الذكاء الاصطناعي في عمليات النفط والغاز: الانتقال من الأسلوب التفاعلي إلى التنبؤي

الذكاء الاصطناعي في عمليات النفط والغاز: الانتقال من الأسلوب التفاعلي إلى التنبؤي

إن أعطال المعدات غير المخطط لها في عمليات المنبع والمصب لا تعلن عن نفسها في أوقات مناسبة. فقد يتوقف ضاغط طرد مركزي فجأة في الساعة 02:00، أو يعلق صمام تحكم في خط أنابيب أثناء موجة ضغط، أو يبدأ خط تدفق بحري في إظهار مؤشرات مبكرة لتكون الهيدرات خلال نافذة جوية معينة. كل حدث من هذه الأحداث يحمل تكلفة: إنتاج مؤجل، وتعبئة طوارئ، وتعرض محتمل لمخاطر السلامة، ورقابة تنظيمية. المشكلة الأساسية هي أن الرصد التقليدي يخبرك بما حدث بالفعل، وليس بما هو وشيك الحدوث. إن الذكاء الاصطناعي، عند تطبيقه بشكل صحيح على بيانات العمليات والمعدات، يزيح تلك الحدود — ولكن فقط عندما يتم دمجه مع الممارسة الهندسية السليمة، لا وضعه فوقها فحسب.

ما يفعله الذكاء الاصطناعي فعلياً في سياق العمليات

يغطي مصطلح "الذكاء الاصطناعي" نطاقاً واسعاً من التقنيات. بالنسبة للمهندسين الممارسين، فإن المجموعة الفرعية ذات الصلة ضيقة ومحددة:

• كشف الشذوذ عبر تعلم الآلة (ML) — خوارزميات مدربة على بيانات المستشعرات التاريخية للإبلاغ عن الانحرافات عن السلوك الطبيعي المتعلم قبل اختراق حد الإنذار الصارم.
• الشبكات العصبية المستنيرة بالفيزياء (PINNs) — نماذج تدمج العلاقات الهندسية المعروفة (توازن الكتلة، الديناميكا الحرارية، ميكانيكا الموائع) في هيكل التعلم، مما يقلل من حجم بيانات التدريب المطلوبة ويحسن موثوقية الاستقراء.
• معالجة اللغات الطبيعية (NLP) على سجلات الصيانة — تحليل تاريخ أوامر العمل، وتقارير التفتيش، وسجلات المشغلين لإظهار أنماط الأعطال المتكررة التي قد تغفل عنها البيانات المهيكلة وحدها.
• التعلم المعزز لتحسين العمليات — وكلاء يتعلمون تسلسلات نقاط الضبط المثلى لمجموعات الضغط، أو مجموعات الفصل، أو أنظمة الحقن تحت ظروف تغذية متغيرة.

لا يحل أي من هذه البدائل محل مراجعة سلامة العمليات، أو دراسة المخاطر والقابلية للتشغيل (HAZOP)، أو تقييم مستوى سلامة التكامل (SIL) الذي يتم إجراؤه بموجب IEC 61511. فهي تعمل في طبقة الاستشارة والتحسين، وليس في طبقة نظام السلامة المجهز (SIS).

أين تقع حدود المعايير

هذا التمييز مهم للغاية وغالباً ما يُفهم بشكل خاطئ في محادثات المشتريات.

يحدد المعيار IEC 61511 (السلامة الوظيفية — أنظمة السلامة المجهزة لقطاع صناعة العمليات) متطلبات دورة الحياة لتصميم وأنظمة SIS وتنفيذها وتشغيلها. إن المستشعر الناعم القائم على الذكاء الاصطناعي أو النظام الاستشاري الذي يؤثر على إجراء المشغل **ليس** وظيفة سلامة مجهزة ما لم يتم تقييمه والتحقق من صحته وصيانته من خلال دورة حياة IEC 61511 الكاملة. إن توصيل مخرجات تعلم الآلة مباشرة بمعالج منطق الإغلاق دون الامتثال لدورة الحياة تلك يعد انتهاكاً للسلامة الوظيفية، بغض النظر عن مدى دقة النموذج في التشغيل العادي.

