الذكاء الاصطناعي لتحسين عمليات التكسير الهيدروليك بقلم د. نبيل سامح
1. المقدمة
يُعد التكسير الهيدروليكي أحد أهم التقنيات التمكينية لتطوير المكامن منخفضة النفاذية مثل التكوينات الصخرية الزيتيّة (Shale)، والرمال المحكمة (Tight Sandstones)، والمكامن الكربونية المعقدة. تعتمد هذه العملية على إحداث شقوق صناعية في الصخور بهدف تحسين الاتصال بين المكمن والبئر وبالتالي رفع كفاءة الإنتاج.
تقليديًا، كان تصميم عمليات التكسير يعتمد على النماذج الحتمية الهندسية، والعلاقات التجريبية، والتحليل بعد التنفيذ. ورغم نجاح هذه الأساليب في البيئات الجيولوجية البسيطة، إلا أنها أصبحت محدودة في المكامن غير التقليدية التي تتسم بتعقيد عالٍ في التغايرية الجيولوجية، وتوزيع الإجهادات، وسلوك الجريان متعدد المقاييس.
يقدم الذكاء الاصطناعي (AI) تحولًا جذريًا في تحسين عمليات التكسير الهيدروليكي، حيث يعتمد على اتخاذ القرار القائم على البيانات، والتحليل التنبؤي، والسلوك التكيفي للنظام. بدلًا من النماذج الثابتة، تتعلم أنظمة الذكاء الاصطناعي باستمرار من البيانات، وتكتشف الأنماط الخفية، وتطور استراتيجيات التشغيل.
يمثل هذا التحول انتقالًا من التصميم التقليدي إلى أنظمة تكسير ذكية ذاتية التطوير قادرة على التحسين في الوقت الحقيقي وبعد العمليات.
2. الأساس البياني لأنظمة التكسير المدعومة بالذكاء الاصطناعي
يعتمد نجاح الذكاء الاصطناعي في التكسير الهيدروليكي على توفر البيانات وجودتها. حيث تولد عمليات التكسير كميات كبيرة ومتنوعة من البيانات تشمل الجيولوجيا، والجيوفيزياء، وبتروفزياء المكامن، والعمليات التشغيلية، وبيانات الإنتاج.
تشمل مصادر البيانات الرئيسية:
بيانات توصيف المكمن مثل الليثولوجيا، والإجهادات الجيولوجية، والخواص الميكانيكية
بيانات التسجيلات البئرية مثل المقاومية، والموجات الصوتية، والكثافة، وأشعة جاما
بيانات المراقبة الزلزالية الدقيقة (Microseismic)
جداول الضخ واستجابة الضغط ومعلمات الحقن
بيانات حركة الدعامة الرملية (Proppant) وخصائص السوائل
بيانات الإنتاج بعد التحفيز
من التحديات النظرية المهمة هو عدم تجانس البيانات وعدم اتساقها. يجب على أنظمة الذكاء الاصطناعي التعامل مع بيانات غير مكتملة وضوضائية ومتعددة المقاييس وتحويلها إلى نماذج متماسكة.
تلعب معالجة البيانات دورًا أساسيًا في ضمان موثوقية النماذج، وتشمل التطبيع، واستخراج الخصائص، وتقليل الأبعاد. كما يُعد هندسة الخصائص (Feature Engineering) عنصرًا مهمًا لأن استجابة المكمن تعتمد على تفاعلات غير خطية معقدة.
كما يتيح الذكاء الاصطناعي دمج مصادر البيانات المختلفة، حيث يتم دمج بيانات السطح مع بيانات المكمن في إطار تنبؤي موحد يحسن دقة التصميم.
3. التعلم الآلي في تحسين تصميم التكسير
يمثل التعلم الآلي (ML) الإطار التحليلي الأساسي لتحسين عمليات التكسير الهيدروليكي. حيث يعتمد على اكتشاف الأنماط في البيانات التاريخية واللحظية وتحويلها إلى نماذج تنبؤية.
في تصميم التكسير، يُستخدم التعلم الآلي في:
تحديد مناطق التحفيز المثلى داخل المكامن غير المتجانسة
التنبؤ بشكل وتعقيد الشقوق
تقدير ارتفاع وانتشار الشقوق
تصنيف استجابة المكمن بعد التحفيز
تحسين المسافة بين المراحل ونقاط التفجير
على عكس النماذج التقليدية، تعتمد نماذج التعلم الآلي على البيانات، مما يسمح لها بالتعامل مع العلاقات غير الخطية المعقدة بين خصائص المكمن ونتائج التكسير.
هذا يمكّن المهندسين من الانتقال من الأساليب التجريبية إلى أنظمة تحسين تنبؤية تقلل من عدم اليقين.
لكن تعتمد هذه النماذج على جودة البيانات، وقد تكون محدودة عند تطبيقها خارج نطاق التدريب، لذلك يتم تطوير أنظمة هجينة تجمع بين الفيزياء والتعلم الآلي.
