استخدام التعلم في تحديد الاحتياطيات المخفية في حقول البطولة

لماذا لا تزال (موريس فيلدز) تحتفظ بحجم الهيدروكربونات

بعد عقود من الانتعاش الأولي والثانوي، وتطور الحقول النضجية التي تنتج لأكثر من 20 عاماً تترك 60 إلى 80 في المائة من النفط الأصلي في المكان غير مسترد، والأسباب متأصلة في تعقيدات الخزانات، والاختلافات الخفية في الاختراق، والاختراق، والقابلية للبلاد، حواجز في التدفق تغلق جميع المقصورات من التكديس.

بيانات الإنتاج غالباً ما تحمل توقيع هذه المجلدات المتناغمة، قطع الماء الشهير، انحرافات الضغط غير المتوقعة، أو أنماط التدخل بين الآبار المتصورة في مقصورات غير مأهولة، ومع ذلك، فإن الربط اليدوي لآلاف الآبار بالخصائص الجيولوجية مهمة مستحيلة على نطاق واسع، فالتعليم الآلات تحول هذا التحدي من الصيد اليدوي إلى عملية منهجية لاكتشاف البيانات.

من الترجمة الشفوية إلى الكشف المتكامل عن البيانات

إن تحديد خصائص المستودعات التقليدية يتوقف على تجربة علماء الجيولوجيا وتحليلات لوجستية تستند إلى القواعد، وفي حين أن هذه الأساليب فعالة في رسم الخرائط على نطاق واسع، فإنها لا تستوعب العلاقات الرفيعة المستوى وغير الخطية المتأصلة في البيانات دون سطح الأرض، فإن التليف الجيوفيزيائي قد يجمع بين بعض الخصائص السيزمية التي تعوض عن الرمال، ولكن الصلة بين الكم الكبير والدرجة العالية ونوعية المستودعات نادرا ما تكون خطية.

وتقلب التعلم الماكنة تدفق العمل من " الترجمة الشفوية ثم الاندماج " إلى " التكامل ثم التفسير " ، وتعطيل الخوارزميات جميع البيانات المتاحة في وقت واحد، والخصائص السيزمية اللاحق، وجمعات ما قبل الوجبات، وقياسات جيدة، ومقاييس أساسية، ومعدلات إنتاجية ضغط، وتقارير حفر، وحتى تشكيلة من العلامات المفسرة - وتحدد الأنماط المتعددة الأبعاد المتبقية

تقنيات التعلم الرئيسية للكشف عن الاحتياطيات المخفية

إن اختيار الخوارزمية الصحيحة لمشكلة الترسب تحت سطح الأرض أمر حاسم، فالفن يكمن في مطابقة نموذج التعلم لنوع البيانات والسؤال المطروح، مع احترام المبادئ الجيولوجية الأولى.

التعليم المشرف على صلاحية الممتلكات الاحتياطية

وعندما تكون البيانات المسمومة موجودة - وهي متجانسات قياسية أساسية، أو قابلة للاشتعال، أو سائل مشبع من تحليلات السجلات - نماذج مرصودة للخرائط، وملامح مستمدة من الأخشاب، وأجهزة تعزيز حرجية ومتطورة (المتمثلة في مقياس للحجم الثابت، والحجم الخفيف) تؤدي بشكل جيد إلى بيانات متغيرات عديدة في حجم المدخلات لأنها تستوعب بصورة طبيعية قيماً غير مأمونة.

فعلى سبيل المثال، يمكن لنموذج للتعلم العميق مدرب على الاختلافات السيزمية 4D أن يتوقّع مباشرة مناطق النفط المتغلغل بمعرفة العلاقة بين التغيرات في الطول الزمني والأحجام المنتجة، وهذه التقنية قوية بوجه خاص عندما تقترن ببيانات تخصيص الإنتاج التي تشير إلى أن فترات الانتعاش قد ساهمت إلى حد كبير في الاسترداد التراكمي.

تجميع غير مشرف على نوع الجنس وتحديد المقارنات

وفي كثير من الميادين الناضجة، لم يكن هناك أي أمثلة على وضع نموذج يشرف عليه، وكانت التقنيات غير الخاضعة للرقابة مثل الكميانات أو الدي بي سيان أو خرائط ذاتية التنظيم، مثل أنواع الزائفة المتعددة الخصائص أو الاستجابات ذات المقاييس دون علامات مسبقة، وعندما تكون المجموعات أكثر من بيانات الإنتاج، فإن بعض المظاهرات المتشابكة تظهر باستمرار وجود إنتاج تراكمي.

