Výzkum účinnosti polymerového zatlačování s xanthanovou gumou pro zvýšení těžby ropy pomocí modelů strojového učení

Souhrn

Výzkumníci vyvinuli modely strojového učení, které předpovídají účinnost polymerového zatlačování s využitím xanthanové gumy při zvýšené těžbě ropy (EOR). Cílem je nahradit nákladné a časově náročné laboratorní a terénní experimenty rychlým hodnocením vhodnosti této metody pro konkrétní ložisko.

Klíčové body

Xanthanová guma je levný, ekologicky příjemný biopolymer vhodný pro EOR.
Bylo testováno pět modelů strojového učení na základě deseti geologických a chemických parametrů ložiska.
Nejlepší výsledky dosáhly modely MLP (R² = 0,9930) a GRU (R² = 0,9933).
Nástroj umožňuje inženýrům rychle rozhodnout o nasazení xanthanové gumy bez rozsáhlých experimentů.

Podrobnosti

Zvýšená těžba ropy (EOR) je klíčová pro maximalizaci výnosu z již provozovaných ložisek, zejména v době, kdy objev nových zásob ropy stagnuje. Polymerové zatlačování – metoda, při které se do ložiska vstřikuje viskózní roztok polymeru – zlepšuje efektivitu vytlačování ropy z pórů horniny. Xanthanová guma, přírodní polysacharid produkovaný bakteriemi, se pro svou nízkou cenu, dostupnost a biologickou rozložitelnost stala populární volbou mezi biopolymery pro EOR.

Tradiční hodnocení vhodnosti této metody vyžaduje řadu laboratorních testů a pilotních provozů, což je nákladné a pomalé. Autoři studie proto navrhli prediktivní modely založené na strojovém učení. Jako vstupy použili deset klíčových parametrů: API gravitaci ropy, počáteční nasycení ropy (%), koncentraci polymeru (ppm), pórovitost (%), salinitu (hm. %), typ horniny, objem zaplavených pórů, propustnost (md), viskozitu ropy (cP) a teplotu (°C). Z pěti testovaných modelů – MLP, CNN, RBF, GRU a SVR – se nejlépe osvědčily MLP (multilayer perceptron) a GRU (gated recurrent units), které dosáhly koeficientu determinace R² nad 0,993.

Proč je to důležité

Tento přístup představuje praktický nástroj pro ropný průmysl, který urychluje rozhodovací procesy a snižuje náklady na vývoj EOR metod. I když se nejedná o průlom v AI, aplikace strojového učení v geovědních inženýrských disciplínách ukazuje, jak lze data-driven metody integrovat do tradičních průmyslových odvětví. Výsledky mohou sloužit jako šablona i pro jiné typy EOR, například chemické nebo termální metody, a podnítit širší digitalizaci těžebních operací.

Číst původní článek

Zdroj: 📰 Nature.com