منذ أن دخل الذكاء الاصطناعي صناعة الحفر، كثيرا ما كان يُنظر إليه خطأ على أنه مجرد "استبدال المهندسين الميدانيين بنموذج آلي واحد". في الواقع، في بيئات الحفر عالية المخاطر والمقيدة للغاية، تعمل تطبيقات الذكاء الاصطناعي الأكثر قيمة مثل أنظمة دعم القرار: فهي تجمع بسرعة تاريخ البئر، وبيانات التكوين، وقياسات التسجيل أثناء الحفر، وحالة لقمة الحفر، وظروف التشغيل في الموقع لإنشاء توصيات اختيار محددة جيدًا، ونطاقات المعلمات المحسنة، وتنبيهات المخاطر - بدلاً من اتخاذ قرارات مستقلة تتجاهل القيود الهندسية.
الشكل 1: خط أنابيب البيانات وتحديد موضع الحلقة المغلقة للذكاء الاصطناعي في الحفر
الشكل 2: رسم تخطيطي لمجموعة النماذج الهجينة لحفر الذكاء الاصطناعي
الشكل 3: تحسين المعلمات وسيناريوهات الإنذار المبكر بالمخاطر التي يقودها الذكاء الاصطناعي
1. أساس الحفر القائم على الذكاء الاصطناعي ليس النماذج، بل خط أنابيب بيانات قابل للحياة.
لكي يلعب الذكاء الاصطناعي دورًا في عملية صنع القرار، يجب أولاً دمج البيانات بسلاسة. يشتمل خط البيانات هذا عادةً على البيانات الجيولوجية وتاريخ الآبار، وتكوينات BHA وريشة الحفر، والمعلمات مثل الوزن على لقمة الحفر، وسرعة الدوران، ومعدل المضخة، وعزم الدوران وضغط الطين، وبيانات القياس أثناء الحفر، وتغييرات المسار، وسجلات التآكل والفشل، وسجلات الأحداث الميدانية. إذا كانت هذه البيانات تفتقر إلى محور زمني موحد، وتسميات موحدة لظروف التشغيل، واصطلاحات تسمية متسقة، فإن الرؤى الناتجة عن التدريب النموذجي غالبا ما تبدو معقولة على الورق ولكن سيكون من المستحيل تطبيقها في الميدان.
بالنسبة لمصنعي لقم الثقب، فإن البيانات الأكثر أهمية ليست بالضرورة الأكثر تعقيدًا؛ بل هي الرؤى التي تعكس أداء الأداة على أفضل وجه، مثل نوع قسم البئر، وإصدار هيكل القطع، وموقع الفشل، وشكل التآكل، ونوافذ المعلمات، ونتائج التشغيل الفردي. ومن خلال توحيد هذه البيانات في تنسيق منظم، يمكن للذكاء الاصطناعي أن يساعد الشركات أولاً على إنشاء توصيات أكثر موثوقية لاختيار الأدوات وأطر تحديد المشكلات.
ثانيا. تتركز تطبيقات الذكاء الاصطناعي عالية القيمة في مجال الحفر بشكل أساسي في ست مراحل رئيسية
أولاً، قدم توصيات بشأن اختيار لقمة الحفر وBHA من خلال الاستفادة من أداء البئر التاريخي والمطابقة مع ظروف التشغيل المماثلة لتضييق نطاق التجربة والخطأ. ثانيًا، تحسين معلمات الحفر من خلال تقديم توصيات أكثر تحفظًا وموثوقية فيما يتعلق بالوزن على لقمة الحفر وسرعة الدوران ومعدل المضخة بناءً على ظروف التشغيل في الوقت الفعلي. ثالثًا، قم بتنفيذ الإنذار المبكر بالحالات الشاذة للكشف الفوري عن مشكلات مثل انزلاق العصا، واهتزاز سلسلة الحفر، وتراكم الطين، وانحراف المسار. رابعًا، إجراء التنبؤ بالأداء لتقدير عمر الأداة ذات الرحلة الواحدة، والحد الأقصى لمعدل الاختراق، وتوقيت التعثر الأمثل. خامسًا، قم بإجراء تحليل ما بعد العملية لتعيين تجارب الفشل تلقائيًا مرة أخرى إلى مشكلات التصميم أو العملية التشغيلية. سادسا، تسهيل تراكم المعرفة من خلال تدوين الخبرات المجزأة التي يحتفظ بها مختلف أطقم الحفر والمهندسين في قواعد ومبادئ توجيهية قابلة لإعادة الاستخدام.