ومن البدائل الفعالة بوجه خاص نموذج الخليط الغوسي الذي لا يخصص كل نقطة فقط للمزيجات بل يوفر أيضا احتمالا بأن يكون التوزيع صحيحا، وهذا التقدير غير المطمئن مفيد بصورة مباشرة لمخاطر آبار الدفن، وفي دراسة واحدة للحوض الفارسي، حدد تجميع الآلية العالمية لبيانات متعددة الأنواع من الخشب الجيد وجود برنامج عالي التطور، وموجات من الازدهار المنخفض، كان قد تم إعداده في وقت سابق.

Semi-Supervised and Transfer Learning for Data-Scarce Settings

وثمة حاجز رئيسي في الحقول البنية هو ندرة البيانات ذات النوعية العالية التي تحمل علامات عالية، ويعزز التعلم شبه المشرف عددا صغيرا من فترات التسمية (مثلا، السماعة الأساسية من بضعة آبار) إلى جانب كميات كبيرة من البيانات غير الموسومة أو بيانات الزلازل لتحسين التنبؤات، وهذا مفيد بصفة خاصة عندما تكون البيانات الأساسية الجديدة محدودة ولكن آلاف الآبار ذات الحدود الأساسية القائمة.

ويمتد هذا المفهوم ليشمل مرحلة ما قبل التدريب نموذجاً على أرضية ملهقة غنية بالبيانات، مثل نظام إيداع مماثل في نفس الحوض، ثم يحسن دراسته في الميدان المستهدف مع عدد قليل من العينات الملصقة، ويمكن لهذه التقنية أن تسرع في البحث عن احتياطيات مخبأة في ميادين تكون فيها البيانات القديمة وفرة ولكن غير مرقمة، وتُنقل المعرفة الجيولوجية بصورة فعالة إلى أحواض جديدة،

إدماج البيانات المجزأة: سرقة ثقيلة التي تحقق نتائج

ولا ينجح مشروع للتعلم الآلي بدون أساس بيانات متينة، فالبيانات الميدانية المميزة تقام في أشكال مختلفة: فالسجلات المتطورة في ملفات نظام المحاسبة المحاسبي، وبيانات الإنتاج في قواعد بيانات الشركات SQL، والزلزال في نظام SEG-Y، والتقارير التي تُستعان بها بأجهزة PDF، ويجب أن تكون المرحلة المكثفة من معالجة البيانات، ومراقبة الجودة، والتطبيع إلزامية.

وكثيراً ما تفصل هندسة المعالم عن نموذج متوسط يغيّر حقاً ميدانياً، وبدلاً من تغذية السمات الخام، يتعاون علماء الفيزياء والبيانات على بناء سمات مستمدة من علم الفيزياء: نسبة صافية إلى إجمالية، ومؤشر جودة الخزان، والمسافة إلى السطح المقيد الرئيسي، والوضع المتداخل في سلسلة من المراحل.

دراسات الحالات: احتياطيات حقيقية لتوليد التعلم

وقد تجلى ذلك في مثال مقنع من بحر الشمال، حيث اعتبر ميداناً انتُج لمدة 25 عاماً هامشياً للمزيد من الحفر في المكبائن، وقد أدمجت مبادرة تعلم الآلات فروقاً في الزلازل، وسجلت في سجلات البئر التاريخية، و30 عاماً من بيانات الإنتاج، وتلقى نموذجاً من طراز XGBoost معدل إنتاج النفط التراكمي كوظيفة من حيث تحديد المواقع الجيولوجية وبارامترات الإنجاز.

وبالمثل، استخدم المشغلون في حوض بيرميان شبكات جديدة للثورة على 3D seismic لتحديد الأجر المفقود في التطورات التي حدثت في المقاعد المكبوتة، ومن خلال التدريب على سجلات الإنتاج التي تحدد فترات المساهمة، تعلمت الشبكة العصبية التوقيع السيزمي على قطع الأشجار المنتجة ذات الغطاء النحيلي إلا على بضعة أقدام سميكة فوت عمليات استخراج المعادن السابقة.

وهناك حالة قاهرة أخرى تأتي من حقل نضجي على الشاطئ في غرب أفريقيا، حيث تجمعت مجموعات غير خاضعة للرقابة على بيانات سيزمية متعددة الخصائص مع تراجع مشرف على سجلات الآبار، حددت سلسلة من الفصائل الدوارة المعزولة التي تجاوزتها أنماط المياه السابقة، وأضيف برنامج التعبئة ML-guided infill أكثر من 8 ملايين برميل من محميات حسابية مفصَّلة بنسبة 90 في المائة.

