结合十二烷基硫酸钠和十六烷基三甲基溴化铵表面活性剂的智能水增强石油采收技术：基于数据驱动的人工神经网络框架

《Engineering Applications of Artificial Intelligence》：Enhanced oil recovery using smart water combined with sodium dodecyl sulfate and cetyltrimethylammonium bromide surfactants: A data-driven artificial neural network framework

　　沙沙·杨|马哈穆特·塔内尔|索海勒·萨拉赫舒尔|A. 莫赫塔里|穆斯塔法·巴伊拉姆|雅斯明·卡里中国陕西省延安市延安大学石油工程与环境工程学院，716000摘要本研究构建了一种基于数据驱动的人工神经网络框架，用于定量描述所研究浓度范围内十二烷基硫酸钠与十六烷基三甲基溴化铵混合表面活性剂体系的非线性界面行为和位移特性。十二烷基硫酸钠与十六烷基三甲基溴化铵的浓度被视为独立组成变量，而接触角和采油率则作为反映润湿性变化及宏观位移效率的因变量。通过十折交叉验证策略来检验模型的泛化能力。优化后，接触角的平均平方误差为0.3140，采油率为0.1567，训练、验证和测试误差均处于同一数量级。回归分析显示两者之间存在很强的统计一致性，接触角的关联系数超过0.995，采油率的关联系数也始终在0.98以上。独立测试评估表明，在所研究的数据集中，预测偏差较小，接触角的相对偏差在0.0030%至0.6875%之间，采油率的相对偏差则在0.0958%至0.8667%之间。交叉验证结果的稳定性、回归一致性、可控的预测误差以及有规律的敏感性趋势共同表明，该框架能够准确呈现与润湿性和提高采油效率相关的、受浓度影响的表面活性剂浓度-响应关系。引言尽管全球正在逐步向可再生能源系统转型，但能源需求仍高度依赖碳氢化合物资源（Litvinenko, 2020）。世界上大部分石油储量存在于成熟碳酸盐岩储层中，而这些储层的开采效率往往受到不利的岩石-流体相互作用以及复杂孔隙结构的影响（Chen et al., 2023a）。在初次开采以及常规的二次水驱之后，仍有大量原油被困在多孔介质中（Zhou et al., 2025）。这些残余原油主要因毛细力、高界面张力以及油润表面条件而被固定，从而严重限制了微观层面的位移效率（Ma et al., 2022）。与砂岩储层相比，碳酸盐岩储层因其固有的非均匀性、双重孔隙结构、表面反应性以及对盐水化学成分的敏感性而带来更多挑战（Sarma et al., 2023）。碳酸盐岩的润湿状态对流体分布、毛细压力行为以及相对渗透率特性起着关键作用（Guo et al., 2022）。在油润或混合润湿体系中，注入的水往往会绕过大量被困的碳氢化合物，优先流经高渗透路径，留下残余油团（Youssif et al., 2024）。因此，要提高这类储层的采油率，就需要改进孔隙尺度的位移机制，而不仅仅是提升宏观的扫油效率。智能注水作为一种有效策略，可通过调节注入盐水的离子组成来改变岩石表面电荷，进而改变润湿性并提高原油的流动性（Hosseini et al., 2025）。通过调整决定性离子的浓度、总盐度以及离子比率，可以显著影响岩石-流体界面处的静电相互作用，从而改变润湿性并提升位移效率（Saeed et al., 2022; Saw and Mandal, 2023）。所谓智能水，通常指的是经过优化离子组成的盐水，旨在在碳酸盐岩中引发针对特定离子的表面反应；而低盐度水则一般指未经针对性调整各离子浓度的稀释盐水。在碳酸盐岩储层中，已有多种物理化学机制被提出来解释这一现象。硫酸根离子（SO42?）被认为是决定性离子，它们会吸附在带正电的方解石表面，从而降低表面电荷密度，促使吸附的酸性原油组分脱离。这种吸附还会引发多价阳离子交换反应，其中二价阳离子如Ca2+和Mg2+会参与表面络合过程，削弱极性原油化合物与矿物表面之间的静电吸引力（Song et al., 2020）。此外，降低盐水盐度可能会扩大岩石-流体界面处的电双层，改变表面电势，促使体系向更易被水润湿的状态转变。这些机制的相对重要性取决于离子比率、矿物组成、温度以及原油成分，这体现了智能水在碳酸盐岩系统中作用的复杂性及其对不同条件的依赖性（Quintella et al., 2025）。