بحث حول الترابط بين الآبار في فيضانات CO2 استنادًا إلى شبكة الانتباه البياني ذات الذاكرة الطويلة والقصيرة

لماذا يهم هذا البحث للطاقة والمناخ

لا يزال الكثير من النفط العالمي يُستخرج من حقول قديمة حيث يصبح استخراج الخام المتبقي أكثر صعوبة وتكلفة. نهج واعد، هو فيضان CO2، يحقن ثاني أكسيد الكربون تحت الأرض لدفع المزيد من النفط نحو الآبار المنتجة، بينما يخزن أيضًا CO2 الذي كان سيدخل الغلاف الجوي. لكن المشغلين غالبًا ما يجهلون كيف ينتقل الغاز المحقون فعليًا بين الآبار. تقدم هذه الورقة طريقة جديدة معتمدة على البيانات لـ"رسم خرائط" تلك الروابط الخفية في الوقت الحقيقي، مما يساعد على جعل فيضان CO2 أكثر كفاءة وربما أكثر ملاءمة للمناخ.

جعل الطرق السريعة تحت الأرض المرئية

عند حقن CO2 في خزان نفطي، لا ينتشر الغاز بشكل متساوٍ. بل يتبع مسارات مفضلة تحت الأرض — كالطرق السريعة الخفية — الناتجة عن تباين نفاذية الصخور والشقوق الموجودة. يؤثر بعض آبار الحقن بقوة على آبار الإنتاج معينة؛ بينما تكاد آبار أخرى لا تحدث فرقًا. هذا النمط، المسمى الترابط بين الآبار، يتحكم بمدى فعالية دفعات CO2 في جرف النفط نحو الآبار المنتجة ومدى تجاوز الغاز للمناطق المفيدة أو اختراقه بسرعة زائدة. تتبع هذه الروابط بدقة أمر حاسم لضبط خطط الحقن والإنتاج، لكن الطرق التقليدية غالبًا ما تتطلب اختبارات ميدانية مكلفة أو افتراضات مبسطة تكافح في الخزانات المعقدة.

قيود الأدوات التقليدية

لطالما اعتمد المهندسون على تقنيات مثل اختبارات تداخل الضغط، والمتتبعات الكيميائية، ومحاكاة خطوط التيار لاستنتاج كيفية تواصل الآبار تحت الأرض. ومؤخرًا أضيفت أدوات إحصائية ونماذج تعلم آلي كلاسيكية إلى صندوق الأدوات. بينما يقدم كل أسلوب رؤى مفيدة، فإن له أيضًا عيوبًا: الاختبارات الميدانية بطيئة ومكلفة؛ النماذج الفيزيائية المبسطة قد تفوت تفاصيل مهمة في صخور متغيرة للغاية؛ وغالبًا ما يعامل التعلم الآلي التقليدي الآبار كسلاسل بيانات معزولة، متجاهلاً شبكة التفاعلات المتطورة بينها. كما تميل هذه المقاربات إلى افتراض أن نمط الاتصالات ثابت زمنياً، رغم أن واجهات CO2 والضغوط وقنوات التدفق تتغير مع استمرار الحقن.

شبكة ذكية تتعلم الزمن والمكان معًا

يقدم المؤلفون نموذجًا هجينًا للذكاء الاصطناعي مصممًا لمتابعة كيفية تغير الآبار عبر الزمن وكيف تؤثر على بعضها في الفضاء. جزء من النموذج، يسمى شبكة الذاكرة الطويلة والقصيرة (LSTM)، متخصِّص في تعلم الأنماط من السلاسل الزمنية — هنا، معدلات الحقن والإنتاج اليومية لكل بئر. والجزء الآخر، شبكة الانتباه البيانية (GAT)، يعامل الآبار كعقد في شبكة ويتعلم أي الأزواج مرتبطة بقوة أكبر، مع إسناد أوزان أعلى للروابط الأكثر تأثيرًا. معًا، يمكن لهذا النظام LSTM–GAT التنبؤ بالإنتاج المستقبلي وتقدير قوة الترابط بين آبار الحقن والإنتاج بطريقة تتحدَّث مع تطور الخزان.

بناء خريطة حية لروابط الآبار

لتغذية هذا النموذج، استخدم الباحثون خزانًا صناعيًا ثلاثي الأبعاد معروفًا باسم نموذج EGG وحاكوا فيضان CO2 على مدى عقد لثمانية آبار حقن وأربعة آبار إنتاج. بنوا "خريطة حية" للروابط من خلال فحص كيف تظهر تقلبات الحقن في بئر ما، بفاصل زمني، في إنتاج بئر آخر. استُخدم مقياس يُدعى الارتباط المتبادل المتأخر الأعظمي لاستنتاج قوة وتوقيت كل رابط ضمن نوافذ زمنية انزلاقية. أبقي فقط الأزواج التي كانت مترافقة بما يكفي وقريبة بما يكفي مكانيًا كحواف في الشبكة. ثم دُفِعت هذه الرسوم البيانية المتطورة إلى GAT، الذي صقَّل أهمية كل رابط أكثر بينما التقطت LSTM سلوك كل بئر يومًا بيوم.

مدى أداء النهج الجديد

تم ضبط النموذج الهجين واختباره بدقة على آلاف الأيام المحاكاة من البيانات. حقق دقة عالية في التنبؤ بمعدلات إنتاج الغاز، مع معامل تحديد اختبار R² يقارب 0.94، ما يعني أنه فسَّر معظم التباين في الحقل المحاكى. عندما قورنت خرائط الترابط المستنتجة مع أنماط التدفق التفصيلية من المحاكاة العددية التقليدية، توافقت الروابط القوية في الشبكة المتعلمة مع مناطق ذات نفاذية عالية ومسارات تدفق كثيفة. كما قارن المؤلفون طريقتهم بمجموعة من النماذج الأخرى، من الانحدار البسيط إلى الشبكات البيانية المستقلة وأساليب السلاسل الزمنية. عبر النتائج، قدم إطار LSTM–GAT توقعات أدق وأنماط ترابط أكثر واقعية، بينما تأخرت النماذج البيانية الثابتة البحتة بشكل ملحوظ.

دلالات لاستعادة نفط أنظف وأكثر كفاءة

للقارئ العام، الرسالة الأساسية أن هذه الدراسة تعرض طريقة أذكى وأكثر مرونة لتتبع كيفية تحرك CO2 المحقون في الباطن، باستخدام البيانات التي تجمعها الحقول الحديثة يوميًا بالفعل. من خلال تحويل سجلات الإنتاج إلى خريطة دينامية للروابط تحت الأرض، يمكن للمشغلين اتخاذ قرارات أفضل بشأن أين يحقنون، وأي الآبار يجب تقليل إنتاجها، وكيفية تجنب قنوات الغاز المضيِّعة. ورغم أن العمل معروض على نموذج اصطناعي متحكم به بدلاً من بيانات حقول حقيقية فوضوية، فإنه يشير إلى أدوات مستقبلية قد تجعل فيضان CO2 أكثر اقتصادية وأكثر فعالية في احتجاز الكربون، موائمًا الاحتياجات الطاقية القصيرة الأمد مع أهداف المناخ الطويلة الأمد.

الاستشهاد: Dong, Z., Xu, Y., Lv, W. et al. Research on inter-well connectivity in CO₂ flooding based on long short-term memory graph attention network. Sci Rep 16, 6664 (2026). https://doi.org/10.1038/s41598-026-36910-7

الكلمات المفتاحية: فيضان CO2, الترابط بين الآبار, الشبكات العصبية البيانية, تنبؤ الإنتاج, استعادة النفط المعززة