Modelagem de fenômenos interfaciais combinando simulações moleculares e aprendizado de máquina com aplicações em processos de recuperação de petróleo

Orientador: Prof. Dr. Caetano Rodrigues Miranda Tese (doutorado) - Universidade Federal do ABC, Programa de Pós-Graduação em Nanociências e Materiais Avançados, 2019. Para aumentar a vida útil dos reservatórios maduros, processos de recuperação melhorada de petróleo (EOR) otimizados são altamente requisitados pela indústria de óleo & gás. Neste contexto, é importante conhecer os mecanismos fundamentais que regem as interfaces fluido-fluido, que são primariamente associados a propriedades interfaciais, especialmente a tensão interfacial (IFT). No entanto, a descrição destes fenômenos experimentalmente pode ser difícil, uma vez que estas interações ocorrem em nível atômico/molecular. Para uma melhor compreensão destes mecanismos, o comportamento das propriedades interfaciais foi investigado computacionalmente na tentativa de entender os efeitos da IFT na EOR. Para atingir este objetivo, duas metodologias foram empregadas, dinâmica molecular clássica (DM) e aprendizado de máquina (AM). Para determinar a IFT nas interfaces óleo-salmoura, consideramos cinco modelos de óleo: (i) heptano, (ii) tolueno, estes monocomponentes, (iii) uma combinação 50% dos modelos anteriores (heptol), (iv) um modelo para representar um óleo leve (8 componentes) e (v) um modelo de óleo médio (36 componentes), introduzido originalmente nesta tese. Os modelos de óleo foram validados comparando-se as densidades, IFTs, viscosidades e coeficientes de difusão com dados experimentais. Para simular as interfaces entre óleo e salmoura, 26 soluções salinas foram modeladas combinando os íons Na+, K+, Ca2+, Mg2+, Cl- e SO2-4 , adicionalmente à estas soluções aquosas, foram propostos mais dois modelos multicomponentes: água do mar (com sulfato) e estendido (sem o sulfato). Os resultados obtidos com os cálculos de DM mostraram que a IFT tende a crescer com o aumento da salinidade e da pressão e reduzir com o aumento da temperatura. Também foi observado o acúmulo de aromáticos, assim como a ausência de íons na interface entre óleo e salmoura. O AM foi aplicado utilizando dois bancos de dados, um composto por valores da literatura (surfactantes) e outro com dados gerados via DM (interfaces salmoura-óleo). Os erros obtidos nos modelos de AM foram menores para o banco de dados criado com a DM, predizendo com acurácia valores da literatura não utilizados como dados de treino. Com estes resultados, foi concluído que a combinação entre DM e AM pode potencializar a proposta de novos fluidos para injeção, além de permitir novas propostas de interfaces e com isso, o estudo de novos mecanismos para a IFT. To span the lifetime of mature reservoirs, optimal enhanced oil recovery (EOR) processes are highly desired in the oil & gas industry. In this context, it is important to know the underlying mechanisms in fluid-fluid interfaces, which are mainly associated to interfacial properties, especially interfacial tension (IFT). However, the explanation of this phenomenon can be hardly accessed via experiments, because these interactions occur at the atomic/molecular level. For a better comprehension of these mechanisms, the behavior of interfacial properties was computationally investigated in an attempt to understand the effects of interfacial tension (IFT) on EOR. In order to achieve this goal, two methodologies were employed, machine learning (ML) and classical molecular dynamics (MD). To determine the IFT in the oil-brine interfaces, five models of oil were considered, being two monocomponents (heptane and toluene) and the combination of both (heptol). For more complex oils, two more models were developed: light oil (8 components), previously studied, and oil medium (36 components), originally proposed by this thesis. Oil models were validated by comparing the density, IFT, viscosity and diffusion coefficient with experimental data. To simulate the interfaces between oil and brine, 26 saline solutions were modeled by combining the ions in Na+, K+, Ca+2, Mg+2, Cl- and SO24 , moreover two multicomponent models were created: seawater (with sulphate) and extended (without sulfates). The results obtained with the MD calculations showed that the IFT tends to increase with increasing salinity and pressure, and reduce with increasing temperature. In addition, it was observed the accumulation of aromatic, as well as the absence of ions at the interface between oil and brine. The ML was applied using two databases, one composed of values from the literature (surfactants) and another with data from MD (brine-oil interfaces). The errors obtained for the ML models was lower to the dataset created with MD, predicting with accuracy several data from the literature, even data are not used to train the model. With this result, we can show that the combination between MD and ML can enhance the understanding of the role of the features in the reduction of IFT, and new systems and mechanisms can be studied using ML.