من بين فئات القدرات الست هذه، تعد توصيات اكتشاف الحالات الشاذة وتوصيات نافذة المعلمات هي الأسهل في التنفيذ أولاً، حيث إنها تقدم قيمة مباشرة في الموقع، وتتميز بحلقات تعليقات قصيرة، ولها حدود بيانات أكثر وضوحًا. وعلى النقيض من ذلك، فإن "اتخاذ قرارات الحفر المؤتمتة بالكامل" يتطلب عادةً بيانات أكثر نضجًا وقيودًا أكثر صرامة تتعلق بالسلامة، ويجب التعامل معها بشكل عام على أنها هدف طويل المدى وليس أولوية تسويقية أولية.
ثالثا. إن حلول الذكاء الاصطناعي التي يمكن تنفيذها عمليًا في المشاريع الهندسية هي عادةً نماذج هجينة تجمع بين "الآلية + القواعد + البيانات".
والاعتماد فقط على نماذج الصندوق الأسود يجعل من الصعب اكتساب القدر الكافي من الثقة في مجال الحفر، لأن اتخاذ القرار في الموقع يتطلب تفسيرات واضحة "لأسباب ضبط العوامل على هذا النحو، وما هي الشروط الحدودية، وما هي المخاطر التي قد تنشأ عن التعديلات غير الصحيحة". لذلك، يتكون نظام الذكاء الاصطناعي القابل للنشر حقًا من ثلاثة مكونات: أولاً، النماذج الآلية التي توفر قيودًا مادية ونطاقات تشغيل معقولة؛ وثانيًا، قواعد المعرفة القائمة على القواعد والتي تتضمن الخبرة التجريبية؛ وثالثًا، نماذج التعلم الآلي التي تحدد الأنماط، وتتنبأ بالاتجاهات، وتطابق أقسام الآبار المماثلة.
وتتمثل ميزة هذه البنية الهجينة في أنها تحافظ على المنطق الهندسي السليم وحدود السلامة مع الاستفادة من البيانات من أجل التكرار السريع. وهذا مهم بشكل خاص في التطبيقات المتعلقة بحفر الحفر، حيث يتأثر فشل الحفر عادةً بمزيج من العوامل الهيكلية والهيدروليكية والتكوينية والتشغيلية، مما يجعل من الصعب التقاطها بالكامل باستخدام خوارزمية واحدة. ومن خلال دمج النماذج الآلية وقواعد المجال والبيانات، يتوافق النهج بشكل أفضل مع الظروف الميدانية في العالم الحقيقي.
رابعا. إن المفتاح إلى تحسين الأداء عبر الإنترنت لا يكمن في "الحوسبة بسرعة"، بل في "التحكم في حلقة ردود الفعل".
ولكي يتطور الذكاء الاصطناعي من أداة تحليلية إلى نظام تحسين عبر الإنترنت، فلابد من معالجة أربعة أسئلة رئيسية بوضوح: من يقدم التوصيات، ومن يوافق عليها وينفذها، وكم مرة يتم إجراء المراجعات، وتحت أي ظروف يتطلب التدخل البشري. وبدون الإجابة على هذه الأسئلة الأربعة، فإن حتى أكثر النماذج تطوراً ستظل محصورة في مستوى إعداد التقارير. وبشكل خاص في أقسام الآبار عالية المخاطر، يجب على النظام ليس فقط تقديم المشورة للحقل حول "كيفية التعديل"، بل يجب أيضًا أن يشرح "لماذا يعد التعديل ضروريًا، وما هي المخاطر المرتبطة به، ومتى يجب إيقاف العمليات للمراجعة".
لذلك، تعتمد أنظمة التحسين عبر الإنترنت الحديثة عادةً نهجًا شبه تلقائي: يعمل النموذج بشكل مستمر ويقدم توصيات في الوقت الفعلي، في حين يظل التنفيذ مقيدًا بالقيود الآلية والتفويض البشري. تستفيد هذه البنية من مزايا اتخاذ القرارات المستندة إلى البيانات دون التخلي عن التحكم في الموقع. وهذا أيضًا هو السبب الأساسي الذي يجعل أنظمة الحفر التي تعمل بالذكاء الاصطناعي أكثر قبولًا حاليًا.
