نمذجة انخفاض لزوجة النفط باستخدام النانوذرات

كتبت: فاطمة يونس

تقدّم هذه الدراسة مقاربة متقدمة لتخفيف لزوجة النفط الخام عبر تطبيق نانوذرات بتقنيات حديثة. اعتمد الباحثون على 646 نقطة بيانات تجريبية لتقييم مدى انخفاض اللزوجة الناتج عن معالجة الزيت بالنانوذرات. ثم طُبِّقت أربعة بنى شبكية عصبية لتقدير نسبة تغير اللزوجة النهائية إلى اللزوجة الابتدائية: شبكة الإدراك متعدد الطبقات (MLP)، والشبكة العصبية الكثيفة المتعاقبة (CFNN)، وشبكة القاعدة الشعاعية (RBF)، والشبكة العصبية العامة (GRNN). من بين هذه النماذج، برز CFNN المدرب بخوارزمية Levenberg–Marquardt (CFNN-LM) كأعلى أداء، محققاً أدنى نسبة خطأ مطلق متوسط (AARE) بلغت 1.83% ومعامل تحديد (R²) قدره 0.9851، يليه نموذج MLP-LM في الترتيب. بينما أظهر كل من GRNN وRBF أداءً أدنى من حيث الدقة التنبؤية.

أطر البيانات والنماذج المختبرة

أُجري الاختبار على 646 نقطة بيانات تجريبية تُعنى بتأثير النانوذرات على تخفيض لزوجة الزيت. استُخدمت أربع بنى شبكية: MLP وCFNN وRBF وGRNN. تفوق CFNN-LM في الأداء الكلي، مبرزاً قدرته على التقاط العلاقات المعقدة بين المعطيات والمتغيرات الفيزيائية المصاحبة لعملية التخفيض في اللزوجة.

الأداء والدلالات الفيزيائية

أظهرت النتائج أن تقليل لزوجة النفط الناتج عن معالجة النانوذرات يتزايد مع ارتفاع الحرارة، وزيادة تركيز النانوذرات، ومعدل القص (shear rate). كما تبين أن تقليل حجم جزيئات النانو يعزز تأثير التخفيض في اللزوجة، وهو ما يدعمه نموذج CFNN-LM في سياق التنبؤ الدقيق.

تحليلات الحساسية والشفافية العلمية

أُجري تحليل بيرسون للكشف عن العوامل الخطية الأكثر تأثيراً، فظهر أن لزوجة النفط الابتدائية تمثل 27% من التغيرات، ثم كثافة النانوذرات 24%، ثم حجم النانوذرات 22%. أما تحليل سبيرمان فقد أبرز دور تركيز النانوذرات كعامل غير خطي رئيسي بنسبة 30%، إلى جانب اللزوجة الابتدائية بنسبة 25% ودرجة الحرارة بنسبة 21% كعوامل غير خطية رئيسية أخرى. وبالإجمال، تتضح أن الخصائص الجوهرية للنفط وسمات النانوذرات تشكلان المحركين الأساسيين لتخفيض اللزوجة، مع أن للتركيز ودرجة الحرارة تأثيرات غير خطية أقوى من غيرهما.

الموثوقية والتمثيل الإحصائي والتمويل

أُكدت موثوقية النموذج CFNN-LM من خلال تحليلLeveraging، حيث حُدِّدت ثلاث نقاط مشتبه بها و47 نقطة خارج نطاق الرفع، ما يعزز ثقة الباحثين في سلامة البيانات ودرجة التحمل التنبؤية للنموذج. كما تشير النتائج إلى أن CFNN-LM يملك قدرة قوية على التقاط الاتجاهات الفيزيائية، بما في ذلك الارتباط الإيجابي بين اللزوجة وخاصيات معينة للنظام، وهو ما يجعل هذا النموذج خياراً واعداً لتطبيقات تحسين استخلاص النفط.
هذه الدراسة مموّلة من مشاريع وطنية مميزة في مجال العلوم والتكنولوجيا (2025ZD1407704) وصندوق مشترك للابتكار والتنمية المؤسسية (U25B600033)، ما يعزز إمكانية تطبيقها في مشاريع صناعية واقعية تهدف إلى تحسين كفاءة عمليات الاستخراج.

يمكنك قراءة المزيد في المصدر.

لمزيد من التفاصيل اضغط هنا.