تقييم مقارن لنماذج التعلم الآلي لتنبؤ لزوجة محاليل البوليمر في تعزيز استرداد النفط

لماذا يهم التنبؤ بـ "سمك" السوائل في حقول النفط

استخراج القطرات الأخيرة من النفط من حقل متقادِم قد يبدو أبسط مما هو عليه. عادة ما يقوم المهندسون بتكثيف المياه المحقونة بإضافة بوليمرات خاصة حتى تدفع النفط بشكل متجانس بدلاً من أن تخترقه بطريقة «الأصابع» وتترك وقودًا ذا قيمة خلفها. لكن ضبط مدى "سمك" هذه المحاليل البوليمرية يتطلب في العادة مئات الاختبارات المخبرية تحت درجات حرارة ومستويات ملوحة ومعدلات تدفق وجرعات كيميائية مختلفة. تُبيِّن هذه الدراسة كيف يمكن للتعلم الآلي الحديث أن يتعلم من تلك التجارب ثم يتنبأ فورًا بلزوجة البوليمر، مما يساعد في تصميم مشاريع استرداد نفط أكثر كفاءة وأقل مخاطرة.

كيف تساعد السوائل الكثيفة على تحريك النفط العنيد

عند فتح خزان نفطي لأول مرة، يتدفق النفط نسبيًا بسهولة. مع مرور الوقت، يصبح الباقي محبوسًا في مسامات الصخور ولا يتحرك جيدًا تحت الضخ بالماء العادي. إذا كانت المياه المحقونة أقل لزوجة من النفط، فإنها تنسل عبر المسارات الأسهل، متجاوزة جزءًا كبيرًا من الخام المتبقي. إضافة البوليمرات تجعل الماء المحقون أكثر سمكًا، مما يسمح له بالدفع بشكل أكثر انتظامًا، وتحسين عملية "المسح" للصخور وزيادة الاسترداد الكلي. المشكلة أن سلوك البوليمر حساس جدًا للظروف: زيادة التركيز عادة ما تزيد اللزوجة، وارتفاع الحرارة والقص الأكبر (التدفق الأسرع) يقللانها عادةً، والأملاح الذائبة قد تضعف أو تعيد تشكيل سلاسل البوليمر. ونظرًا لتداخل هذه العوامل بطرق معقدة وغير خطية، فإن الصيغ البسيطة غالبًا ما تفشل.

بناء مجموعة بيانات غنية من التجارب المخبرية

ركز المؤلفون على بوليمر مستخدم على نطاق واسع (SAV10، نوع من HPAM) وأنشأوا 1,079 قياسًا للزوجة تحت ظروف حقل نفطية واقعية. غيّروا أربعة مكونات رئيسية: تركيز البوليمر (من 1,000 إلى 4,000 جزء في المليون)، ودرجة الحرارة (25–80 °م)، ومحتوى الأملاح محاكياً مياه البحر العربية ومخففاتها، ومعدل التدفق معبرًا عنه بمعدل القص. كما هو متوقع، ظهرت المحاليل الأكثر سمكًا عند درجات حرارة منخفضة وملوحة منخفضة وتركيز عالٍ وتدفق لطيف؛ أظهرت جميع العينات سلوك "تخفف القص"، أي أنها أصبحت أقل لزوجة عند الخلط أو الضخ بسرعة أكبر. قبل النمذجة، نظف الفريق البيانات ووحدها، وفحص القيم الشاذة ودرس الترابطات. أظهر التركيز أقوى ارتباط إيجابي باللزوجة، بينما ميّلت الحرارة والقص والملوحة إلى تقليلها، لكن ليس بطريقة خطية بسيطة.

