أثر التعلم في مجال الصناعات التحويلية على استراتيجيات استرداد النفط على الوجه الأمثل

مقدمة: بوابة البيانات - الجريفين في مجال استرداد النفط

وقد اعتمدت صناعة النفط والغاز منذ وقت طويل على النماذج الفيزيائية والخبرة البشرية لتوجيه استراتيجيات الاسترداد، غير أن تزايد توافر البيانات تحت سطح الأرض العالية الاستبانة، وتغذية أجهزة الاستشعار في الوقت الحقيقي، وتاريخ الإنتاج فتح الباب أمام نهج جديد: التعلم الآلي، ومن خلال تطبيق الخوارزميات التي تتعلم مباشرة من البيانات، يمكن للمشغلين أن يكشفوا عن أنماط تفتقدها الأساليب التقليدية، مما يؤدي إلى حدوث تحولات أكثر دقة في النظام واتخاذ قرارات أسرع.

ولا يحل التعلم في مجال الآلات محل المعارف المتعلقة بالمجالات؛ بل يصفها، وعندما يجمع علماء الجيولوجيين والمهندسون فهمهم لفيزياء الخزانات مع قوة التعرف على النمط للخرفوريات، فإن النتيجة هي خطة أكثر قوة وتكيفا للانتعاش، ويقاس الأثر: عوامل الانتعاش النهائية الأعلى، وتكاليف التشغيل المنخفضة، وانخفاض البصمات البيئية، مع تسارع التحول في الطاقة إلى تحقيق الاستدامة الأمثل.

فهم التعلم في مجال استخراج النفط

ويشمل التعلم في مجال استخراج النفط تدريب نماذج حاسوبية على البيانات التاريخية والبيانات في الوقت الحقيقي لأداء مهام مثل التصنيف، والتراجع، والتجميع، والكشف عن الشذوذ، وتتعلم هذه النماذج العلاقات بين متغيرات المدخلات - مثل الخلاعة، والقابلية للشرب، ومعدلات الحقن، وأهداف الضغط والإنتاج مثل معدلات إنتاج النفط أو خفض المياه، ويمكنها، بمجرد التدريب، أن تُحدث تنبؤات بشأن البيانات الجديدة غير النشطة بدلاً من أن تكون متاحة في الميدان.

تقنيات التعلم الرئيسية

• Supervised Learning]: Used for regression and classification tasks. For example, predicting oil flow rates from well logs or classifying rock types from seismic attributes.
• Unsupervised Learning]: Applied to cluster similar reservoir zones or detect outliers in sensor data. K-means, DBSCAN, and autoencoders help identify sweet spots or anomalous pressure behavior without labeled training data.
• Reinforcement Learning]: An emerging technique for optimizing sequential decisions, such as adjusting injection and production rates over time to maximize recovery. The algorithm learns opt policies through trial and error in a simulated environment.
• Deep Learning]: تستخدم الشبكات العصبية المتكررة واللغوية في تفسير الصور الزلزامية والتنبؤ بسلاسل زمنية، على التوالي، ويمكن لهذه النماذج أن تلتقط تفاعلات معقدة وغير خطية تفوت نماذج أبسط.

مصادر البيانات والتحديات التي تواجه التجهيز الأولي

ويتوقف نجاح أي مشروع للتعلم الآلي على نوعية وكمية بيانات المدخلات، ففي مجال استرداد النفط، تأتي البيانات من مصادر متعددة: الدراسات الاستقصائية للزلازل، وسجلات البئر، والعينات الأساسية، وتاريخ الإنتاج، والضغط، وقياسات درجات الحرارة، وحتى الصور الساتلية، ويجب أن يكون كل مصدر هو نفسه، وتواتر العينات، وخصائص الضوضاء، وقبل أن يغذي هذه البيانات في نموذج، يجب على المهندسين أن ينظفوا قيمهم وينسقوها 60 خطوة.

التطبيقات الأساسية لتعلم الآلات في مجال استرداد النفط

ويؤثر التعلم في الآلات على كل مرحلة تقريبا من مراحل دورة حياة استرداد النفط، بدءا من الاستكشاف عن طريق التخلي عنها، ويقل هذا التعليم عن المناطق الأكثر تأثيرا في التطبيقات، وكلها مدعومة بأمثلة وأبحاث في مجال الصناعة.

