机器学习辅助表征微通道砂充多孔介质中生物纳米流体驱油的微观驱替动力学机制及其在提高原油采收率中的应用

本研究针对成熟油田残余原油驱替与提高采收率(EOR)的世界性难题，创新性地提出采用生物纳米流体(BioNanoEM)驱油技术。通过微流控砂充模型结合高速成像技术，揭示了生物纳米流体在微观多孔介质中的驱替动力学行为，并基于XGBoost算法构建机器学习模型，实现了残余油饱和度动态预测（均方误差低至0.0030）。实验证实生物纳米流体驱替可使采收率提升39.0%，较传统水驱效率提高一倍，为智能EOR技术开发提供了新范式。

　　

在能源需求持续增长的背景下，如何从日趋枯竭的成熟油田中"榨取"更多原油，成为全球石油工业的卡脖子难题。传统水驱技术往往会在复杂多孔介质中留下大量"顽固"的残余油滴，这些被毛细管力牢牢锁住的油滴就像藏在迷宫深处的宝藏，常规方法难以有效开采。更棘手的是，现有纳米驱油材料普遍存在环境风险高、成本昂贵等问题，而微观尺度下流体在多孔介质中的运移机制又如同"黑箱"，缺乏精准的预测手段。

针对这些挑战，浙江大学联合杭州生物纳米工程有限公司的研究团队独辟蹊径，将生物技术、纳米科学与人工智能交叉融合，开发出新型生物纳米流体(BioNanoEM)驱油系统。通过构建微通道砂充多孔介质模型模拟真实油藏环境，结合高速摄像和机器学习算法，首次实现了驱替过程的动态可视化与智能预测。这项发表于《Chinese Journal of Chemical Engineering》的研究，为破解微观驱油机制提供了创新方法论。

研究团队主要采用三大关键技术：微流控砂充模型构建（550-800μm石英砂随机填充）、基于小波变换的图像增强处理（10帧/秒高速影像解析）、以及XGBoost机器学习建模（处理小样本时序数据）。实验原油取自中石化中原油田（密度0.872 g·cm^–3，粘度13.1 mPa·s）。

【材料特性】
生物纳米流体表征显示，BioNanoEM可形成20-500 nm的稳定纳米乳液，其降低油水界面张力的特性使毛细管数提高2个数量级，为后续高效驱替奠定基础。

【图像处理】
通过小波变换去噪增强技术，成功将水驱和生物纳米流体驱的残余油图像信噪比(SNR)分别提升至28.4 dB和30.2 dB，为机器学习提供了高质量输入数据。

【驱替效率】
在相同流速下，生物纳米流体驱使采收率较水驱提升39.0%，残余油饱和度显著降低。高速影像显示其能有效破坏油滴的Jamin效应（多孔介质中的毛细管阻塞现象）。

【机器学习预测】
XGBoost模型对水驱和生物纳米流体驱的残余油饱和度预测均方误差(MSE)分别达0.0045和0.0030，准确捕捉了非线性动态演变规律。特征重要性分析揭示孔隙结构异质性是影响预测精度的关键因素。

这项研究开创性地将机器学习引入微观驱油机制解析，证实生物纳米流体可突破传统EOR技术瓶颈。其建立的"实验观测-图像处理-智能预测"技术链条，不仅为油田数字化开发提供新工具，更启示了生物基纳米材料在能源领域的应用前景。特别值得注意的是，该模型在样本量有限条件下仍保持高精度，这对解决石油工业中小数据场景的预测难题具有普适价值。未来通过结合三维孔隙网络模型与深度强化学习，有望进一步推动智能油气开采技术的发展。