Nano destekli kimyasal EOR’de temas açısını öngörmek için sağlam bir makine öğrenimi çerçevesi

Kayaların ya yağa ya da suya olan tercihinin değişmesi neden önemli

Dünyanın büyük bir kısmındaki petrol hâlâ yeraltında, geleneksel üretim sonrasında bile kayaların yüzeyine inatla tutunmuş durumda. Özellikle kireçtaşı ve dolomit gibi karbonatlı rezervuarlarda, kaya doğal olarak su yerine yağı tercih eder ve bu da yağı çıkarmayı zorlaştırır. Mühendisler, enjeksiyon suyuna özel olarak tasarlanmış nanopartiküller ve kimyasallar eklemenin bu tercihi su lehine çevirebileceğini ve böylece daha fazla petrolün serbest kalabileceğini keşfettiler. Ancak hangi nanoparçacık karışımının belirli bir rezervuarda işe yarayacağını belirlemek genellikle yavaş ve pahalı laboratuvar ölçümleri gerektirir. Bu çalışma, dikkatle inşa edilmiş bir makine öğrenimi sisteminin bu sonuçları önceden tahmin edebileceğini gösteriyor; bu da bilim insanları ve mühendislerin daha akıllı, daha hızlı testler ve saha stratejileri tasarlamasına yardımcı oluyor.

Birçok küçük deneyden küresel bir resim oluşturmak

Yazarlar, on yılı aşkın yayımlanmış çalışmadan ve kendi yaptıkları yeni ölçümlerden oluşan toplam 418 deneylik geniş bir veri kümesi toplayarak işe başladılar. Her deney, nanoparçacık esaslı bir sıvı ile muamele sonrasında su varlığında kayanın üzerindeki bir yağ damlasının şekli olan temas açısının nasıl değiştiğini kaydetti. Yüksek temas açısı kayanın yağı tercih ettiğini, düşük açı ise suyu tercih ettiğini gösterir. Her veri noktasında ekip, kullanılan kaya türü (kumtaşı, kireçtaşı veya dolomit gibi), kayanın gözenekliliği ve geçirgenliği, tuzluluk düzeyi, nanoparçacık tipi ve boyutu, konsantrasyonu, eklenen anyonik veya polimer gibi maddeler, yağ özellikleri ve sıcaklık gibi önemli ayrıntıları yakaladı. Birlikte bu girdiler, nano destekli kimyasalların gerçek rezervuar koşullarıyla nasıl etkileştiğine dair zengin, çok boyutlu bir görünüm oluşturuyor.

Algoritmalara sinyalleri okumayı öğretmek

Bu ilişkiler karmaşık ve yüksek derecede doğrusal olmayan olduğundan, araştırmacılar basit doğrusal regresyondan rastgele ormana, gradyan artırmaya, sinir ağlarına ve hibrit sinir ağı–orman modeline kadar bir dizi makine öğrenimi yaklaşımını test ettiler. Eğitim öncesinde verileri temizlediler ve dönüştürdüler: aşırı uçtaki yüzde 1’lik kuyruklardaki aykırı değerler çıkarıldı, geçirgenlik ve tuzluluk gibi çarpık değişkenler logaritmik olarak dönüştürüldü, eksik değerler mantıklı biçimde dolduruldu ve kaya tipi veya nanoparçacık kimyası gibi kategoriler sayısal forma çevrildi. Ardından veriyi eğitim, test ve doğrulama setlerine ayırdılar ve aynı yayımdan gelen tüm örnekleri birlikte tutan katı bir çapraz doğrulama şeması kullandılar. Bu, modellerin daha önceki verilerin ince tekrarlarına değil, gerçekten görülmemiş deneysel koşullara göre değerlendirildiğinden emin oldu.