然而，这些改善作用背后的机制具有高度的非线性和强耦合性。采油效率受多种相互作用的变量影响，包括离子组成、盐度梯度、表面活性剂浓度、注入速率、孔隙结构以及原油化学性质（Chowdhury et al., 2022; Chen et al., 2023b）。这些参数的相互依存性使得系统行为十分复杂，难以用简化的确定性关联公式来描述。在基于智能水的提高采油率技术中，一个重要的工程挑战就是确定在不同操作条件下能够最大化采油率的最佳注入条件（Yin et al., 2025）。离子强度或化学成分的微小变化都可能引起润湿状态和毛细力的显著变化，从而导致采收率的巨大波动。传统的经验模型或半解析模型往往无法准确描述这种多维非线性关系。因此，设计高效的注入策略往往需要大量的实验室试验，而这既耗时又昂贵（Behera et al., 2024）（见图1）。Buriro等人（2023）对碳酸盐岩储层中的智能水驱技术进行了全面综述，重点分析了与润湿性变化及岩石-流体相互作用相关的实验证据。他们认为电双层扩张和多离子交换是主导润湿性变化的机制，而岩石溶解则起次要作用，且与其处于平衡状态有关。他们的分析还表明，低盐度盐水能够促使体系从油润状态转变为水润状态，其中硫酸根、钙离子和镁离子会对不同储层产生特定的影响。Hayavi等人（2022）对碳酸盐岩储层中基于表面活性剂的提高采油率技术进行了全面评述，将实验室研究成果与实际应用情况相结合。该研究系统分析了相关的物理化学机制，包括界面张力的降低、润湿性的改变、毛细力的变化以及表面活性剂在碳酸盐岩表面的吸附作用。研究特别强调了储层条件，如温度、盐度、pH值、渗透率以及储层非均匀性，对表面活性剂配方效果的影响。作者指出，碳酸盐岩储层的复杂性要求必须进行针对具体储层的优化。Keihanikamal等人（2025）研究了在弱固结砂岩储层中应用智能水注水所面临的地球化学和力学挑战，因为矿物溶解可能会破坏储层的完整性。虽然智能水能够有效改变储层的润湿性，使其更易被水润湿，但它与储层矿物的不相容性可能会导致石英和水泥溶解，进而引发出砂现象并降低渗透率。研究结果表明，优化的离子组成不仅可以提高采油率，还能减少出砂现象。Saeedi等人（Dehaghani和Daneshfar, 2024）研究了海上碳酸盐岩储层中基于智能水的提高采油率技术，提出了一种连续注入策略，以克服实际注入量上的限制。通过接触角和驱替实验，该研究证明润湿性的变化在很大程度上取决于钾离子和硫酸根离子的浓度耦合效应，且随着硫酸根离子浓度的增加，最优的离子比率也会发生变化。在经过优化的离子条件下，润湿性可达到最大变化幅度132.8°。微模型驱替实验进一步表明，注入顺序会影响处理效果，交替使用智能水和海水策略能够提高采油效率。Kanaani等人（2025）利用多层神经网络以及基于堆叠的元模型，并结合NSGA-II多目标算法，对CO2–WAG提高采油率工艺进行了优化。该框架能够在最大化累计产油量和二氧化碳封存量的同时，最小化产水量，并优化净现值。敏感性分析表明，净现值与累计产油量之间存在很强的相关性，而且所开发的替代模型具有很高的预测精度（R?>?0.93–0.99）。Partonia等人（Partonia和Tabatabaei-Nezhad, 2025）运用先进的机器学习算法，利用包含13,032个样本的扩展数据集，预测了碳酸盐岩储层中在智能水辅助泡沫注入过程中的接触角变化情况。在所评估的模型中，XGBoost的预测性能最佳，其均方根误差为0.09°，R2值为0.99997；其次是随机森林，其均方根误差为0.13°，R2值为0.99994；而卷积神经网络的预测精度则较低。特征重要性分析显示，MgCl2和Na2SO4是影响最大的参数，分别贡献了约28%和22%的预测影响力。Maghsoudian等人（Maghsoudian等人）基于327组实验数据，利用人工神经网络、模糊逻辑系统以及多基因遗传编程方法，开发了数据驱动的预测模型，用于估算碳酸盐岩储层中智能水驱的采收率。这些模型将岩石物理性质、流体特性以及注入参数作为输入因素。其中人工神经网络的表现最为出色，其在Amott-cell实验数据中的R2值为0.9646，在岩心驱替实验数据中的R2值为0.9523。尽管先前的研究已经大大提升了人们对碳酸盐岩储层中智能水注入和表面活性剂注入技术的理解，但仍然存在一些局限性。