تصنيع الخزان والنمذجة

(أ) نماذج المستودعات الدقيقة هي أساس الاسترداد الأمثل، وقد يقوم على أساس تقليدي ببنائها أخصائيون جيولوجيون يترجمون بصلبية يدوية أفقية وسجلات جيدة، ثم يزودون شبكة ثابتة بتقديرات الممتلكات.() وقد يتسارع التعلم في مجال الآلات ويصقل هذه العملية، مثلاً، يمكن أن تجزأ نماذج التعلم العميق أحجاماسيس سيزمية في جواهر ذات دقة عالية، مما يقلل من وقت الترجمة الشفوية من أسابيع إلى ساعات منشورة(22).

وعلاوة على ذلك، تستخدم شبكات النزعات السخية لإيجاد عمليات عالية الاستبانة لممتلكات الخزانات، مما يتيح قياس كمية عدم التيقن في جزء من الوقت الذي تتطلبه الأساليب التقليدية للإحصائيات الجغرافية، مما يتيح للمشغلين إدارة آلاف المحاكاة التدفقية واختيار أكثر خطة التنمية قوة.

الإنتاج الأمثل والتنبؤ

فبمجرد أن يكون الميدان في مجال الإنتاج، يجب على المشغلين أن يقرروا في أماكن الاختناقات، ومعدلات الحقن، وجداول العمل، ويمكن لنماذج التعلم في مجال الآلات أن تتوقّع معدلات الإنتاج قبل أشهر أو سنوات بالتعلم من الاتجاهات التاريخية والظروف الراهنة، فعلى سبيل المثال، فإن شبكة طويلة الأجل للذاكرة (LSTM) التي تدرّب على النفط اليومي والغاز ومعدلات المياه إلى جانب ضغط الثقوب السفلي يمكن أن تتن على أحداث انطلاق في المياه بما يكفي من أجل تعديل معدلات الاسترداد الأمثل.

وتساعد هذه النماذج أيضاً في تحديد الآبار التي تقلل الأداء، إذ يمكن للمهندسين، عن طريق تجميع آبار قائمة على منحنىات انخفاض الإنتاج وممتلكات الخزانات، أن يحددوا بسرعة مرشحين للتدخل - مثل محاكاة الحمض أو كسر الهيدروليك - دون الحاجة إلى استعراض يدوي كامل.

الصيانة الافتراضية لمعدات الثقوب السفلية

(ب) إن إخفاق المعدات هو مصدر رئيسي للتعطل غير المخطط له وضياع الإنتاج، إذ يمكن للمضخات الكهربائية المغمورة، وصمامات رفع الغاز، وأجهزة الخنق بالثقل أن تكون عرضة بشكل خاص، ويمكن أن تُتوقع نماذج التعلم من نوع بيركين التي تم تدريبها على سجلات الفشل التاريخي وبيانات الاستشعار في الوقت الحقيقي (الاحترار، ودرجة الحرارة، والسحب الحالي) أيام الفشل الوشيكة أو حتى أسابيع قبل موعدها.

التدفئة على المستوى الأمثل

فالحفر نشاط عالي التكلفة ومخاطرة حيث يحسب كل ساعة، ويمكن لنماذج التعلم الماكنة أن توصي بالوزن الأمثل على السرعة الدوارة، وعلى الخواص الطينية لتحقيق أقصى معدل من التغلغل مع التقليل إلى أدنى حد من ارتداء الأنابيب المحصورة وخطرها، ويبشر بالخير هنا بشكل خاص: فالمقياس الذي يعوض عن البيانات في مجال قياسات الحفر في الوقت الحقيقي القريب، ويكيف باستمرار معالمحافظة على الأداء الأمثل.

تعزيز عملية استرداد النفط

ومن بين أساليب التغيير مثل نهب المياه، وحقن ثاني أكسيد الكربون، والفيضانات المتعددة المردودة الديناميات المعقدة التي يصعب تحقيقها يدويا، ويمكن للتعلم من الآلات أن يُمثل استجابة السوائل الخزانية لمخططات الحقن، ثم يوصي بمعدلات الحقن وأنماط حسنة تزيد من كفاءة استخدام النفط، وعلى سبيل المثال، فإن الشبكة العصبية المتكررة التي تُدرَّب على بيانات التعقب والوصل بين البيوت يمكن أن تخسر علامات التدفق المبكر.