استحقاقات ما بعد الاكتشاف: التكلفة، الاستدامة، تمديد الحياة الميدانية

ويعزز تحديد الاحتياطيات الخفية مباشرة عوامل الاسترداد بنسبة تتراوح بين 5 و 15 نقطة مئوية في الميادين التي تطبق إعادة التقييم المنتظمة التي تحركها حركة تحرير الكونغو، ويزداد المضاعف الاقتصادي تضخماً لأن هذه الاحتياطيات تقع في إطار الهياكل الأساسية القائمة، وينتج برميل جديد من تكاليف ميدانية ناضجة جزءاً من تطوير تكاليف الإيجار القائمة على أساس الحقول الخضراء، والتشييد، ومصروفات المرافق الجديدة، ويترجم انخفاض كثافة رأس المال إلى قيمة صافية للبرميل، حتى بأسعار زهيدة.

إن توسيع حياة الحقل يقلل من الحاجة إلى استكشاف جديد في المناطق الحساسة، كل برميل يسترد من آباره موجودة لديه أثر كربوني أقل مقارنة بالحفر وإكمال الآبار الجديدة من الخدش، بالإضافة إلى أن التعلم الآلي يؤدي إلى الحد الأمثل لأنماط حقن المياه والغاز، ويقلل الطاقة اللازمة لمعالجة السوائل المنتجة، ويمكن للمشغلين أن يرتبوا أولويات الأهداف التي تتطلب الحد الأدنى من الاضطرابات السطحية، مع تحقيق أهداف ESG مع الحفاظ على الإنتاج.

وعلاوة على ذلك، كثيرا ما تحدد إعادة التقييم التي تقودها حركة تحرير الكونغو الفرص التي سبق فصلها على أنها غير اقتصادية، وبتحسين دقة تقديرات الحجم والحد من مخاطر الحفر، يمكن للمشغلين تقييم وتطوير تراكمات صغيرة ستظل لولا ذلك مقيدة، مما يتوافق مع الاتجاهات العالمية نحو تحقيق أقصى قدر من استخدام الأصول وتقليل الأثر البيئي إلى أدنى حد.

مواجهة التحديات: البيانات، والقابلية للتنبؤ، والثقافة

ورغم الوعود، لا تزال الحواجز قائمة، فالتفاوت بين البيانات هو العقبة الرئيسية، إذ يفتقر العديد من الميادين الناضجة إلى سجلات حديثة كثيفة للبيانات - التكوين الكامل للكيمياء، وسجلات الوصل الوطنية، و3D للزلازل التي تحتوي على أكوام زاوية - ضرورية للتدريب على نماذج موثوقة، وتشمل حالات التخفيف استيراد بيانات عن الأنامش من أجهزة مماثلة للمستودعات، مما يولد بيانات عن طريق الفيزياء الأرضية.

ولا تزال إمكانية التفسير النموذجية تشكل نقطة تحول دون اعتمادها، فتوصية " صندوق أسود " بحفر 10 ملايين دولار لن تجتاز مجلس القرار دون تبرير جيولوجي، وتكنولوجيات مثل " SHAP " (SHapley Additive exPlanations) و " LIME " (الإطار المنطقي غير القابل للتنبؤ) تساعد على ترتيب مساهمات خاصة وتبين مدى تأثير كل مجال من المناطق ذات سمات على التنبؤات التنبؤات.

فالتكامل الثقافي مهم تماماً، وأفضل النتائج تأتي من أفرقة متعددة التخصصات حيث يتشارك علماء الهندسة والمهندسون وعلماء البيانات في تطوير نماذج بعضهم البعض ويتحدون من افتراضات بعضهم البعض، وقد أنشأت المنظمات التي تعامل التعلم الآلي كأداة لتعزيز الخبرة البشرية - لا تحل محله - نظرة أسرع لاعتماده ونتائج أكثر قوة، كما أن برامج التدريب التي تزيد من مهارات علماء الهندسة في مجال محو الأمية في البيانات تعجل بهذا التحول.

بناء تدفق مستدام للعمل في مجال التعلم في مجال الآلات

إن الإطار الذي يمكن تكراره ضروري لزيادة النجاح، إذ تحدد الخطوات التالية نهجاً ثبتت جدواه يستخدمه العديد من المشغلين في جميع أنحاء العالم:

1 - التعريف الموضوعي ومراجعة البيانات

:: تحديد مسألة الأعمال بوضوح: هل نبحث عن النفط المغمور في المقابر غير المأهولة، أو نحقق الاستخدام الأمثل للمواقع الصالحة للتعبئة، أو تحديد المرشحين لإعادة التشغيل؟ ثم جرد جميع البيانات المتاحة: رؤساء جيدون، دراسات استقصائية للانحراف، سجلات للنفاذ، تحليلات أساسية، أحجام سيزمية، تاريخ إنتاج الحقن، بيانات ضغط، تفسيرات جيولوجية.

