فناوری حفاری مبتنی بر هوش مصنوعی: انتخاب مته مبتنی بر داده، بهینه‌سازی پارامترها و هشدار زودهنگام ریسک

از زمانی که هوش مصنوعی وارد صنعت حفاری شد، اغلب به اشتباه تصور می‌شد که صرفاً «مهندسان میدانی را با یک مدل خودکار جایگزین می‌کند». در واقعیت، در محیط‌های حفاری پرخطر و بسیار محدود، ارزشمندترین کاربردهای هوش مصنوعی بیشتر شبیه سیستم‌های پشتیبانی تصمیم‌گیری عمل می‌کنند: آنها به سرعت تاریخچه چاه، داده‌های سازند، اندازه‌گیری‌های حین حفاری، وضعیت مته حفاری و شرایط عملیاتی در محل را جمع‌آوری می‌کنند تا توصیه‌های مشخص برای انتخاب، محدوده‌های پارامتر بهینه و هشدارهای ریسک را تولید کنند - به جای اتخاذ تصمیمات مستقل که محدودیت‌های مهندسی را نادیده می‌گیرند.

شکل ۱: خط لوله داده و موقعیت‌یابی حلقه بسته هوش مصنوعی در حفاری

شکل ۲: شماتیک پشته مدل ترکیبی برای حفاری با هوش مصنوعی

شکل ۳: سناریوهای بهینه‌سازی پارامتر و هشدارهای اولیه ریسک مبتنی بر هوش مصنوعی

اول. اساس حفاری مبتنی بر هوش مصنوعی مدل‌ها نیستند، بلکه یک خط لوله داده قابل اجرا هستند.

برای اینکه هوش مصنوعی نقشی در تصمیم‌گیری حفاری ایفا کند، ابتدا باید داده‌ها به طور یکپارچه ادغام شوند. این خط لوله داده معمولاً شامل داده‌های زمین‌شناسی و تاریخچه چاه، پیکربندی‌های BHA و مته حفاری، پارامترهایی مانند وزن روی مته، سرعت چرخش و نرخ پمپ، گشتاور و فشار گل، داده‌های اندازه‌گیری حین حفاری، تغییرات مسیر، سوابق سایش و خرابی، و گزارش‌های رویدادهای میدانی است. اگر این داده‌ها فاقد یک محور زمانی واحد، برچسب‌های استاندارد شرایط عملیاتی و قراردادهای نام‌گذاری سازگار باشند، بینش‌های تولید شده توسط آموزش مدل اغلب در تئوری معتبر به نظر می‌رسند اما در عمل غیرقابل اجرا خواهند بود.

برای تولیدکنندگان مته حفاری، حیاتی‌ترین داده‌ها لزوماً پیچیده‌ترین داده‌ها نیستند؛ بلکه بینش‌هایی هستند که بهترین عملکرد ابزار را منعکس می‌کنند، مانند نوع بخش چاه، نسخه ساختار برش، محل خرابی، مورفولوژی سایش، پنجره‌های پارامتر و نتایج تک‌دور. با استانداردسازی این داده‌ها در یک قالب ساختاریافته، هوش مصنوعی می‌تواند ابتدا به شرکت‌ها در ایجاد توصیه‌های قابل اعتمادتر برای انتخاب ابزار و چارچوب‌های شناسایی مشکل کمک کند.

دوم. کاربردهای با ارزش بالای هوش مصنوعی در حفاری عمدتاً در شش مرحله کلیدی متمرکز شده‌اند.

اول، با استفاده از عملکرد تاریخی چاه و تطبیق با شرایط عملیاتی مشابه، توصیه‌هایی برای انتخاب مته حفاری و BHA ارائه دهید تا دامنه آزمون و خطا را محدود کنید. دوم، با ارائه توصیه‌های محافظه‌کارانه‌تر و قابل اعتمادتر برای وزن روی مته، سرعت چرخش و نرخ پمپ بر اساس شرایط عملیاتی بی‌درنگ، پارامترهای حفاری را بهینه کنید. سوم، هشدار اولیه ناهنجاری را برای تشخیص سریع مسائلی مانند لغزش، لرزش رشته حفاری، تجمع کیک گل و انحراف مسیر اجرا کنید. چهارم، پیش‌بینی عملکرد را برای تخمین عمر ابزار تک‌سفره، حداکثر نرخ نفوذ و زمان بهینه بیرون کشیدن انجام دهید. پنجم، تحلیل پس از عملیات را برای نگاشت خودکار تجربیات خرابی به مسائل طراحی یا فرآیند عملیاتی انجام دهید. ششم، انباشت دانش را با کدگذاری تخصص پراکنده مهندسان و تیم‌های حفاری مختلف در قوانین و دستورالعمل‌های قابل استفاده مجدد تسهیل کنید.