يوفر ISA-TR84.00.02 إرشادات تكميلية حول تطبيق مفاهيم SIL وهو خلفية مفيدة عند مناقشة مكان واجهة طبقة استشارات الذكاء الاصطناعي مع SIS. يجب توثيق الحدود — بين نظام التحكم في العمليات الأساسي (BPCS)، والطبقة الاستشارية، وSIS — بشكل صريح في مواصفات متطلبات السلامة.

بالنسبة للمعدات الدوارة، يحدد المعيار API 610 (مضخات الطرد المركزي للصناعات البترولية والبتروكيماوية والغاز الطبيعي) ومعيار API المعمول به لضواغط الطرد المركزي التصميم الميكانيكي، وحدود الاهتزاز، ومتطلبات اختبار القبول التي تضع الأساس الهندسي الذي يجب تدريب نماذج الذكاء الاصطناعي بناءً عليه. إن نموذج كشف الشذوذ لمضخة لم يتم توصيفها مقابل بيانات اختبار قبول API الخاص بها هو تدريب على أساس غير محدد.

مجالات التطبيق العملي

رصد صحة المعدات الدوارة

تولد مضخات الطرد المركزي والضواغط ومحركات التوربينات الغازية بيانات مستمرة عن الاهتزاز ودرجة الحرارة والتدفق والضغط. يستخدم رصد الحالة التقليدي حدود إنذار ثابتة — يتجاوز الاهتزاز الإجمالي قيمة محددة، أو ترتفع درجة حرارة المحمل فوق نقطة التوقف. تلتقط هذه الحدود الإخفاقات الجسيمة ولكنها تفتقر إلى البصمة التدريجية متعددة المتغيرات للأعطال النامية مثل تأكل الريشة، أو تدهور السدادات، أو إجهاد مجرى المحمل.

يتعلم نموذج تعلم الآلة المدرب على بيانات التشغيل العادية لآلة معينة هيكل الارتباط عبر جميع المستشعرات المتاحة. عندما يبدأ هذا الارتباط في الانهيار — حتى بينما يظل كل مستشعر فردي ضمن نطاق إنذاره — يحدد النموذج شذوذاً. القيمة الهندسية هي الإنذار المبكر قبل أن يتجاوز أي بارامتر واحد حداً صارماً.

المتطلب العملي: يجب تدريب النموذج على بيانات من الآلة المحددة في تكوينها المثبت، وليس على مجموعة بيانات عامة لأسطول من المعدات. يعد تعلم النقل من آلات مماثلة مقبولاً كنقطة بداية، ولكن الضبط الدقيق الخاص بالموقع إلزامي. قم بتوثيق نافذة بيانات التدريب، وأوضاع التشغيل المضمنة، وأي أحداث أعطال معروفة كانت موجودة في مجموعة التدريب.

سلامة خطوط الأنابيب وكشف التسرب

تم استخدام محاكاة خطوط الأنابيب الحسابية (CPS) لعقود لكشف التسرب. يعزز الذكاء الاصطناعي ذلك من خلال تحسين التمييز بين بصمات التسرب الحقيقية والأحداث العابرة — مثل عمليات التنظيف بالبيج (pigging)، أو عمليات الصمامات، أو بدء تشغيل الضاغط — التي تولد إنذارات كاذبة في الأنظمة القائمة على القواعد.

يجمع النهج الهجين بين نموذج هيدروليكي ومصنف تعلم آلة. يوفر النموذج الهيدروليكي توازن الكتلة والطاقة القائم على الفيزياء؛ بينما يتعلم المصنف الأنماط المتبقية الطبيعية تشغيلياً وتلك التي تستوجب التحقيق. وهذا يقلل من الإنذارات المزعجة مع الحفاظ على الحساسية تجاه أحداث السلامة الحقيقية.

