التنبؤ عبر الآبار بالـmachine learning لسجلات الصوت في نيوفاوندلاند ولابرادور

الاستماع إلى الصخور بدون ميكروفون

تعتمد شركات النفط والغاز على أدوات «صوتية» للاستماع إلى كيفية انتشار الموجات الصوتية عبر الصخور تحت السطح. تساعد هذه القياسات التفصيلية المهندسين على تقييم صلابة الصخور، تخطيط آبار آمنة، ومطابقة بيانات الحفر مع المسوحات الزلزالية. لكن أدوات السونك مكلفة، قد تبطئ العمليات، وأحياناً لا يمكن تشغيلها على الإطلاق. تُظهر هذه الدراسة كيف يمكن للتعلم الآلي إعادة تكوين معلومات السونك من قياسات أرخص تُجمع بشكل روتيني، موفّرة طريقة لـ«سماع» ما تحت السطح حتى عندما يكون الميكروفون مفقوداً.

لماذا يهم التنبؤ ببيانات السونك

في الحفر البحري، يسجل المشغلون أنواعاً عديدة من سجلات البئر: الإشعاع الطبيعي، سرعة الحفر، معدل المضخة، الحمل على رأس الحفر، والمزيد. تبرز سجلات السونك لأنها تكشف مدى سرعة انتقال الصوت عبر الصخور، وهو مدخل أساسي لتقدير صلابة الصخور والضغط والإجهاد. عندما لا تتوفر أدوات السونك، يضطر المهندسون للعمل مع فراغات أو الاعتماد على قواعد عامة تقريبية. باستخدام التعلم الآلي لتحويل السجلات الشائعة غير الصوتية إلى منحنيات «شبه صوتية» دقيقة، يمكن للشركات خفض تكاليف جمع البيانات، ملء الأقسام المفقودة، واتخاذ قرارات مستنيرة بشأن استقرار الآبار وسلوك المكمن.

وصفة دقيقة لتجنب الغش

عمل المؤلفون مع بيانات من بئرين بحريين في نيوفاوندلاند ولابرادور. عند كل عمق حاولوا التنبؤ بـمواقيت الضغط الانضغاطي (طريقة للتعبير عن الزمن الذي تستغرقه موجة صوتية لعبور الصخور) باستخدام قياسات غير صوتية فقط. والأهم أنهم منعوا أي مدخل يستخدم مباشرة أو بشكل غير مباشر بيانات سونك، مثل الخواص المرنة المُشتقة. كما بنوا ميزات باستخدام معلومات من نفس العمق أو أعلاه فقط، مُحاكيين الحفر في الوقت الحقيقي حيث المستقبل غير معروف. تم تحديد القيم الشاذة في قراءات الحساسات باستخدام إحصاءات من بئر «تدريبي» واحد ثم التعامل معها بنفس الطريقة في كلا البئرين، مما ضمن عدم قدرة النماذج على التعلم بصمت من بيانات الاختبار. كما تم تثبيت جميع إجراءات التحجيم واختيارات الميزات على البئر التدريبي قبل تطبيقها، دون تغيير، على البئر الآخر.

تحويل السجلات الخام إلى إشارات قابلة للتعلّم

إدخال السجلات الخام إلى خوارزمية نادراً ما يكون كافياً بمفرده. طور الفريق مجموعة غنية من الميزات الواعية بالعمق: تتبعوا كيف يتغير كل سجل مع العمق، ناعموا الإشارات الصاخبة على مقاييس متعددة، وحسبوا الميول والمنحنيات التي تُبرز الاتجاهات المحلية. عبّروا أيضاً عن العمق بالنسبة إلى مقاطع البئر، لالتقاط أنماط تتكرر عند تغيّر قطر الرأس. للحيلولة دون إغراق النماذج، صنّفوا الميزات باستخدام ثلاث طرق مختلفة ودمجوا التصنيفات في قائمة مرتبة واحدة. ثم اختيرت مجموعة مُضغوطة من أكثر الميزات إفادة باستخدام تقسيم واعٍ زمنياً داخل البئر التدريبي، بحيث تحترم عملية الاختيار الترتيب الطبيعي للعمق.

