دمج التحسين والتعلّم الآلي لتقدير مقاومة ماء التكوين وتشبّع الماء في مكامن الرمال الطينية

لماذا هذا مهم للطاقة والبيئة

تعتمد شركات النفط والغاز على قياسات تُجرى داخل البئر لتحديد أماكن احتجاز الهيدروكربونات وما إذا كانت الحقل جديرًا بالتطوير. في العديد من المكامن، خاصة تلك الغنية بالطين والرمل الدقيق، تكون هذه القياسات صعبة التفسير، ما قد يؤدي إلى تقدير أقل لكمية النفط أو الغاز الفعلية. تقدم هذه الدراسة طريقة جديدة لاستخراج معلومات أكثر موثوقية من البيانات المتاحة بدمج تحسينات قائمة على الفيزياء مع التعلّم الآلي الحديث، مما قد يُحسّن الاستخلاص ويقلّل الاعتماد على عينات القلب المكلفة.

المشكلة مع الصخور الطينية

العديد من مكامن الهيدروكربون في العالم هي "رمال طينية" — خليط من حبيبات الرمل، وسوائل المسام، ومعادن طينية موصلة. تشوّه هذه الطينات القياسات الكهربائية المستخدمة لتقدير الحصة المملوءة بالماء مقابل الهيدروكربونات. تعتمد الأدوات والرسوم البيانية الكلاسيكية، المطوّرة للرمال الأنظف، افتراضات عن بنى صخرية بسيطة وقلة الطين. في الرمال الطينية، تنهار هذه الافتراضات، ما يجعل الصخور تبدو أكثر رطوبة مما هي عليه فعليًا، ويؤدي إلى استبعاد فواصل قد تحتوي في الواقع على كميات ملحوظة من النفط أو الغاز.

تحويل القياسات النادرة إلى مرساة قوية

يتناول المؤلفون كمية محورية تُسمى مقاومة ماء التكوين، التي تصف مدى قدرة ماء المسام على توصيل الكهرباء. إذا كان هذا المقدار غير صحيح، فإن كل تقدير لاحق لتشبّع الماء يكون متحيّزًا. بدلًا من الاعتماد على بضع قياسات مخبرية أو طرق رسومية ذاتية التقييم، يعالجون المسألة كمهمة تحسين: إيجاد قيمة واحدة لمقاومة ماء التكوين تجعل نموذجًا فيزيائيًا للرمال الطينية يتطابق بأفضل شكل مع المقاومية المقاسة على طول البئر. يختبرون عدة خوارزميات بحث ويظهرون أن طرقًا بسيطة خالية من المشتقات مثل باول ونيلدر–ميد تقوم باسترجاع مقاومة ماء التكوين الحقيقية بخطأ ضئيل للغاية عند مقارنتها ببيانات القلب وعينات الماء من 11 بئرًا في بحر الشمال النرويجي وصحراء مصر الغربية.

إنشاء سجل "شبه-قلب" للتعلّم الآلي

بمجرد الحصول على مقاومة ماء التكوين المحسّنة، يُستخدم نفس النموذج الفيزيائي لحساب ملف متواصل لتشبّع الماء على طول كل بئر. يُعامل هذا الملف كوسم عالي الجودة مستند إلى الفيزياء — نوع من "الشبه-قلب" — متوفر عند كل عمق، وليس فقط عند بعض الفواصل المأخوذة عينات منها. ثم يغذّي الباحثون سجلات البئر القياسية، مثل شعاع غاما، ومساحة نيترون، والكثافة، والمقاومة العميقة، إلى مجموعة واسعة من نماذج التعلّم الآلي. تشمل هذه مجموعات أشجار القرار (الغابة العشوائية، XGBoost، CatBoost)، وآلات المتجه الداعمة، وعددًا من بنى الشبكات العصبية، بما في ذلك شبكة متكررة خاصة تُسمى LSTM قادرة على تمييز الأنماط المتطورة مع العمق. يساعد التحضير الدقيق للبيانات، وفحص القيم الشاذة، والتطبيع على ضمان أن النماذج تتعلم علاقات جيولوجية حقيقية بدلًا من الضوضاء.

أي النماذج تعمم فعلاً؟

يقيّم الفريق النماذج على مرحلتين. أولًا، يستخدمون تحققًا متقاطعًا بخمس طيات على ثمانية آبار في بحر الشمال لضبط وترتيب النماذج، ويجدون أن الغابة العشوائية تبدو الفائزة وفق مقاييس الدقة القياسية. ثم يأتي الاختبار الأشد فاعلية: ثلاث آبار "عمياء"، بما في ذلك اثنتان من حوض مصري جيولوجيًا مختلف لم تُستخدم أثناء التدريب. هنا تتعثّر بعض النماذج؛ تنخفض قدرة الغابة العشوائية، مما يشير إلى فرط التكيّف مع الحوض الأصلي. بالمقابل، تحافظ أشجار التعزيز التدرّجي (CatBoost وXGBoost) وشبكات LSTM والشبكات العصبية المنظمة بايزياً على دقة عالية، مفسرة أكثر من 93–94% من تباين تشبّع الماء مع أخطاء متواضعة. يؤكد تحليل أهمية المتغيرات باستخدام SHAP، أداة تفسيرية حديثة، أن النماذج تعتمد بشكل أكبر على مدخلات معقولة فيزيائيًا مثل المقاومية، والمسامية، وحجم الطين.

ما معناه ذلك بعبارات بسيطة

لغير المتخصصين، الفكرة الأساسية هي أن المؤلفين يستخدمون الفيزياء أولًا لتنظيف وتثبيت المسألة، ثم يطلقون التعلّم الآلي. من خلال السماح لروتين تحسين بإيجاد مقاومة ماء التكوين الأكثر ملاءمة ثم تحويل ذلك إلى مجموعة تدريب كثيفة ومحترمة فيزيائيًا، يتجاوزون عنق الزجاجة التقليدي المتمثل في ندرة وتكلفة بيانات القلب. تُظهر نتائجهم أن هذا النهج "التحسين أولًا، التعلّم الآلي ثانيًا" يمكن أن يوفر تقديرات موثوقة لمدى احتواء خزان رملي طيني على الماء مقابل الهيدروكربونات، حتى في أحواض جديدة لم تُستخدم في التدريب. عمليًا، يمكن أن يساعد ذلك المشغلين على رسم مناطق الإنتاج بدقة أكبر، وتقليل عمليات أخذ القلب غير الضرورية، وتحسين تقديرات الهيدروكربونات المتواجدة في المكان — كل ذلك من خلال استغلال أذكى للبيانات التي يجمعونها بالفعل.

الاستشهاد: Hameedy, M.A.E., Mabrouk, W.M. & Metwally, A.M. Integrating optimization and machine learning for estimating water resistivity and saturation in shaley sand reservoirs. Sci Rep 16, 6342 (2026). https://doi.org/10.1038/s41598-026-36133-w

الكلمات المفتاحية: مكامن الرمال الطينية, تشبّع الماء, مقاومة ماء التكوين, التعلّم الآلي في البتروفيزياء, توصيف الخزان