يجب على المهندسين الذين يراجعون مثل هذه الأنظمة التحقق من أن مجموعة بيانات التدريب تتضمن عينة ممثلة للأحداث العابرة التي تحدث في خطهم المحدد — وليس فقط التشغيل في الحالة المستقرة. فالنموذج المدرب فقط على بيانات الحالة المستقرة سيولد إنذارات مفرطة أثناء أي تغيير تشغيلي.

تحسين الإنتاج

تعد تخصيصات الرفع بالغاز عبر منصة متعددة الآبار، أو إدارة الخوانق على مجمع بحري، أو تحسين ضغط تشغيل الفاصل، كلها مشكلات حيث تكون مساحة البحث عن تركيبات نقاط الضبط كبيرة جداً للتحسين اليدوي وحيث يتحول الحد الأمثل باستمرار مع تغير أداء البئر وتكوين الموائع والقيود في المصب.

يمكن لوكلاء التعلم المعزز، الذين يعملون ضمن إطار نقاط ضبط BPCS المحددة من قبل مهندسي العمليات، التنقل في هذه المساحة باستمرار. القيد الهندسي الرئيسي: يجب أن تكون مساحة عمل الوكيل محدودة بحدود التشغيل الآمنة الموضوعة في أساس تصميم العملية. أي نقطة ضبط يمكن للوكيل التوصية بها يجب أن تكون نقطة يمكن للمشغل المؤهل التحقق بشكل مستقل من أنها ضمن إطار التصميم.

جودة البيانات: القيد الذي يحدد كل شيء

لا يوجد تطبيق للذكاء الاصطناعي في العمليات يؤدي بشكل أفضل من جودة البيانات التي يتلقاها. أنماط الفشل محددة:

يجب مزامنة سجلات معايرة الأدوات، وسجلات أحداث الصيانة، وانتقالات وضع التشغيل مع سجل العمليات قبل بدء تدريب النموذج. هذه مهمة إدارة بيانات هندسية، وليست مهمة علم بيانات، وتتطلب عادةً جهداً أكبر من تطوير النموذج نفسه.

سيناريو توضيحي

ما يلي هو لأغراض التوضيح ولا يمثل حادثة محددة موثقة.

يقوم مشغل في المصب بتشغيل محطة ضغط غاز تضم أربعة ضواغط ترددية متطابقة. تم نشر نظام كشف شذوذ يعمل بتعلم الآلة، مدرب على ستة أشهر من بيانات التشغيل العادية لكل آلة. بعد ثلاثة أشهر من النشر، أبلغ النظام عن شذوذ مستمر في إحدى الوحدات: الارتباط بين فروق درجات حرارة صمام السحب وآثار ضغط الأسطوانة آخذ في التدهور، بينما تظل جميع نقاط الإنذار الفردية واضحة.

يراجع مسؤول الصيانة البلاغ، ويستشير تاريخ الاتجاهات، ويقرر تقديم فحص الصمام المجدول لمدة أسبوعين. عند التفكيك — بعد العزل الكامل، وتفريغ الضغط إلى طاقة صفرية مؤكدة، وإجراءات الإغلاق ووضع العلامات (LOTO)، وتأكيد كشف الغاز، والتنفيس الآمن للغاز المتبقي حسب إجراءات الموقع — وجد الفريق صفيحة صمام سحب بها شرخ نامٍ. تم استبدال الصمام. وعادت الآلة إلى الخدمة دون توقف غير مخطط له.

القيمة ليست في أن الذكاء الاصطناعي "تنبأ" بالفشل. القيمة هي أنه أظهر نمطاً متعدد المتغيرات لم يكن لأي إنذار فردي أن يلتقطه، مما منح مسؤول الصيانة وقتاً كافياً للتخطيط لتدخل محكوم.