٢ - تنظيف البيانات والهندسة المطبعية

وتطبيع الأعماق، وتطبيع السجلات، وتزيل المخارج، وسد الثغرات باستخدام أساليب التوعية بالمجالات، وتخلق سمات مشتقات مثل سمك الأجر الإجمالي، ومتوسط السمعة في المنطقة المستهدفة، وقطع المسافة إلى أقرب مكان، وحقن السوائل التراكمية في الآبار المحيطة، وتدمج السمات الدينامية: المنحدرات من اتجاه إلى خفض المياه، ومعدل تطور أسعار الصرف، والتوقيع على الضغط، وكثيرا ما تكتشف هذه الخطوة جيدا قضايا جودة البيانات

3- الاختيار النموذجي والتدريب

اختيار أسرة نموذجية تناسب هدف البيانات والتنبؤات: بالنسبة للتنبؤ بالممتلكات المكانية، فإن الأشجار المزروعة من الدرجة أو الشبكات العصبية تعمل بشكل جيد، من أجل تحديد التجمعات الطبيعية، واستخدام نماذج التكتلات أو الخلائط الغازية، وتقسيم البيانات دائماً حسب الحسن أو بقطع الخطأ لتجنب التسرب المكاني الذي يضخم تقديرات الدقة.

4- التفسير وتقييم المخاطر

● تقييم عدم اليقين باستخدام الانحدار الكمي، أو ترك مونت كارلو، أو سحب الأحذية لإنتاج خرائط الاحتمالات بدلاً من أفضل تخمينات، والتنبؤ المفرط بالثقة في الخرائط المستهدفة: إن الموقع المرتفع الاحتمالات الذي يتسم بارتفاع مستوى الثقة بقلة النماذج يبرر المزيد من اقتناء البيانات - وهو نموذج تجريبي أو تحليل أكثر تفصيلاً للخصائص السيزمية - قبل الالتزام ببئر كامل للتنمية.

5 - النشر والرصد

- وضع النموذج في أداة سهلة الاستعمال - في كثير من الأحيان، في إطار برامجيات الترجمة الشفوية القائمة مثل بيتريل أو تكنولوجيا أو أو عالمي فتح - سو جغرافيا يمكن أن يكشفوا نتائج تفاعلية، حيث يتم حفر آبار جديدة والحصول على بيانات جديدة، وإعادة تدريب النموذج تلقائيا أو على أساس مقرر، ورصد أخطاء التنبؤ بالتنبؤات لكشف الانجرافات النموذجية، التي قد تشير إلى تغيرات في المستودعات الدينامية.

The Path Forward: AI-Augmented Reservoir Management

وقد تتدهور عملية التعلم من الآلات في دورة الحياة الإدارية للمستودعات، وستكثف التطورات المقبلة هذا التكامل، ويمكن للشبكات الميكانيكية المستنيرة التي تحل معادلة التفاضلية الجزئية، مع وضع بيانات مراقبة، أن تؤدي إلى زيادة الاعتماد على مجموعات البيانات المسمّاة بالتنبؤات الكبيرة، وأن تضمن استمرار التنبؤات بظاهرة التدفق المتناهيج، كما أن شبكات التنويم الإبداعي يمكن أن تخلق مجموعاتاً واقعية من التدريب على الاصطناعي.

وعلاوة على ذلك، فإن الحوسبة السحابية وتوحيد البيانات يُعززان عملية إضفاء الطابع الديمقراطي على هذه القدرات، وسيتمكن المشغلون الصغار والمتوسطة الحجم من الحصول على الأدوات التي تُخصص مرة واحدة للرؤساء، كما أن المكتبات المفتوحة المصدر مثل شبكة التعلم، وشركة تينسور فلو، وشركة بي تورتش، إلى جانب منابر محددة للمجالات مثل ].

:: تطوير تعليم الآلات كعملية استراتيجية

إن استخدام التعلم الآلي لتحديد الاحتياطيات الخفية في الميادين الناضجة قد تجاوز المشاريع الرائدة في التطبيق الرئيسي، وهو يعالج التحدي الأساسي للصناعة: القيام بالمزيد من الأصول الموجودة مع الحد من الآثار البيئية، والمشغلون الذين يدمجون الأجهزة في عمليات إعادة التقييم الموحدة لديهم، يكتشفون الاحتياطيات التي تتجاهلها تدفقات العمل السابقة، ويمتدون الحياة الميدانية، ويولدون عائدات كبيرة على الاستثمار، ويحتاجون إلى الاستثمار في البنية التحتية للبيانات، وفي أفرقة الاسترداد المتعددة التخصصات، وفي إدارة الجائزة الكبرى،