Integración de los parámetros fisicoquímicos de nanofluidos poliméricos basados en puntos cuánticos de carbono (CQDs) para la predicción de viscosidad utilizando modelos de aprendizaje de máquinas

Abstract

Los procesos de recobro mejorado en Colombia toman relevancia para mantener la soberanía energética del país a través de la implementación de nuevas tecnologías. Este trabajo permitió identificar las variables relevantes para la evaluación de nanofluidos poliméricos basados en puntos cuánticos de carbono (CQDs) y poliacrilamida parcialmente hidrolizada (HPAM) para implementar modelos de aprendizaje de máquinas que logren predecir la viscosidad de la solución resultante como estrategia de monitoreo. El conjunto de datos fue generado experimentalmente bajo diferentes condiciones de salinidad, tiempo de añejamiento, orden de adición, tipo de CQD y tasa de corte como predictoras de viscosidad, manteniendo la temperatura, concentración de CQD y polímero fijas. La implementación de cuatro (4) modelos de aprendizaje supervisado de regresión, permitió establecer la capacidad predictiva de los modelos ante un conjunto de datos altamente desbalanceado y de baja correlación lineal entre las variables siendo el de bosques aleatorios el modelo con mejor desempeño con un R2 cercano al 87%. Los resultados experimentales permitieron establecer nuevos acercamientos para investigar el efecto sinérgico CQD-HPAM en procesos de inyección de polímeros para recobro mejorado utilizando modelos de aprendizaje de máquinas como una estrategia efectiva para generalizar el comportamiento de estos sistemas físicos. (Tomado de la fuente)

Enhanced recovery processes in Colombia are relevant in maintaining the country's energy sovereignty through implementing innovative technologies. This work allowed us to identify the relevant variables for the evaluation of polymeric nanofluids based on carbon quantum dots (CQDs) and partially hydrolyzed polyacrylamide (HPAM) to implement machine learning models that can predict the viscosity of the resulting solution as a monitoring strategy. The data set was generated experimentally under different salinity conditions, aging time, addition order, CQD type, and shear rate as viscosity predictors, keeping the temperature, polymer, and CQD concentration fixed. The implementation of 4 regression models allowed the establishment of the predictive capacity of the methods in the face of a highly unbalanced dataset and low linear correlation between the variables, with the random forest model being the algorithm with the best performance with an R2 near 87%. The experiment highlighted novel approaches to investigate the CQD-HPAM synergistic effect in polymer injection processes for enhanced oil recovery using machine learning techniques as an effective tool to generalize the behavior of these physical systems.