الاستحقاقات الكمية والتبني الصناعي

ولا تتحقق فوائد التعلم الآلي في مجال استرداد النفط نظرياً في ميادين حول العالم، وقد خلصت دراسة شاملة من قبل المركز إلى أن شركات النفط والغاز التي تستثمر بشدة في شركة AI حققت تخفيضاً بنسبة 15 في المائة في نفقات التشغيل وزيادة بنسبة 5 في المائة في استرداد الهيدروكربونات في المتوسط، وتأتي الفوائد البيئية من زيادة الكفاءة: انخفاض الآبار المثقبة، وانخفاض المياه والطاقة المستهلكة للبرميل الواحد، وانخفاض انبعاثات غازات الدفيئة.

دراسة حالة: استخدام شركة إكينور للشركة في ميدان يوهان سفيردراب

Equinor has integrated machine learning into its operations on the huge Johan Sverdrup field in the North Sea. By using predictive models for Sand production and water breakthrough, the company optimized well placement and production rates, contributing to a recovery factor exceeding 700% - one of the highest in the world for a carbonate reservoir. The models continuously ingest new data, allowing the field development plan to adapt over time0. [FL]

دراسة حالة: برنامج الإعالة الافتراضي في شيفرون

ونشرت شركة شيفرون منصة للتعلم الآلي لرصد برامج التعليم الإلكتروني في جميع ميادينها في حوض ميدلاند، وخفضت منصة التعليم غير المخطط لها بنسبة 30 في المائة، وخفضت تكاليف الصيانة بنسبة 20 في المائة، وتجنبت شركة شيفرون، بتنبؤها بالفشل في وقت مبكر، أكثر من 000 100 برميل من مكافئات الإنتاج المفقود في سنة واحدة.

التحديات والحدود

ورغم هذه النجاحات، فإن الاعتماد الواسع النطاق للتعلم الآلي في مجال استرداد النفط يواجه عدة عقبات، ولا بد من التصدي لها لفتح كامل إمكانات التكنولوجيا.

نوعية البيانات والتكامل

وهناك العديد من الميادين القديمة التي تخزن فيها البيانات في أشكال غير متسقة وقواعد بيانات مائلة، بل إن الميادين الحديثة تولد كميات هائلة من بيانات الاستشعار التي يجب تجميعها وتنظيفها ورسمها بدقة، وبدون بيانات عالية الجودة، فإن النموذج الأكثر تقدما سينتج توقعات لا يمكن الاعتماد عليها، وأطر إدارة البيانات والتحقق من الجودة آليا أصبحت ممارسة معيارية، ولكن الاستثمار المباشر يمكن أن يكون كبيرا.

القدرة على التفسير والتقدير

ويُدرب المهنيون في مجال النفط والغاز على نماذج قائمة على الفيزياء يمكن تفسيرها من حيث القوانين الأساسية، وكثيرا ما يُنظر إلى نماذج التعلم الآلاتي، ولا سيما الشبكات العصبية العميقة، على أنها " صناديق زراعية " ، وهذا الافتقار إلى التفسير يجعل من الصعب الحصول على موافقة تنظيمية أو شراء من المهندسين.

الحواجز التنظيمية وقائمة المهارات

ويتطلب بناء قدرة فعالة على التعلم الآلي فريقا من علماء البيانات ومهندسي البرامجيات وخبراء المجالات الذين يمكنهم العمل معا، ويواجه العديد من شركات النفط والغاز فجوة في المواهب في هذا المجال، وعلاوة على ذلك، يلزم إجراء تحول ثقافي للانتقال من اتخاذ القرارات الحاسمة إلى نهج مُعَلَّمة بالبيانات، وقد أثبتت المشاريع الرائدة ذات الأثر التجاري الواضح والمُقَدَّر فعالية في بناء الدعم الداخلي وجذب الاستثمار.

التوقعات المستقبلية والاتجاهات الناشئة

ويتطور ميدان التعلم الآلي لاسترداد النفط بسرعة، وسيشكل العديد من الاتجاهات العقد المقبل للتنمية.