现有的实验研究大多在受控的实验室条件下，分别探讨了离子对润湿性产生的特定影响以及表面活性剂降低界面张力的作用，往往将这些效应视为独立的因素。虽然离子组成和表面活性剂化学性质在改变表面电荷和位移效率方面的作用已经得到明确，但那些同时影响润湿性变化和采油效率的复杂非线性物理化学相互作用，却很少在统一的预测框架中被量化分析。与此同时，数据驱动方法虽已被成功应用于预测采收率或接触角等单一输出指标，但这些方法通常需要大量的岩石物理、操作或热力学参数。目前大多数机器学习研究要么侧重于大规模储层优化问题，要么只关注单一输出指标的预测，而没有将表面活性剂配方与实验室尺度下的位移行为明确关联起来。此外，如果依赖高维输入空间或扩充后的数据集，那么在实验数据有限的情况下，模型的可解释性和实际应用性可能会受到影响。因此，对于碳酸盐岩体系中混合表面活性剂浓度与接触角及采油率变化之间的直接定量关系，目前仍缺乏基于简洁神经网络架构且具备浓度相关可解释性的有效建模方法。本研究正是为了解决这一缺陷，通过构建一种前馈型人工神经网络，同时将接触角和采油率视为SDS和CTAB浓度的函数来进行建模。与以往将这两种响应视为独立因素或依赖众多输入变量的研究不同，本研究采用了基于实验数据、具有物理意义组成参数的简洁数据集。所提出的框架建立了表面活性剂配方与提高采油效率之间的稳健非线性映射关系，为快速筛选和优化碳酸盐岩储层中的混合表面活性剂体系提供了一种高效的分析工具。训练/测试方法本研究采用了带有监督功能的前馈多层感知器神经网络，用于在优化后的智能水注入条件下，模拟表面活性剂浓度与相应采油率响应之间的非线性关系（Zell, 1994; Schmidhuber, 2015）。选择前馈结构是因为它在处理规模适中的实验数据时的非线性物理系统建模方面表现稳定，且在回归任务中具有稳定的收敛特性（Luger, 2004）。性能指标通过将预测结果与实验测量值进行对比的全面统计分析，来评估所开发神经网络模型的可靠性。模型评估的重点在于量化预测精度、分析残差分散情况，以及检查模型在独立数据子集间的泛化一致性。尤其要确保模型在训练集、验证集和测试集上的预测性能保持稳定。十折交叉验证在本研究中，采用了十折交叉验证方法，以严格评估所开发的人工神经网络在预测接触角方面的泛化能力。输入层包含两个独立变量，即SDS和CTAB的浓度，而接触角则为模型的输出值。整个数据集被随机划分为十个大小相同的互不重叠的子集。在每次迭代中，选取九个子集作为训练集，剩下的一个作为验证集。不同性能函数的比较图4展示了所开发的人工神经网络在预测接触角时的训练性能，该性能随SDS和CTAB浓度的变化而变化。在LM优化方案下，训练过程中的均方误差呈平稳下降趋势，第30次迭代时取得了最佳的验证性能。训练曲线和验证曲线之间没有出现振荡现象或后期发散的情况，这说明权重调整在数值上是稳定的。敏感性分析表2汇总了在测试数据集上，当每个输入变量（SDS和CTAB浓度）发生2%到10%的可控变化时，人工神经网络预测的接触角和采油率的最大百分比变化范围。这些数值结果有助于对比分析两种表面活性剂对这两种输出指标的影响程度。对于接触角而言，其变化随扰动幅度的增大而呈明显的单调递增趋势。SDS浓度变化10%时，结论本研究采用人工神经网络框架，对所研究浓度范围内的SDS–CTAB混合表面活性剂体系的界面行为和位移特性进行了建模。SDS和CTAB的浓度被设定为描述系统组成状态的独立输入变量。接触角和石油回收率则被选作输出响应，分别代表固液界面处的润湿性变化以及宏观层面的位移情况。

资助情况：本项工作得到了陕西省科学技术厅2024年度自然科学基础研究计划（2024JC-YBQN-0347）以及延安大学博士科研启动项目（YAU202303785）的支持。

作者贡献说明：
杨莎莎：概念设计、方法学、可视化、初稿撰写、审稿与编辑。
马赫穆特·塔内尔：概念设计、数据整理、软件应用、验证。
索海勒·萨拉赫舒尔：概念设计、资金筹措、资源协调、验证、初稿撰写。
A. 莫赫塔里：研究实施、方法学、软件应用、初稿撰写、审稿与编辑。
穆斯塔法·巴伊拉姆：概念设计、方法学、软件应用、验证、可视化。
雅斯明·卡里：无利益冲突声明。作者声明不存在可能影响本文研究结果的任何已知财务利益或个人关系。

致谢：作者感谢哈利德国王大学研究与研究生院通过大型研究团队计划提供的资助，项目编号为RGP2/215/47。