskop. Genom att systematiskt variera insatsparametrar och observera hur den förutsagda kontaktvinkeln reagerade identifierade författarna praktiska "sweet spots" och begränsningar. Modellen antyder att nanoassisterade metoder sannolikt inte fungerar i mycket täta berg under cirka 0,1 millidarcy, där partiklar helt enkelt inte kan nå tillräcklig yta. Den pekar också på ett optimalt salinitetsintervall, grovt 30 000 till 80 000 delar per miljon, där joner i vattnet hjälper nanopartiklar och kemikalier att fästa vid berg; vid mycket högre salthalt börjar partiklar klumpa ihop sig och prestationen sjunker. En annan nyckelinsikt är att nanopartiklar och polymerer fungerar bäst tillsammans i specifika förhållanden (ungefär en-till-en upp till en och en halv-till-en), vilket ger extra reducering av kontaktvinkel utan att orsaka skadlig förtjockning eller igensättning.

Skräddarsy recept för olika bergarter

En central slutsats är att den "bästa" nanopartikeln eller tensiden inte är universell; den beror starkt på bergarten. Enligt modellen är zirkonia-nanopartiklar särskilt effektiva i karbonatberg, medan järnoxid och kopparoxid presterar bättre i sandstenar. På samma sätt excellerar biosurfaktanter på positivt laddade karbonatytytor, medan katjoniska tensider föredras för negativt laddade sandstenar. Icke-joniska tensider, som saknar nettoladdning, erbjuder stabil och pålitlig prestanda över blandade litologier. Dessa mönster stämmer överens med kända principiella ytkemiinsikter och ger en kvantitativ grund för att välja tillsatser som matchar ett reservoars mineralogi.

Hur detta arbete kan förändra fältpraxis

I praktiska termer erbjuder ramverket ett snabbt, kostnadseffektivt sätt att sålla nanofluidformuleringar innan man satsar på långa labbprogram eller pilotförsök. Ingenjörer kan mata in grundläggande berg-, vätske- och formuleringinformation och få inte bara en förutsagd kontaktvinkel utan också vägledning om permeabilitet, salinitet eller nanopartikelbelastning ligger i lovande intervall. Metoden ersätter inte behovet av experiment eller fälttester, men den snävar kraftigt in sökutrymmet, lyfter fram var nanoassisterade metoder sannolikt inte fungerar och föreslår bergspecifika kombinationer som förtjänar närmare studie. Allt eftersom mer högkvalitativa data blir tillgängliga kan liknande modeller utvecklas till kraftfulla beslutsstödsverktyg som hjälper till att frigöra kvarvarande olja mer effektivt med bättre riktad användning av avancerade material.

Citering: 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

Nyckelord: ökad oljeåtervinning, nanopartiklar, våtbarhet, maskininlärning, reservoaringenjörsvetenskap