طوّر علماء روس شبكة عصبية للتنبؤ بخصائص النفط وتسريع الإنتاج

طور العلماء الروس شبكة عصبية ونظام رقمي للتعلم الآلي يتنبأ بالتوتر بين السطوح بين النفط والماء المالح. بالنسبة للصناعة، هذه مهمة عملية: يمكن للنموذج أن يقلل من أشهر من التجارب المخبرية ويساعد على اختيار معاملات الاستخراج بشكل أسرع لتشكيل معين.

كيفية عمل النموذج

التوتر بين السطوح هو أحد المعاملات الرئيسية عند العمل مع الخزانات النفطية، حيث يتفاعل النفط والمياه التكوينية والمحاليل المحقونة أثناء الاستخراج. عادة، يتم التحقق من هذه الخصائص من خلال سلسلة من الاختبارات الفيزيائية: تتغير درجة الملوحة وتركيب الغازات المذابة والظروف البيئية ثم يتم قياس النتيجة. يقل هذا النهج الجديد جزءاً كبيراً من هذا العمل إلى البيئة الرقمية.

تحلل الشبكة العصبية بيانات الإدخال وتنتج توقعاً دون الحاجة إلى تكرار دورة الاختبار الطويلة لكل سيناريو جديد. في الواقع، هذا ليس عن صيغة واحدة، بل عن نظام رقمي تطبيقي يمكن استخدامه لمحاكاة سلوك التشكيل قبل الانتقال إلى مرحلة الحلول الميدانية المكلفة. إذا كان التنبؤ دقيقاً بما يكفي، يحصل المهندسون على أداة لتقييم سابق لخيارات التطوير.

هذا مهم بشكل خاص حيث يؤدي الخطأ في اختيار معاملات حقن الماء أو الغاز ليس فقط إلى تكاليف إضافية، بل أيضاً إلى فقدان الوقت في إعادة الاختبارات.

حيث يتم توفير الوقت

القيمة الرئيسية للنظام هي أنه يزيل جزءاً من العمل التجريبي الروتيني من العملية. بدلاً من عدة أشهر من الفحوصات المخبرية، يمكن للمتخصصين تجميع مجموعة من السيناريوهات بشكل أسرع ومقارنتها مع بعضها البعض واختيار الأكثر واعدة. وفقاً لوصف التطوير، يساعد النموذج على تحديد مسبقاً بالضبط كيفية ضبط ظروف التأثير على التشكيل بحيث يتقدم الاستخراج بكفاءة أكبر. من الناحية العملية، يمكن أن يؤثر هذا على عدة مراحل من التصميم والتشغيل في وقت واحد:

• اختيار درجة الملوحة المثلى للماء المحقون
• تقييم تأثير الغازات المذابة على سلوك الخليط
• محاكاة خزان نفطي بدون سلسلة من الاختبارات الفيزيائية المكلفة
• تسريع القرارات الهندسية قبل بدء العمل

ما يتغير للصناعة

بالنسبة لصناعة النفط والغاز، ما يهم ليس حقيقة استخدام الذكاء الاصطناعي بحد ذاته، بل أنه يحل مهمة إنتاجية محددة. يؤثر التوتر بين السطوح على كيفية إزاحة النفط بواسطة الماء من الصخور، وكفاءة وضع الحقن المختار والخسائر التي قد تحدث في العملية. عندما يمكن التنبؤ بهذه المعاملات مسبقاً، تحصل الشركة على مخطط تطوير حقل أكثر قابلية للإدارة.

وكنتيجة لذلك، يتم تقليل الاعتماد على دورات طويلة من التجربة والخطأ التي تؤخر تقليدياً إطلاق المشروع أو تعديله. تتعلق تأثيرات أخرى باقتصاديات البحث. تتطلب التجارب الكاملة الحجم المعدات والوقت المتخصص والتكرار المتعدد للقياسات مع تغيير الظروف.

لا يلغي النموذج الرقمي المختبر بشكل كامل، لكنه يسمح بتضييق نطاق الخيارات قبل بدء الاختبار الفيزيائي. هذا يعني أنه يمكن توجيه الموارد ليس نحو اختبار جميع التركيبات الممكنة، بل نحو التحقق من السيناريوهات الأكثر احتمالاً والمفيدة. بالنسبة لصناعة ذات تكلفة خطأ عالية، مثل هذا التحول مهم بشكل خاص.

من المهم أيضاً القدرة على استخدام هذه النماذج كجزء من سلسلة تطوير رقمية أوسع للحقول. عندما يتم دمج التنبؤ بالتوتر بين السطوح في برامج الهندسة، يمكن للمتخصصين إعادة حساب السيناريوهات بشكل أسرع عند تغيير البيانات المصدر ورؤية العواقب تقريباً على الفور. هذا مناسب ليس فقط في مرحلة التخطيط، بل أيضاً عند تعديل العمل الجاري بالفعل.

كلما أسرعت الفريق في الحصول على إجابة محسوبة، قل عدد الفترات الفاصلة بين التحليل والتحقق من الفرضية والقرار الإداري الفعلي.

ما يعنيه هذا

إذا أكد النظام الدقة في حالات الإنتاج الحقيقية، يمكن لقطاع النفط والغاز الروسي الحصول على أداة واضحة قائمة على الذكاء الاصطناعي بتأثير قابل للقياس: وقت أقل للتجارب وضبط أسرع للمعاملات واستخراج أكثر قابلية للتنبؤ به. هذا ليس ذكاءً اصطناعياً مجرداً للتقارير، بل نموذج مدمج في العملية الهندسية ويؤثر بشكل مباشر على سرعة اتخاذ القرارات. بالنسبة للشركات، هذه طريقة لاتخاذ القرارات ليس بعد سلسلة طويلة من القياسات، بل في وقت أبكر بكثير.