تطبيقات الذكاء الاصطناعي في الاستكشاف والإنتاج

تطبيقات الذكاء الاصطناعي في الاستكشاف والإنتاج

إن عدم اليقين في الطبقات تحت السطحية يكلف مالاً. فكل بئر جافة، وكل مكمن ضعيف التوصيف، وكل توقف غير مخطط له للضاغط هو قرار اتُخذ بمعلومات غير كاملة. لطالما حاولت فرق الاستكشاف والإنتاج تقليل عدم اليقين هذا من خلال استحواذ سيزمي أفضل، وتحليل بتروفيزيائي أدق، وتفسير أكثر صرامة لاختبارات الآبار. السؤال الحقيقي الآن: هل تقدم أدوات الذكاء الاصطناعي فعلياً تخفيضات ملموسة في عدم اليقين هذا، وأين تستحق تكلفتها مقابل أين تضيف تعقيداً دون فائدة متناسبة؟

تستعرض هذه المقالة المجالات التي نضجت فيها أساليب الذكاء الاصطناعي فنياً بما يكفي لنشرها، وما هي متطلبات البيانات والبنية التحتية التي تطلبها، وكيف يبدو برنامج التنفيذ الواقعي لأصل تشغيلي.

أين يتناسب الذكاء الاصطناعي في سير عمل الاستكشاف والإنتاج

تنقسم سلسلة القيمة في الاستكشاف والإنتاج إلى ثلاثة مجالات واسعة حيث يمتلك الذكاء الاصطناعي تطبيقات موثقة: علوم الأرض والاستكشاف، وحفر وبناء الآبار، وإدارة المكامن وتحسين الإنتاج. لكل منها خصائص بيانات مختلفة، ودورات قرار مختلفة، وتحمل مختلف لخطأ النموذج.

علوم الأرض والاستكشاف

يعد التفسير السيزمي مكثفاً حسابياً ويعتمد على المفسر. أثبتت الشبكات العصبية التلافيفية وبنى التعلم العميق ذات الصلة القدرة على اكتشاف الصدوع، وتصنيف السحنات، وتحديد الأجسام الملحية من الأحجام السيزمية 3D بسرعات لا يمكن للتفسير اليدوي مضاهاتها. وفقاً لمراجعة MDPI Applied Sciences للذكاء الاصطناعي في استكشاف وإنتاج البترول، يمكن لأساليب تعلم الآلة المطبقة على البيانات السيزمية تحسين التصوير الإنشائي تحت السطح ودعم تصنيف سحنات أكثر اتساقاً عبر مجموعات البيانات الكبيرة.

النتيجة العملية ليست أن الذكاء الاصطناعي يحل محل عالم الجيولوجيا. بل هي أن النموذج المدرب يمكنه معالجة حجم سيزمي كامل وتحديد الميزات المرشحة للمراجعة البشرية، مما يقلل الوقت الذي يقضيه المفسر الخبير في التعرف الروتيني على الأنماط ويوفر هذا الوقت للحكم الجيولوجي.

كما يتم تطبيق أطر الحوسبة المعرفية - التي تشمل تعلم الآلة، ومعالجة اللغات الطبيعية، والرسوم البيانية المعرفية - لدمج سجلات الآبار، وبيانات اللباب، وتاريخ الإنتاج، وقواعد بيانات الحقول المماثلة في وقت واحد. وجدت مراجعة عام 2026 نُشرت في Discover (Springer Nature) أن نهج الحوسبة المعرفية تظهر قيمة ملموسة في مهام توصيف المكامن حيث يلزم التوفيق بين تدفقات بيانات متعددة وغير متجانسة.

حفر وبناء الآبار

الحفر هو المكان الذي تترجم فيه الأحداث غير المخطط لها بشكل مباشر إلى تكاليف يومية ومخاطر على سلامة البئر. تشمل تطبيقات الذكاء الاصطناعي في هذا المجال ما يلي:

• تحسين بارامترات الحفر: نماذج في الوقت الفعلي توصي بتعديلات الوزن على الريشة، وسرعة الدوران، ومعدل التدفق للحفاظ على معدل الاختراق مع البقاء ضمن نطاق الطاقة الميكانيكية النوعية.
• اكتشاف استعصاء المواسير والرفسة: نماذج التعرف على الأنماط المدربة على بيانات الحفر التاريخية لتحديد علامات الإنذار المبكر في ضغط مواسير الوقوف، وعزم الدوران، واتجاهات السحب قبل تفاقم الحدث.
• مراقبة تآكل الريشة وصحة المعدات: بيانات الاهتزاز وأجهزة الاستشعار في قاع البئر التي يتم تغذيتها في خوارزميات اكتشاف الشذوذ لتقدير حالة الأداة دون سحب سلسلة الحفر.

