نموذج تدفق متعدد الطور قابل للتفاضل للتعلّم الآلي الموجّه بالفيزياء في إدارة ضغط الخزانات

الحفاظ على ضغط تحت الأرض تحت السيطرة

في أعماق الأرض نقوم بحقن وسحب سوائل لأغراض مثل تخزين ثاني أكسيد الكربون، وإنتاج النفط والغاز، وتوليد الطاقة الحرارية الأرضية، والتخلص من مياه الصرف. لكن الضغط المفرط في هذه الخزانات المخفية قد يتسبب في تشقق الصخور، أو تحفيز زلازل، أو تسرب الغازات المخزنة. تقدم هذه الورقة طريقة جديدة لاستخدام التعلّم الآلي المدمج بإحكام مع المحاكاة المستندة إلى الفيزياء للحفاظ على ضغط باطن الأرض ضمن حدود آمنة، حتى عندما تكون جيولوجيا باطن الأرض غير مؤكدة ومعقدة.

لماذا من الصعب التحكم في الضغط تحت الأرض

الخزانات الجوفية بعيدة عن التجانس. تتفاوت طبقات الصخور في مقدار سهولة مرور السوائل عبرها، ويمكن أن تتعايش عدة سوائل وتتفاعل، مثل الماء والغاز. يعتمد المهندسون عادة على نماذج حاسوبية مفصّلة للتنبؤ بكيفية تطور الضغط عند حقن أو سحب السائل. يجب على هذه النماذج حل معادلات معقّدة، وعندما تتكرر آلاف المرات عبر العديد من السيناريوهات الجيولوجية المحتملة تصبح بطيئة جداً للاستخدام العملي. ومع ذلك، مثل هذه التكرارات بالذات ضرورية لتجنب تراكم ضغط خطير ولأخذ عدم اليقين الكبير في التكوينات الجوفية الحقيقية بعين الاعتبار.

مزج الفيزياء مع التعلّم الآلي

يقترح المؤلفون سير عمل للتعلّم الآلي الموجّه بالفيزياء يعمل كـ«بديل» سريع للمحاكي الكامل مع الحفاظ على احترام المبادئ الفيزيائية الأساسية. الفكرة الأساسية هي تدريب شبكة عصبية تفاضلية تلافيفية — نوع من النماذج التي تتفوق في قراءة الصور — على خرائط ثنائية الأبعاد لنفاذية الصخور. بالنظر إلى إحدى هذه الخرائط، تتنبأ الشبكة بكمية السائل التي يجب سحبها من بئر للحفاظ على الضغط عند موقع حرج مجاور ضمن حد محدد أثناء الحقن. بدلاً من تدريب الشبكة فقط على بيانات سابقة، يتضمن الأسلوب محاكي فيزيائي كاملاً داخل حلقة التدريب مباشرة. في كل مرة تقترح فيها الشبكة معدل سحب، يحسب المحاكي الضغط الناتج، وتُعدل الشبكة استناداً إلى مدى اقتراب ذلك الضغط من الهدف.

من فيزياء بسيطة إلى معقدة باستخدام التعلّم بالنقل

بما أن الجريان الجوفي الواقعي ينطوي على عدة أطوار سائلة ويتغير مع الزمن، فإن التدريب المباشر على محاكيات متعدد الأطوار والزمنية سيحتاج إلى عدد هائل من التجارب المكلفة. أشارت تقديرات سابقة إلى عشرات الملايين من المحاكاة، وهو أمر غير عملي. للتغلب على ذلك، يستخدم المؤلفون التعلّم بالنقل: حيث يقومون أولاً بتدريب أولي للشبكة العصبية على مسألة أبسط بكثير يكون فيها طور سائل واحد فقط متحرك والنظام في حالة ثابتة. هذه المحاكيات رخيصة وتسمح للنموذج بتعلم أنماط عامة تربط خواص الصخور بضبط الضغط. بمجرد أن يكتسب الشبكة هذا الأساس، يتم ضبطها لاحقاً باستخدام محاكي أكثر واقعية ثنائي الطور وزمني يلتقط تفاعل السوائل المحقونة والمقيمة.

أداء سير العمل الجديد

بفضل هذه الاستراتيجية على مراحل، يظهر المؤلفون أن دقة عالية يمكن تحقيقها باستخدام أقل من ثلاثة آلاف محاكاة كاملة متعدد الأطوار — أي أقل بمعدلات كثيرة من ما تتطلبه الطرق البسيطة. أثناء التدريب يراقبون مدى تقارب الضغوط المتوقعة من الهدف عند الموقع الحرج ويجدون أن الأخطاء تنخفض بسلاسة وتبلغ قيمًا صغيرة جدًا بعد عدد متواضع من خطوات الضبط الدقيق. عند اختبار النموذج المتدرب على عشرة آلاف حقل نفاذية مُولَّد عشوائياً، تختار الشبكة باستمرار معدلات سحب تحافظ على الضغط في النقطة الحرِجة قرب المستوى المرغوب، على الرغم من أن خواص الصخور الأساسية تتباين عبر عدة مراتب من القيمة. كما يُمدَّد الأسلوب إلى إعداد ثلاثي الأبعاد به آبار حقن وسحب متعددة، حيث يحافظ مرة أخرى على ضغوط آمنة في مواقع حرجة متعددة.

ما الذي يعنيه هذا للعمليات الواقعية

تُظهر الدراسة أن الجمع بين محاكيات فيزيائية قابلة للتفاضل والتعلّم الآلي يمكن أن يوفر أداة قوية لإدارة ضغط باطن الأرض في ظل عدم اليقين. من خلال التعلم مباشرة من المعادلات الحاكمة، بدلاً من الاعتماد على مجموعات بيانات تاريخية كبيرة، يمكن تطبيق النهج على مواقع تخزين أو استخراج جديدة تكون فيها البيانات نادرة. وهو يقدم مساراً لتنبؤات أسرع، وتتمتع بالموثوقية الفيزيائية، يمكن أن تدعم اتخاذ القرار شبه الآني. عملياً، يعني هذا أن المشغلين قد يصبح بإمكانهم ضبط معدلات الحقن والسحب بشكل أفضل لتجنب الزلازل الناجمة عن الأنشطة ومخاطر التسرب مع الاستمرار في تحقيق أهداف الطاقة والتخزين.

الاستشهاد: Ur Rashid, H., Pachalieva, A. & O’Malley, D. Differentiable multiphase flow model for physics-informed machine learning in reservoir pressure management. Sci Rep 16, 10345 (2026). https://doi.org/10.1038/s41598-026-37063-3

الكلمات المفتاحية: إدارة ضغط الخزان, التعلّم الآلي الموجّه بالفيزياء, تدفق متعدد الطور, تخزين الكربون, محاكاة قابلة للتفاضل