النماذج القائمة على الأشجار تتفوق على التعلم العميق

قارن البحث بين ثلاثة أنواع من النماذج: الغابات العشوائية Random Forests، وXGBoost (طريقة تعزيز التدرج الشائعة)، وشبكات LSTM ثنائية الاتجاه المستخدمة غالباً للبيانات التسلسلية. تم تدريب كل نموذج على بئر واحد واختباره بشكل أعمى على الآخر، وهو إعداد صارم يبرز الاختلافات بين الآبار في نطاق الأعماق وظروف التشغيل وأنواع الصخور. في هذا الاختبار، أدّت XGBoost أفضل أداء، محققة توافقاً عالياً بين سجلات السونك المتوقعة والمقاسة عند تدريبها على البئر الأول وتطبيقها على الثاني. جاءت الغابات العشوائية قريبة من الأداء وأحياناً أكثر استقراراً في المناطق الصاخبة. شبكات LSTM، على الرغم من تعقيدها، تأخرت في الدقة والصلابة على الأرجح لأن البيانات اقتصرت على بئرين فقط وتفاوتت بقوة مع العمق؛ ظروف لا تفضّل الشبكات العصبية الكبيرة.

ما الذي يحكم الدقة وأين يفيد

من خلال تشغيل أو إيقاف أجزاء مختلفة من المعالجة المسبقة، أظهر المؤلفون أن توليد الميزات الذكي واختيارها أحدث الفرق الأكبر في الأداء، أكثر من مجرد إضافة نوافذ تاريخ أطول أو فلترة بسيطة للقيم الشاذة. عندما أُدرجت هذه الخطوات، عممت النماذج القائمة على الأشجار بشكل أفضل عبر الآبار. كانت السجلات شبه الصوتية الناتجة دقيقة بما يكفي لدعم مهام لاحقة مثل تقدير صلابة الصخور، نمذجة ضغط المسام والإجهاد، معايرة البيانات الزلزالية، وتخطيط الآبار في مناطق حيث قياسات السونك مفقودة أو مُؤجلة أو غير موثوقة. وبما أن جميع التحويلات مثبتة على بئر مرجعي ثم يُعاد استخدامها، يمكن أن يعمل سير العمل تقريباً في الوقت الحقيقي أثناء الحفر.

الرسالة الأساسية لغير المتخصصين

تُظهر هذه الدراسة أنه من خلال تعامل منضبط مع البيانات واختيار نماذج تعلم آلي مناسبة، من الممكن إعادة إنشاء معلومات سونك عالية القيمة من قنوات الحفر والتسجيل الأرخص في بئر جديد لم تره النماذج من قبل. لا تحل هذه المقاربة محل أدوات السونك المخصصة، خصوصاً حيث تكون هوامش السلامة ضيقة، لكنها تقدم احتياطياً عملياً وفعالاً من حيث التكلفة، فضلاً عن فحص جودة عندما تبدو البيانات المقاسة مريبة. مع إضافة مزيد من الآبار والمناطق واختبار نماذج أحدث ضمن نفس القواعد الصارمة، قد يصبح هذا النوع من التنبؤ عبر الآبار جزءاً معيارياً من أدوات التحول الرقمي لحفر بحري أكثر أماناً وكفاءة.

الاستشهاد: Zare, B., Huque, M.M., James, L.A. et al. Cross-well machine learning prediction of sonic logs in Newfoundland and Labrador. Sci Rep 16, 5292 (2026). https://doi.org/10.1038/s41598-026-36053-9

الكلمات المفتاحية: التعلم الآلي, سجلات صوتية, تسجيل الآبار, الحفر البحري, توصيف المكامن