Modélisation algorithmique de la rhéologie des polyacrylamides pour l’optimisation des fluides d’injection

Des travaux démontrent la capacité des architectures d’apprentissage automatique à modéliser la rhéologie complexe du polymère SAV10, un polyacrylamide partiellement hydrolysé fonctionnalisé par des groupements ATBS. La formulation de cette matrice macromoléculaire, destinée à la récupération assistée des hydrocarbures, exige un contrôle rigoureux de sa viscosité en milieu aqueux sous des conditions de salinité et de contraintes thermomécaniques extrêmes. Or, le comportement pseudoplastique de ces chaînes polyélectrolytes, caractérisé par un désenchevêtrement sous sollicitation mécanique et une contraction conformationnelle en présence d’ions, rend les prédictions empiriques classiques obsolètes. Pour pallier cette vulnérabilité, l’ingénierie des fluides s’appuie désormais sur une modélisation computationnelle combinant des réseaux de neurones artificiels et des algorithmes d’ensemble empilés. Parallèlement, l’évaluation des paramètres d’influence confirme que la concentration massique dicte fondamentalement la topologie du réseau et la densité d’enchevêtrement, tandis que l’élévation du taux de cisaillement et l’agitation thermique exacerbent fortement la fluidification de la solution. L’intégration de ces mécanismes physico-chimiques au sein d’un méta-modèle optimisé génère une fidélité prédictive remarquable, supplantant largement les régressions statistiques traditionnelles. À l’inverse des approches heuristiques, la maîtrise de cette structuration algorithmique gère efficacement la forte asymétrie des données expérimentales tout en préservant une capacité de généralisation inédite face aux comportements non linéaires. La viabilité de ce procédé prédictif ouvre des débouchés industriels cruciaux pour le secteur de l’énergie, offrant une solution de rupture pour formuler rapidement des fluides d’injection sur mesure capables de garantir un balayage volumétrique optimal des gisements matures sans recourir à d’exhaustives campagnes de caractérisation.

https://www.nature.com/articles/s41598-026-41045-w