En güvenilir öngörücüyü bulmak

Sonuçlar ortaya çıktığında, gelişmiş topluluk modellerinin basit yaklaşımları açıkça geride bıraktığı görüldü. Öne çıkan algoritma, birçok küçük karar ağacını birleştiren Extreme Gradient Boosting (XGBoost) oldu. Bağımsız doğrulama setinde XGBoost, temas açılarını yaklaşık 0,95 kare belirleme katsayısı ve ortalama yaklaşık 6 derece hata ile tahmin etti; güçlü yağ tercihinden güçlü su tercihine kadar olan tüm aralıkta neredeyse hiç sistematik yanlılık gözlenmedi. Sinir ağı ile rastgele ormanı birleştiren hibrit model özellikle tutulan alt kümelerden birinde neredeyse aynı performansı gösterdi; bu da uygun şekilde ayarlandığında birden fazla mimarinin sağlam olabileceğini vurguluyor. Buna karşın sıradan doğrusal regresyon birçok davranışı kaçırdı ve nano destekli sistemlerde ıslaklık değişimlerinin basit doğrusal eğilimleri takip etmediğini doğruladı.

Modelin tedavi tasarımları hakkında ortaya koydukları

Doğru tahminin ötesinde, çalışma modelin bir tür bilimsel mikroskop haline gelmesi için birkaç yorumlanabilirlik aracını kullandı. Girdileri sistematik olarak değiştirip tahmini temas açısının nasıl tepki verdiğini izleyerek, yazarlar pratik “tatlı noktaları” ve sınırları belirlediler. Model, parçacıkların yeterli yüzeye ulaşamadığı yaklaşık 0,1 millidarcy altındaki çok sıkı kayalarda nano destekli yöntemlerin muhtemelen işe yaramayacağını öne sürüyor. Ayrıca, su içindeki iyonların nanoparçacıkların ve kimyasalların kayaya tutunmasına yardımcı olduğu yaklaşık 30.000 ila 80.000 ppm aralığında optimal bir tuzluluk penceresine işaret ediyor; çok daha yüksek tuzlulukta parçacıklar kümelenmeye başlıyor ve performans düşüyor. Bir diğer önemli bulgu, nanoparçacıklar ile polimerlerin belirli oranlarda (yaklaşık bire bir ila bir buçuk bire kadar) birlikte kullanıldığında temas açısında ek düşüş sağladığı, ancak zararlı yoğunlaşma veya tıkanmaya yol açmadığıdır.

Farklı kaya türlerine göre reçeteleri uyarlamak

Temel bulgulardan biri, “en iyi” nanoparçacık veya yüzey aktif maddenin evrensel olmadığı; bunun kaya türüne güçlü biçimde bağlı olduğudur. Modele göre zirkonya nanoparçacıkları karbonat kayalarda özellikle etkilidir, demir oksit ve bakır oksit ise kumtaşlarında daha iyi performans gösterir. Benzer şekilde, pozitif yüklü karbonat yüzeylerde biyoyüzey aktif maddeler öne çıkarken, negatif yüklü kumtaşları için katyonik yüzey aktif maddeler tercih ediliyor. Net yük taşımayan noniyonik yüzey aktif maddeler, karışık litolojilerde sağlam ve güvenilir performans sunuyor. Bu desenler bilinen yüzey kimyası ilkeleriyle uyumlu olup, rezervuarın mineralojisine uygun katkı seçimi için nicel bir temel sağlıyor.

Bu çalışmanın saha uygulamalarını nasıl değiştirebileceği

Pratik anlamda bu çerçeve, uzun laboratuvar programlarına veya pilot denemelere başlamadan önce nanofluid formülasyonlarını hızlı ve düşük maliyetle taramanın bir yolunu sunuyor. Mühendisler temel kaya, akışkan ve formülasyon bilgilerini girip sadece tahmini bir temas açısı almakla kalmayıp, geçirgenlik, tuzluluk veya nanoparçacık yüklemesinin gelecek vaat eden aralıklarda olup olmadığına dair yönlendirme de alabilirler. Yöntem deneylerin veya saha denemelerinin gerekliliğini ortadan kaldırmasa da arama alanını keskin biçimde daraltır, nano destekli yöntemlerin muhtemelen işe yaramayacağı durumları vurgular ve daha yakından incelenmeye değer kaya-özgü kombinasyonlar önerir. Daha fazla yüksek kaliteli veri mevcut oldukça, benzer modeller gelişmiş malzemelerin hedefli kullanımını sağlayarak kalan petrolün daha verimli açığa çıkarılmasına yardımcı olacak güçlü karar destek araçlarına dönüşebilirler.

Atıf: 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

Anahtar kelimeler: artırılmış petrol geri kazanımı, nanopartiküller, ıslaklık, makine öğrenimi, rezervuar mühendisliği