اختبار العديد من طرق التعلم

عامل الباحثون بعد ذلك مشكلة تنبؤ اللزوجة كمهمة قائمة على البيانات وقارنوا بشكل منهجي طرق تعلم آلي مختلفة. بدأوا بالأدوات المألوفة — الانحدار الخطي، آلات الدعم الناقلة، أشجار القرار، وعدد من الشبكات العصبية — ووجدوا أن النماذج الأكثر مرونة أدت أداءً أفضل بكثير من الملائمات الخطية البسيطة. شبكة عصبية "عريضة" ذات طبقة مخفية واحدة مكونة من 100 عصبون تنبأت بالفعل باللزوجات بدقة ممتازة، مطابقة القيم المقاسة عبر النطاق الكامل. بعد ذلك قيّموا مجموعة من الطرق المتقدمة المعروفة بنماذج التجميع، التي تجمع بين نقاط قوة العديد من أشجار القرار أو المتعلمين المعززين، إلى جانب الانحدار بعمليات غاوسية، وهي وسيلة احتمالية توفر أيضًا تقديرات لعدم اليقين. قدمت عدة من هذه النماذج المتقدمة أداءً ممتازًا، مع أخطاء تنبؤ صغيرة جدًا حتى عند اللزوجات العالية، حيث تتعثر كثير من الطرق التقليدية.

لماذا أعطت نماذج التكديس أدق التنبؤات

لاستخراج آخر ذرة من الدقة، بنى الفريق مجموعة "تكديس" تمزج بين ثلاث من أفضل النماذج الفردية (Extra Trees وXGBoost وCatBoost) باستخدام نموذج ميتا بسيط في الأعلى. كل نموذج أساسي تعلّم جوانب مختلفة قليلاً من كيفية تأثير التركيز والقص والحرارة والملوحة على اللزوجة؛ ثم تعلّم نموذج الميتا كيف يوزّن مخرجاتهم. قدّم هذا النظام المتكدّس أفضل أداء من بين الجميع، مع تطابق شبه كامل بين اللزوجات المتنبأ بها والمقاسة وخطأ متوسط منخفض جدًا، بما في ذلك في حالات اللزوجة العالية التي تكتسب أهمية في تصميم الحقول. أكدت أدوات الشرح القابلة للتفسير للذكاء الاصطناعي، مثل أهمية الطيران العشوائي وتحليل SHAP، أن تركيز البوليمر هو المتحكم السائد، يليه معدل القص والحرارة والملوحة — ترتيب يتوافق مع فيزياء البوليمرات الأساسية.

ماذا يعني هذا لتصميم استرداد النفط في المستقبل

بالنسبة للقارئ العام، الخلاصة أن الدراسة تحوّل عملية مخبرية بطيئة تعتمد على المحاولة والخطأ إلى محرك تنبؤي سريع قائم على البيانات. بعد تدريب النموذج المتكدس، يمكنه تقدير مدى سمك محلول البوليمر فورًا تحت توليفات جديدة من الملوحة والحرارة والتدفق والتركيز، دون الحاجة لإجراء تجارب جديدة في كل مرة. هذا يمكن أن يسرع فرز خيارات الاسترداد، ويخفض التكاليف، ويقلل عدم اليقين عند التخطيط لمشاريع فيض البوليمر. ومع أن العمل الحالي معتمد على بوليمر محدد وبيانات على مقياس مخبري، إلا أن نفس النهج يمكن توسيعه ليشمل كيميائيات ومضافات أخرى، مما يساعد المهندسين في النهاية على تخصيص سوائل ذكية لحقول أصعب مع الاعتماد أقل على التخمين وأكثر على الأنماط المكتسبة في البيانات.

الاستشهاد: Belkhir, S.A., Pakeer, A.A., Shakeel, M. et al. Comparative assessment of machine learning models for polymer solution viscosity prediction in enhanced oil recovery. Sci Rep 16, 10442 (2026). https://doi.org/10.1038/s41598-026-41045-w

الكلمات المفتاحية: فيض البوليمر, تنبؤ اللزوجة, التعلم الآلي, تعزيز استرداد النفط, نماذج التجميع