التكامل مع النماذج الفيزيائية - البازغة

وبدلا من معالجة التعلم الآلي كأداة قائمة بذاتها، تتجه الصناعة نحو نماذج هجينة تجمع بين نقاط قوة المحاكاة القائمة على الفيزياء والتعلم القائم على البيانات، ويمكن لهذه النماذج أن تستقراء خارج البيانات التدريبية، مع التعلم من الملاحظات لتصحيح التحيز المنهجي، فعلى سبيل المثال، قد يستخدم نموذج مختلط جهاز محاكاة للأشعة المحتوية على الصبغة الكاربية لتوفير خط أساس مادي.

تحليلات الحاسوب والالوقت الحقيقي

ومع أن أجهزة الاستشعار تصبح أرخص وأكثر قوة، فإن القدرة على تجهيز البيانات عند الحافة على الحافة أو عند مستوى الرؤوس الكبيرة قد تزداد، ويمكن أن تدار نماذج التعلم الماكنة على أجهزة متنقلة لتوفير إنذارات أو إجراءات رقابة فورية دون الاعتماد على صلة السحاب، وهذا أمر ذو قيمة خاصة بالنسبة للموجودات النائية أو البحرية التي تكون فيها النطاق الترددي محدودا، كما أن النماذج القائمة على أساس العمر لرصد نظام الأفضليات البيئية متاحة بالفعل تجاريا.

العمليات الميدانية المستقلة

والرؤية النهائية هي مجال مستقل تماماً حيث تُفضّل الخوارزميات التعليمية الآلاتية إلى أقصى حد من كل جانب من جوانب الإنتاج، والإكمال، والحقن، والنفقة - في الوقت الحقيقي، وفي حين أن الاستقلال الذاتي الكامل لا يزال قائماً منذ سنوات، فإن الاستقلال الذاتي الجزئي آخذ في الظهور، فعلى سبيل المثال، يجري تجريب نظم مراقبة القاع المغلقة التي تُعدّل معدلات رفع الغاز استناداً إلى الأداء الحقيقي في خليج المكسيك، وتُقلل هذه النظم من الحاجة إلى التدخل البشري وتستجيب بسرعة لتغيير الظروف.

طلبات الحصول على الكربون وتخزينه

كما أن التعلم في مجال الآلات هو إيجاد تطبيقات في مجال احتجاز الكربون وتخزينه، وهو تكنولوجيا تتقاسم الكثير من المبادئ المادية مع استعادة النفط، ورصد هجرة ثاني أكسيد الكربون، والتنبؤ بسلامة الخزانات، وتحسين معدلات الحقن، كلها مشاكل تتناسب تماما مع النماذج التي تحركها البيانات، ويمكن للشركات التي تبني قدرات قوية في مجال استرداد النفط أن تستغلها في مجال احتجاز ثاني أكسيد الكربون، بما يكفل أهميتها في المستقبل المنخفض الكربون.

خاتمة

وقد انتقل التعلم في مجال الآلات إلى مرحلة ما بعد المرحلة التجريبية، وهو الآن يحقق تحسينات ملموسة في مجال استرداد النفط على النحو الأمثل، فمن خلال نماذج المستودعات المعززة إلى الصيانة المتوقعة ومراقبة العمليات في الوقت الحقيقي، تمكن التكنولوجيا المشغلين من الحصول على قيمة أكبر من الأصول الموجودة مع الحد من التكاليف والأثر البيئي، ولا يعتمد أي نموذج أو خوارزمية فضية على إعداد بيانات دقيقة، وإدماجها في الخبرة الفنية في المجال، والالتزام بمواصلة التحسين.

ونظراً لأن الصناعة تواجه ضغوطاً لإنتاج الطاقة على نحو أكثر كفاءة واستدامة، فإن التعلم الآلات يوفر مجموعة قوية من الأدوات لمواجهة هذه التحديات، فالشركات التي تستثمر في بناء القدرات المناسبة ستكون الآن في أفضل وضع يمكنها من أن تزدهر في العقود المقبلة، وتلك التي تؤخر المخاطر التي تتخلف في مجال تُحدّد فيه كل نقطة مئوية من نقاط الانتعاش وكل دولار من مسائل تكاليف التشغيل، ومستقبل استرداد النفط هو دافع للبيانات، والوقت الذي يستغرقه هذا التحول الآن.