در میان این شش دسته قابلیت، تشخیص ناهنجاری و توصیه‌های پنجره پارامتر آسان‌ترین موارد برای پیاده‌سازی اولیه هستند، زیرا ارزش مستقیم در محل، حلقه‌های بازخورد کوتاه و مرزهای داده واضح‌تری دارند. در مقابل، «تصمیم‌گیری کاملاً خودکار حفاری» معمولاً به داده‌های بالغ‌تر و محدودیت‌های ایمنی سخت‌گیرانه‌تری نیاز دارد و باید به طور کلی به عنوان یک هدف بلندمدت در نظر گرفته شود تا یک اولویت بازاریابی اولیه.

سوم. راه‌حل‌های هوش مصنوعی که می‌توانند به طور عملی در پروژه‌های مهندسی پیاده‌سازی شوند، معمولاً مدل‌های ترکیبی هستند که «مکانیسم + قوانین + داده» را ترکیب می‌کنند.

تکیه صرف بر مدل‌های جعبه سیاه، کسب اعتماد کافی در زمینه حفاری را دشوار می‌کند، زیرا تصمیم‌گیری در محل نیازمند توضیحات واضحی در مورد «چرا پارامترها به این شکل تنظیم شده‌اند، شرایط مرزی چیست و چه ریسک‌هایی از تنظیمات نادرست ناشی می‌شود» است. بنابراین، یک سیستم هوش مصنوعی واقعاً قابل استقرار معمولاً از سه جزء تشکیل شده است: اول، مدل‌های مکانیکی که محدودیت‌های فیزیکی و محدوده‌های عملیاتی معقول را فراهم می‌کنند؛ دوم، پایگاه‌های دانش مبتنی بر قوانین که تخصص تجربی را کپسوله می‌کنند؛ و سوم، مدل‌های یادگیری ماشین که الگوها را شناسایی می‌کنند، روندها را پیش‌بینی می‌کنند و بخش‌های چاه مشابه را تطبیق می‌دهند.

مزیت این معماری ترکیبی این است که هم عقل سلیم مهندسی و آستانه‌های ایمنی را حفظ می‌کند و هم از داده‌ها برای تکرار سریع بهره می‌برد. این امر به ویژه در کاربردهای مربوط به مته حفاری مهم است، زیرا خرابی مته معمولاً تحت تأثیر ترکیبی از عوامل ساختاری، هیدرولیکی، سازندی و عملیاتی است و ثبت کامل آن با یک الگوریتم واحد دشوار است. با ادغام مدل‌های مکانیکی، قوانین دامنه و داده‌ها، این رویکرد بهتر با شرایط واقعی میدانی همسو می‌شود.

چهارم. کلید بهینه‌سازی آنلاین نه در «محاسبه سریع»، بلکه در «کنترل حلقه بازخورد» است.

برای اینکه هوش مصنوعی از یک ابزار تحلیلی به یک سیستم بهینه‌سازی آنلاین تبدیل شود، باید چهار سوال کلیدی به وضوح پاسخ داده شود: چه کسی توصیه‌ها را ارائه می‌دهد، چه کسی آنها را تأیید و اجرا می‌کند، هر چند وقت یکبار بازبینی انجام می‌شود و تحت چه شرایطی مداخله انسانی لازم است. بدون پاسخ به این چهار سوال، حتی پیچیده‌ترین مدل‌ها نیز در سطح گزارش‌دهی باقی خواهند ماند. به ویژه در بخش‌های پرخطر چاه، سیستم باید نه تنها به میدان در مورد «نحوه تنظیم» مشاوره دهد، بلکه «چرا تنظیم لازم است، ریسک‌های مرتبط چیست و چه زمانی عملیات برای بازبینی متوقف شود» را نیز توضیح دهد.

بنابراین، سیستم‌های بهینه‌سازی آنلاین پیشرفته معمولاً رویکرد نیمه خودکار را اتخاذ می‌کنند: مدل به طور مداوم اجرا می‌شود و توصیه‌های بی‌درنگ ارائه می‌دهد، در حالی که اجرا تحت محدودیت‌های مکانیکی و مجوز انسانی باقی می‌ماند. این معماری از مزایای تصمیم‌گیری مبتنی بر داده بهره می‌برد بدون اینکه کنترل در محل را رها کند. این همچنین دلیل اساسی پذیرش بیشتر سیستم‌های حفاری مبتنی بر هوش مصنوعی در حال حاضر است.