5. لكي يقدم الذكاء الاصطناعي قيمة حقيقية، يجب دمجه في عمليات ما بعد الوفاة والبحث والتطوير.
لا ترى العديد من المؤسسات سوى نتائج متواضعة بعد نشر أنظمة الذكاء الاصطناعي، والسبب الجذري ليس الخوارزميات الضعيفة، بل هو فشل النتائج في العودة إلى العمليات النهائية. إذا كان النموذج يقدم توصية لمرة واحدة فقط دون تغذية الرؤى في التصميم والتصنيع والاختبار وخدمة العملاء لتحديث القواعد والإجراءات، فسوف تتآكل قيمة النظام بسرعة. على العكس من ذلك، عندما يمكن استخدام الرؤى الناتجة عن الذكاء الاصطناعي لتحسين قواعد بيانات التآكل، وضبط معلمات القطع، وتطوير قوالب لسيناريوهات التطبيق النموذجية، يصبح النظام دقيقًا بشكل متزايد بمرور الوقت.
بالنسبة لمصنعي لقم الحفر، تعتبر عملية الحلقة المغلقة هذه - الانتقال بسلاسة من العمليات الميدانية مرة أخرى إلى البحث والتطوير - أمرًا بالغ الأهمية بشكل خاص. يجب أن يكون كل تنبيه بشأن اهتزاز غير طبيعي، وكل قرار استباقي بسحب سلسلة الحفر قبل الموعد المحدد، وكل تحديد لأنماط التآكل بمثابة مدخلات للجولة التالية من ترقيات المنتج، بدلاً من إحالة الأمر إلى ملخصات المشروع لمرة واحدة.
سادسا. توصيات لـ Xingtong: قم أولاً بتطوير قاعدة بيانات لقم الحفر ومحرك تحليل ما بعد الوفاة، ثم ناقش بناء منصة ذكاء اصطناعي واسعة النطاق.
لتأسيس حضور موثوق به في مجال الذكاء الاصطناعي والحفر، تُنصح شركة Xingtong أولاً ببناء ثلاث ركائز أساسية حول أصول البيانات الأكثر قيمة لديها: أولاً، تطوير قاموس بيانات موحد يغطي نماذج لقمة الحفر، وهندسة الألواح المقطوعة، والتكوينات المسننة، وأقسام الآبار القابلة للتطبيق، والأداء التاريخي؛ ثانيًا، إنشاء أطلس شامل لأشكال التآكل وأنماط الفشل، وربط الصور الميدانية بتسميات الحالة التشغيلية؛ وثالثًا، إنشاء نوافذ المعلمات وقاعدة بيانات النتائج التي يتم تشغيلها مرة واحدة، مما يتيح مقارنة وإعادة استخدام الممارسات الناجحة عبر أقسام الآبار المختلفة.
وعلى هذا الأساس، سنقوم تدريجيًا بتطوير ميزات مثل توصيات اختيار المنتج واقتراحات تحسين المعلمات وتنبيهات الشذوذ. وفي الوقت نفسه، ينبغي للموقع الرسمي أن يسلط الضوء بشكل بارز على "قدرات حلقة البيانات المغلقة" و"قدرات تحسين المعلمات"، بدلاً من تقديم ادعاءات غامضة مثل "نحن نصنع الذكاء الاصطناعي". إن ما يهتم به العملاء المعتمدون على التكنولوجيا حقًا هو ما إذا كان بإمكان المؤسسة الاستفادة من البيانات لدمج التصميم والعمليات ومراجعات ما بعد الحدث بسلاسة، مما يؤدي في النهاية إلى تقليل تكاليف التجربة والخطأ.
مراجع
- بيكر هيوز: معلومات متاحة للعامة حول برنامج Kantori والحفر الموجه الآلي i-Trak.
- هاليبرتون: معلومات متاحة للعامة حول الحفر الذكي وتكامل بيانات لقمة الحفر.
- ليو تشينغيو: المواد البحثية المتعلقة بأنظمة الحفر الذكية المستقبلية، من بين أمور أخرى.
- المواد المتاحة للجمهور المتعلقة بمؤتمر تكنولوجيا الذكاء الاصطناعي للنفط والغاز في الصين لعام 2025.