يعد جودة البيانات قيداً عملياً. تولد مستشعرات الحفر بيانات سلاسل زمنية عالية التردد مع فجوات متكررة، وانحراف المستشعرات، وعدم اتساق في التصنيف بين الآبار ومنصات الحفر. أي نموذج ذكاء اصطناعي مدرب على هذه البيانات يرث تلك التناقضات. تدقيق البيانات قبل النشر ليس اختيارياً.

إدارة المكامن وتحسين الإنتاج

بمجرد دخول الحقل في مرحلة الإنتاج، يساهم الذكاء الاصطناعي في وضعين: تنبؤي وتوجيهي.

تُدرب النماذج التنبؤية - عادةً الشبكات العصبية المتكررة أو مجموعات تعزيز التدرج - على تاريخ الإنتاج، وأحجام الحقن، وبيانات الضغط للتنبؤ بسلوك البئر والمكمن. هذه النماذج تكمل، ولا تستبدل، محاكاة المكامن القائمة على الفيزياء. تميز مراجعة SciOpen (2025) حول تطبيقات وتحديات الذكاء الاصطناعي في استكشاف وتطوير النفط والغاز بين النماذج القائمة على البيانات، والتي تتميز بالسرعة ولكن استقراءها ضعيف خارج ظروف التدريب، والشبكات العصبية المستنيرة بالفيزياء، التي تدمج المعادلات الحاكمة وتعمم بشكل أفضل في ظل ظروف تشغيل جديدة.

يذهب الذكاء الاصطناعي التوجيهي إلى أبعد من ذلك: خوارزميات التحسين التي توصي بإعدادات الخانق، وتخصيص الحقن، وبارامترات الرفع الاصطناعي لتعظيم الاستخلاص على مستوى الحقل تحت القيود المفروضة.

مقارنة: نهج الذكاء الاصطناعي حسب التطبيق

الأرقام في هذا الجدول هي أوصاف نوعية فقط؛ لا تُنسب أرقام أداء دون مصدر مستشهد به.

المتطلبات الأساسية للبيانات والبنية التحتية

لا تؤدي نماذج الذكاء الاصطناعي أداءً أفضل من البيانات التي تدربت عليها. قبل الالتزام ببرنامج تنفيذ الذكاء الاصطناعي، يجب على الفرق تدقيق ما يلي:

1. اكتمال البيانات وتصنيفها: هل سجلات الآبار متطابقة مع العمق ومحددة بعلامات الجودة؟ هل تخصيصات الإنتاج موثوقة على مستوى البئر؟ هل بيانات الحفر موسومة بقمم التكوينات والليثولوجيا؟
2. تكامل المؤرخ (Historian) وأنظمة SCADA: تتطلب أنظمة الاستشارة بالذكاء الاصطناعي في الوقت الفعلي مسارات بيانات ذات زمن وصول منخفض. إن معماريات SCADA القديمة التي تصدر البيانات على دفعات في فترات زمنية طويلة غير متوافقة مع الاستشارات اللحظية للحفر أو تحسين الإنتاج.
3. حوكمة النماذج: من يملك النموذج؟ من يعيد تدريبه عند تغير ظروف الحقل؟ من لديه السلطة لتجاوز توصية النموذج، وكيف يتم تسجيل هذا التجاوز؟
4. الأمن السيبراني: يجب أن تمتثل أنظمة الذكاء الاصطناعي المتصلة بشبكات التكنولوجيا التشغيلية لإطار عمل IEC 62443 المعمول به لأمن أنظمة الأتمتة والتحكم الصناعي. إن توصيل محرك استدلال تعلم آلي (ML) قائم على السحابة بشبكة تحكم في الإنتاج دون منطقة عازلة (DMZ) مصممة بشكل صحيح يخلق سطح هجوم لم يكن موجوداً من قبل.

سيناريو توضيحي: إنذار مبكر لالتصاق الأنابيب في بئر موجه

فيما يلي سيناريو توضيحي تم بناؤه لاستعراض منطق القرار؛ وهو ليس مستمداً من حالة حقل محددة في المصادر المذكورة.

يراكم برنامج حفر موجه في حوض ناضج بيانات العزم والسحب عبر عدة آبار تم حفرها من خلال فاصل زمني معروف من الشيل التفاعلي. يتم تدريب نموذج التعرف على الأنماط على مجموعة البيانات التاريخية هذه، مع تسمية أحداث التصاق الأنابيب من قبل مهندسي الحفر الذين عملوا في تلك الآبار. يتعلم النموذج ربط الزيادات المستمرة في السحب الزائد (overpull) عند الوصلات، مقترنة بارتفاع ضغط أنبوب الوقوف (standpipe pressure) أثناء الدوران، مع الحالة التمهيدية التي سبقت أحداث التصاق الأنابيب في مجموعة التدريب.