4. الشبكات العصبية والذكاء التنبؤي في التكسير
تُستخدم الشبكات العصبية الاصطناعية (ANNs) بشكل واسع في تحسين التكسير الهيدروليكي لقدرتها على تمثيل الأنظمة غير الخطية المعقدة.
في تطبيقات التكسير تُستخدم في:
التنبؤ بسلوك انتشار الشقوق
تقدير حجم المكمن المحفز
التنبؤ بالإنتاج بعد التكسير
تفسير بيانات الزلازل الدقيقة لرسم الشقوق
تقوم تقنيات التعلم العميق (Deep Learning) بتوسيع هذه القدرات عبر طبقات متعددة لاستخراج خصائص أكثر تعقيدًا من البيانات.
من أهم مزايا الشبكات العصبية أنها تتحسن مع زيادة البيانات، مما يجعلها مناسبة لأنظمة التعلم المستمر في الحقول النفطية.
ومع ذلك، تبقى مشكلة “الصندوق الأسود” تحديًا رئيسيًا حيث يصعب تفسير العمليات الداخلية للنموذج.
5. التحسين اللحظي وأنظمة التكسير التكيفية
يمثل التحسين في الوقت الحقيقي أحد أهم تطبيقات الذكاء الاصطناعي في التكسير الهيدروليكي. فبدلاً من الاعتماد على خطط ثابتة، تسمح الأنظمة الذكية بالتعديل أثناء التنفيذ.
تعتمد هذه الأنظمة على تحليل بيانات مثل:
ضغط السطح والقاع
إشارات المراقبة الزلزالية الدقيقة
معدل الضخ ومعايير الحقن
بيانات التدفق والإنتاج المبكر
بناءً على ذلك، يمكن اتخاذ قرارات فورية مثل:
تعديل معدل الحقن
تغيير تركيز الدعامة الرملية
تحسين ترتيب المراحل
تعديل توقيت بدء الشقوق
ينتج عن ذلك مفهوم أنظمة التكسير المغلقة (Closed-loop systems) حيث يتم تحسين العملية بشكل مستمر أثناء التنفيذ.
تعتمد هذه الأنظمة على الحوسبة الطرفية (Edge Computing) لتقليل زمن الاستجابة وتحسين الكفاءة.
6. تشخيص الشقوق والتحليل بعد التكسير
بعد انتهاء عمليات التكسير، يلعب الذكاء الاصطناعي دورًا مهمًا في تقييم فعالية العملية وسلوك المكمن.
تشمل البيانات المستخدمة:
توزيع الأحداث الزلزالية الدقيقة
تغيرات الضغط
خصائص سوائل العودة
الاتجاهات الإنتاجية المبكرة
تستخدم هذه البيانات لإعادة بناء شبكة الشقوق وتحليل كفاءتها.
كما يُستخدم الذكاء الاصطناعي في التنبؤ بالإنتاج المستقبلي وتحديد المراحل غير الفعالة، مما يساعد على تحسين التصاميم المستقبلية.
7. التكامل مع أنظمة الحقول الرقمية
لا يعمل الذكاء الاصطناعي في التكسير بشكل منفصل، بل ضمن منظومة الحقول الرقمية المتكاملة التي تشمل الحفر، والإنتاج، وإدارة المكامن.
تتدفق البيانات بين الأنظمة المختلفة مثل:
نماذج المكمن التي توجه تصميم التكسير
بيانات الحفر التي تدعم تصميم الإكمال
بيانات الإنتاج التي تقيم كفاءة التحفيز
يسمح هذا التكامل بتحقيق تحسين شامل للمنظومة الحقلية بأكملها.
تلعب التوائم الرقمية (Digital Twins) دورًا مهمًا حيث تمثل نموذجًا افتراضيًا يتم تحديثه باستمرار باستخدام البيانات الفعلية.
الخاتمة
يمثل الذكاء الاصطناعي تحولًا جذريًا في تحسين عمليات التكسير الهيدروليكي، حيث ينتقل من التصميم الثابت إلى أنظمة ديناميكية قائمة على البيانات.
من خلال التعلم الآلي والشبكات العصبية والتحليل اللحظي، يتيح الذكاء الاصطناعي تحسين دقة التصميم وزيادة كفاءة العمليات وتقليل عدم اليقين.
ورغم التحديات المتعلقة بجودة البيانات وقابلية التفسير والتكامل الفيزيائي، إلا أن التطورات في الحقول الرقمية والحوسبة الطرفية ستدفع نحو أنظمة تكسير ذكية مستقلة بالكامل في المستقبل.
بقلم د. نبيل سامح
-مدير تطوير الأعمال في شركة نيلكو
-مدرب دولي معتمد في قطاع النفط والغاز
-أستاذ في عدة شركات تدريب واستشارات وأكاديميات، بما في ذلك Enviro Oil وZAD Academy وDeep Horizon وغيرها
-محاضر في جامعات داخل مصر وخارجها
-مساهم في كتابة مقالات قطاع البترول في مجلات Petrocraft وPetrotoday وغيرها