پنجم. برای اینکه هوش مصنوعی واقعاً ارزش ایجاد کند، باید در فرآیندهای پس از مرگ و تحقیق و توسعه ادغام شود.

بسیاری از شرکت‌ها پس از استقرار سیستم‌های هوش مصنوعی نتایج متوسطی مشاهده می‌کنند و علت اصلی الگوریتم‌های ضعیف نیست - بلکه این است که نتایج به فرآیندهای پایین‌دستی بازخورد نمی‌دهند. اگر مدلی صرفاً یک توصیه یک‌باره ارائه دهد بدون اینکه بینش‌ها را به طراحی، تولید، آزمایش و خدمات مشتری برای به‌روزرسانی قوانین و رویه‌ها بازخورد دهد، ارزش سیستم به سرعت از بین می‌رود. برعکس، زمانی که بینش‌های تولید شده توسط هوش مصنوعی می‌توانند برای اصلاح پایگاه‌های داده سایش، تنظیم پارامترهای برش و توسعه الگوهایی برای سناریوهای کاربردی معمول استفاده شوند، سیستم با گذشت زمان دقیق‌تر می‌شود.

برای تولیدکنندگان مته حفاری، این فرآیند حلقه بسته - حرکت یکپارچه از عملیات میدانی به تحقیق و توسعه - به ویژه حیاتی است. هر هشدار برای لرزش غیرعادی، هر تصمیم پیشگیرانه برای بیرون کشیدن رشته حفاری زودتر از موعد، و هر شناسایی الگوهای سایش باید به عنوان ورودی برای دور بعدی ارتقاء محصول عمل کند، نه اینکه به خلاصه‌های پروژه‌های یک‌باره محدود شود.

ششم. توصیه‌ها برای شینگتونگ: ابتدا یک پایگاه داده مته حفاری و یک موتور تحلیل پس از مرگ ایجاد کنید، سپس در مورد ساخت یک پلتفرم هوش مصنوعی در مقیاس بزرگ بحث کنید.

برای ایجاد یک حضور معتبر در فضای هوش مصنوعی به علاوه حفاری، به شینگتونگ توصیه می‌شود ابتدا سه ستون اساسی را در اطراف ارزشمندترین دارایی‌های داده خود بسازد: اول، یک واژه‌نامه داده یکپارچه شامل مدل‌های مته حفاری، هندسه صفحات برش، پیکربندی دندانه‌های برش، بخش‌های چاه قابل اجرا و عملکرد تاریخی ایجاد کند؛ دوم، یک اطلس جامع از مورفولوژی‌های سایش و حالت‌های خرابی ایجاد کند و عکس‌های میدانی را با برچسب‌های شرایط عملیاتی پیوند دهد؛ و سوم، پنجره‌های پارامتر و پایگاه داده نتایج تک‌دور را ایجاد کند تا امکان مقایسه و استفاده مجدد از شیوه‌های موفق در بخش‌های مختلف چاه فراهم شود.

بر این اساس، ما به تدریج ویژگی‌هایی مانند توصیه‌های انتخاب محصول، پیشنهادات بهینه‌سازی پارامتر و هشدارهای ناهنجاری را توسعه خواهیم داد. در عین حال، وب‌سایت رسمی باید به طور برجسته «قابلیت‌های حلقه بسته داده» و «قابلیت‌های بهینه‌سازی پارامتر» ما را برجسته کند، به جای اینکه ادعاهای مبهمی مانند «ما در حال انجام هوش مصنوعی هستیم» داشته باشیم. مشتریان فناوری‌محور واقعاً به این موضوع اهمیت می‌دهند که آیا یک سازمان می‌تواند از داده‌ها برای ادغام یکپارچه طراحی، عملیات و بررسی‌های پس از رویداد استفاده کند و در نهایت هزینه‌های آزمون و خطا را کاهش دهد.

منابع

1. بیکر هیوز: اطلاعات عمومی در مورد نرم‌افزار کانتوری و حفاری جهت‌دار خودکار آی-تراک.
2. هالیبرتون: اطلاعات عمومی در مورد حفاری هوشمند و ادغام داده‌های مته حفاری.
3. لیو چینگ‌یو: مطالب تحقیقاتی مربوط به سیستم‌های حفاری هوشمند آینده، از جمله موارد دیگر.
4. مطالب عمومی مربوط به کنفرانس فناوری هوش مصنوعی نفت و گاز چین ۲۰۲۵.