في بئر لاحق، يحدد النموذج شذوذاً أثناء رحلة التنظيف (wiper trip) عبر نفس الفاصل الزمني. يقوم الحفار وممثل الشركة بمراجعة المعلمات المحددة، وتأكيد أن الاتجاه يتوافق مع النمط التمهيدي، ويختارون تدوير سائل الحفر (bottoms-up) وإضافة مادة تشحيم قبل المتابعة. تكتمل الرحلة دون وقوع حوادث.

القيمة لا تكمن في أن النموذج اتخذ القرار، بل في أن النموذج أظهر نمطاً قد يغفله طاقم مجهد في نوبة عمل طويلة، مما يمنح الموظفين المؤهلين وقتاً لتطبيق تقديرهم. ظلت سلطة القرار بيد فريق الحفر.

قائمة التحقق للتنفيذ

قبل نشر أي أداة ذكاء اصطناعي في أصول الاستكشاف والإنتاج، اعمل على ما يلي:

• [ ] اكتمل تدقيق البيانات: تقييم بيانات الإدخال من حيث الاكتمال والاتساق وجودة التصنيف عبر فترة التدريب المستهدفة.
• [ ] تحديد خط الأساس: توثيق مقاييس الأداء الحالية حتى يمكن إجراء مقارنة ما بعد النشر.
• [ ] فحص منطق الفيزياء: مراجعة مخرجات النموذج مقابل توقعات المبادئ الأولى؛ يتم تحديد المخرجات التي تنتهك توازن المواد أو سلوك المكمن المعروف للتحقيق فيها، ولا تُقبل تلقائياً.
• [ ] تحديد دور العنصر البشري: توثيق سلطة القرار وإجراءات التجاوز لكل توصية ناتجة عن الذكاء الاصطناعي يمكن أن تؤثر على سلامة البئر أو معدلات الإنتاج أو تخصيص الحقن.
• [ ] اكتملت مراجعة الأمن السيبراني: مراجعة مسارات البيانات بين شبكات التكنولوجيا التشغيلية وتكنولوجيا المعلومات مقابل متطلبات IEC 62443؛ لا توجد اتصالات مباشرة بالإنترنت لمؤرخي نظام التحكم دون بنية معتمدة.
• [ ] الاتفاق على جدول إعادة التدريب: تحديد شروط التحفيز لإعادة التحقق من صحة النموذج (مثل تغير تلامس سوائل المكمن، أو ربط بئر جديدة، أو عملية إصلاح بئر تغير تكوينها).
• [ ] توثيق وضع الفشل: إجراء محدد للعمليات التي يتم الرجوع إليها إذا كان نظام الذكاء الاصطناعي غير متاح أو أنتج مخرجات خارج النطاق.
• [ ] تأكيد التوافق مع اللوائح والتقارير: مراجعة تقديرات الاحتياطيات أو توقعات الإنتاج المدعومة بالذكاء الاصطناعي للامتثال لمعايير التقارير المعمول بها قبل الاستخدام الخارجي.

الخلاصة

تكتسب أدوات الذكاء الاصطناعي مكانة في عمليات الاستكشاف والإنتاج لأنها تتعامل مع الحجم والتعرف على الأنماط التي لا يستطيع المحللون البشريون الحفاظ عليها عبر مجموعات البيانات الكبيرة. تشترك التطبيقات الناضجة تقنياً — المساعدة في تفسير البيانات السيزمية، واستشارات معلمات الحفر، وتحسين الإنتاج — في خاصية مشتركة: فهي تعزز المهندسين المؤهلين بدلاً من استبدال التقدير الذي يقف وراء القرارات الهامة.

كما أن أوضاع الفشل متسقة عبر التطبيقات: بيانات تدريب ضعيفة، غياب حوكمة النموذج، والافتراض بأن النموذج الذي تمت معايرته على الظروف التاريخية سوف يستنبط بشكل موثوق في الظروف الجديدة. تقلل المعماريات القائمة على الفيزياء من هذا الخطر الأخير ولكنها لا تلغيه.

الخطوات التالية الفورية لفريق الأصول الذي يفكر في نشر الذكاء الاصطناعي:

1. إجراء تدقيق لجودة البيانات على مجموعة البيانات المحددة التي سيستهلكها النموذج قبل أي تعامل مع الموردين.
2. تحديد بروتوكول قرار "العنصر البشري في الحلقة" قبل تشغيل النموذج، وليس بعده.
3. البدء بمشروع تجريبي على بئر واحدة أو تطبيق واحد مع خط أساس موثق، ثم التقييم قبل التوسع.
4. إشراك فرق الأمن السيبراني والتكنولوجيا التشغيلية عند بدء المشروع، وليس عند التكامل.

لقد نضجت التكنولوجيا بما يكفي لدرجة أن تأجيل التقييم هو في حد ذاته قرار له تكلفة. الخطر ليس في اعتماد الذكاء الاصطناعي؛ بل في اعتماده دون انضباط البيانات وهيكل الحوكمة اللذين يحددان ما إذا كانت النماذج تعمل بالفعل على أصولك.