基于人工智能的二次注浆密封材料开发与优化以提高甲烷回收

更好密封为何关系重大

煤层气是一种燃烧更清洁的气体，储存在煤层中，但大量甲烷在被捕获前通过微小裂缝逸散。本论文探讨了人工智能如何帮助设计更聪明的密封混合物，以更有效地堵住这些隐蔽泄漏，从而使甲烷回收更安全、更高效且更少浪费。

岩石裂缝与甲烷损失

在地下深处，煤层布满天然裂隙，这些裂隙像秘密逃生通道一样让气体和水流失。当钻井排放甲烷时，这些裂隙可能进一步张开，形成新的通道，让新鲜空气进入、甲烷外泄。传统的水泥基密封剂常常无法流入这些网络的深处，或在岩体位移时难以保持密闭，导致产气下降并有更多甲烷逸散到矿井和大气中。本研究集中于“二次注浆”，即一种后续封堵步骤，旨在通过将专用材料注入这些深层裂缝来修复漏气井。

优良密封混合物的要素

一种有用的密封材料必须同时解决若干问题。起初它必须足够流动以便泵送并渗入细小裂缝，然后需要在可操作的时间内增稠并“凝胶”，适度膨胀以填充缝隙，最终硬化为强韧、耐久的固体以长期阻隔气体。调整控制含水量、树脂、交联添加剂和发泡剂等成分会改变粘度、固化时间、强度和膨胀等性能。提升某一特性往往会损害另一项，因此单靠实验室的反复试验来找到最佳配方既缓慢又昂贵，而且可能错过许多有前景的组合。

教计算机预测材料行为

研究人员构建了一个数据驱动框架，从相对有限的一组实验室测试配方中学习，然后自主搜索更优配方。他们使用了两类称为神经网络的计算模型，每种模型分别由不同的进化算法调优，这些算法模拟自然选择或群体行为。其中一个模型在预测混合物的增稠程度和固化后强度方面表现优异，另一个则更擅长预测凝胶时间和在裂缝内的膨胀量。通过将这些模型结合，框架可以在不需实际混合和测量的情况下，估算任何处于测试范围内的新配方可能的表现。

在流动性、强度与膨胀之间平衡

一旦计算机能够可靠地预测材料行为，团队就将其与一个多目标优化器关联，后者同时搜索数千种可能的配方。优化器并不寻找单一的“最佳”混合物，而是生成一系列在易泵送性、快速固结、最终密封强度和受控膨胀之间权衡的选择。例如，非常强的配方往往更稠，可能限制其被泵送到远处裂缝的能力。更流动的配方能深入渗透，但通常固化后强度适中。随后使用额外的分析方法根据不同的现场需求对这些候选方案进行排序，例如深层渗透、井口附近快速封堵或最大长期稳定性。

从计算机设计到更清洁的甲烷回收

简而言之，该研究表明计算机可以学习复杂密封混合物的行为，并帮助工程师选择最适合实际甲烷井的配方。这种方法并不取代现场试验，但大幅减少了盲目试验和所需实验室试验的数量。通过更精准配方的密封剂，更多甲烷可以从煤层被引导到收集管线，而不是通过裂缝泄漏，支持更安全的采矿作业并使煤层气成为更清洁、更高效的能源来源。

引用: 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

关键词: 煤层气, 井筒封堵, 人工智能, 注浆材料, 甲烷泄漏