قائمة التحقق للتنفيذ

قبل نشر أي نظام مراقبة أو تحسين يعتمد على الذكاء الاصطناعي في مرفق هيدروكربوني، اتبع الخطوات التالية:

• [ ] تحديد الحدود الوظيفية: هل هذا النظام استشاري فقط، أم أنه يكتب في نقاط ضبط نظام التحكم؟ تتطلب الأنظمة الاستشارية تأكيد المشغل؛ بينما تتطلب التغييرات الآلية في نقاط الضبط إدارة تغيير BPCS، وإذا كان بإمكانها التأثير على وظائف السلامة، تتطلب تقييم IEC 61511.
• [ ] تحديد الأساس الهندسي: تأكد من أن المعدات قد تم اختبارها وتوصيفها وفقاً لمعايير API أو IEC ذات الصلة. نموذج الذكاء الاصطناعي يكون ذا مغزى بقدر دقة الأساس الذي ينحرف عنه.
• [ ] تدقيق جودة البيانات قبل التدريب: تحقق من سجلات المعايرة، وحدد انحراف المستشعرات، وقم بتمييز أحداث الصيانة المعروفة وتغييرات وضع التشغيل في سجل البيانات التاريخي.
• [ ] تحديد نطاق بيانات التدريب: وثق أوضاع التشغيل، ونطاقات الحمل، والظروف الموسمية الممثلة. لاحظ بوضوح ما هو ليس في مجموعة التدريب — فلن يتعرف النموذج على تلك الظروف بشكل موثوق.
• [ ] وضع جدول زمني لإعادة تدريب النموذج: تتغير حالة المعدات بمرور الوقت. النموذج الذي تم تدريبه على بيانات معدات جديدة سينحرف عن الواقع مع تقدم التآكل. حدد محفزاً لإعادة التدريب بناءً على معالم حالة المعدات، وليس على الوقت التقويمي وحده.
• [ ] التحقق من عتبات الإنذار مع العمليات: يجب معايرة أي عتبة لدرجة الشذوذ تطلق إشعاراً مقابل خبرة المشغل لتجنب إجهاد الإنذار. أشرك مسؤول الصيانة وفريق العمليات في هذه المعايرة.
• [ ] توثيق نقطة القرار البشري: لكل مخرج من مخرجات الذكاء الاصطناعي، حدد بوضوح الإجراء المتوقع من المشغل، والفحوصات الإضافية التي يجب إجراؤها، ومن لديه السلطة للعمل بناءً على التوصية.
• [ ] إجراء مراجعة إدارة التغيير (MOC): إن نشر نظام ذكاء اصطناعي يؤثر على العمليات هو تغيير في العملية. يتطلب ذلك توثيق MOC، وسجلات التدريب، وفترة مراجعة محددة.

الخلاصة

يوفر الذكاء الاصطناعي قيمة تشغيلية ملموسة في النفط والغاز عندما يتم تطبيقه على مشكلات محددة ومحددة جيداً ببيانات نظيفة وأسس هندسية واضحة. لا تحل هذه التكنولوجيا محل التقدير الهندسي للعمليات — بل تعزز نطاق هذا التقدير من خلال معالجة متغيرات أكثر، وبشكل مستمر، أكثر مما يمكن لأي مراجعة يدوية تحمله.

الخطوة التالية لأي فريق يقيم هذه الأدوات واضحة: حدد قطعة واحدة من المعدات أو عملية غنية بالبيانات وذات عواقب عالية حيث تعمل حالياً بشكل تفاعلي، وقم بتدقيق جودة البيانات في ذلك النظام، وقم بإجراء تجربة رائدة بمعايير نجاح صريحة محددة قبل النشر. قم بقياس معدل الإنذارات المزعجة، والوقت المستغرق للتدخل، ودقة تخطيط الصيانة. إذا نجحت التجربة الرائدة مقابل تلك المعايير في ذلك النظام الواحد، فإن حجة النشر الأوسع ستبنى على الأدلة، وليس التوقعات.