بحث حول طريقة التنبؤ بمعدل اختراق الحفر للمسابح العميقة استنادًا إلى نموذج TCN-transformer

لماذا يهم سرعة الحفر تحت الأرض

كل ساعة إضافية في الحفر لبئر نفط أو غاز تكلف المال وتسبب تآكل المعدات واستهلاك الوقود. رقم أساسي يتابعه المهندسون هو مدى سرعة قاطعة الحفر في اختراق الصخر، والذي يُسمى معدل الاختراق. لو أمكن التنبؤ بهذا المعدل بدقة مسبقًا، لكان بإمكان الشركات تصميم برامج حفر أذكى، وتجنب هدر الوقت في الصخور الصعبة، وتقليل المخاطر في التكوينات العميقة والحارة. تقدم هذه الدراسة طريقة جديدة للتنبؤ بسرعة الحفر في آبار عميقة جدًا عبر دمج أداتين حديثتين للذكاء الاصطناعي في نموذج واحد أكثر دقة.

تحدي الحفر على أعماق شاسعة

تواجه الآبار العميقة ظروفًا أقسى بكثير من الآبار السطحية. على عمق عدة كيلومترات تحت الأرض قد تتجاوز درجات الحرارة 150 °م وتعلو الضغوط، مما يغير خصائص الصخور والاسمنت الذي يغلق البئر. في مناطق مثل حوض تاريم وسيتشوان في الصين، تصل بعض الآبار إلى أعماق تتجاوز 7000 متر. في هذه الظروف القاسية، تكافح الطرق التقليدية القائمة على معادلات ثابتة لتقدير سرعة الحفر لأن صلابة الصخور وسلوك السوائل ومكونات معدات الحفر تتداخل جميعها بطرق معقدة ومتغيرة. ساعدت الأساليب الإحصائية والطرق القائمة على التعلم الآلي سابقًا، لكنها غالبًا ما اعتبرت كل قياس كنقطة معزولة، متجاهلة كيف يتطور الحفر كسياق مستمر على طول البئر.

جعل الحفر قصة زمنية

يعامل المؤلفون سرعة الحفر كسلسلة زمنية: قصة تتطور مع العمق والزمن باستمرار. يستقون من فكرتين معاصرتين لنمذجة التسلسلات من مجال الذكاء الاصطناعي. الأولى، شبكة الالتفاف الزمنية (temporal convolutional network)، تمسح التسلسل نوافذ متداخلة، فتلتقط أنماطًا قصيرة ومتوسطة المدى — مثل كيف يؤثر تغير في الحمل على القاطع أو سرعة الدوران على الحفر بعد لحظات قليلة. الثانية، المعروفة بالمحول (transformer)، تتفوق في ربط نقاط بعيدة بتسلسل ما، فتلتقط علاقات طويلة المدى قد تمتد لآلاف الأمتار من الحفر. عبر دمجهما، يستخرج النموذج أولًا ميزات محلية مفصلة ثم يتعلم الاتجاهات الأوسع والعلاقات العالمية التي تربط مراحل مختلفة من البئر.

بناء متنبئ أذكى من بيانات ميدانية حقيقية

لتدريب واختبار منهجهم، استخدم الباحثون بيانات حفر حقيقية من آبار متعددة في كتلة واحدة من حوض سيتشوان. بدأوا بـ 12 قياسًا شائعًا، منها العمق وسرعة الدوران وخواص الطين والقوة على القاطع، ثم استخدموا اختبار الارتباط القياسي لتقليصها إلى 10 قياسات الأكثر تأثيرًا في التنبؤ بسرعة الحفر. نظرًا لأن بيانات الحفر مرتبة بطبيعتها زمنيًا، تجنبوا الخلط العشوائي وحافظوا على التسلسل، مستخدمين أول 80% من كل مجموعة بيانات مرتبة للتدريب والـ20% المتبقية للاختبار. كما اكتشفوا أن المقاطع الضحلة فوق 3000 متر أظهرت تقلبات عنيفة بسبب جيولوجيا متغيرة وتعديلات متكررة في المعدات، ما جعلها صاخبة وصعبة النمذجة. بالتركيز على المقاطع الأعمق والأكثر استقرارًا حسّنوا الدقة بشكل كبير.

ما الذي يقدمه النموذج الهجين بشكل أفضل

قارن الفريق بعناية طرقًا مختلفة لترتيب البيانات وتصاميم نماذج متعددة. عندما استخدموا بئرًا واحدًا في كل مرة، كانت جودة التنبؤ متواضعة. الجمع بين آبار متعددة من نفس الكتلة، وترتيب البيانات وفقًا للتسلسل الفعلي للحفر في كل بئر، حسّن الأداء لأنه حافظ على علاقة السبب والنتيجة الطبيعية بين خيارات التشغيل واستجابة الصخر. نموذج المحول الوحيد تفوّق بالفعل على الطرق التقليدية، لكن النموذج الهجين — حيث تغذي شبكة الالتفاف الزمنية المحول — أعطى أفضل أداء على الإطلاق. حقق معامل التحديد قرب 0.99 على بيانات الكتلة وحافظ على دقة مماثلة عند التنبؤ ببئر جديد لم يُستخدم في التدريب، متفوقًا بوضوح على الأشجار المعززة تدرجيًا ونموذج الالتفاف مع LSTM.

من نموذج بحثي إلى أداة ميدانية

لفهم سبب فعالية الدمج، أجرى المؤلفون اختبارات عطلوا أو عدّلوا فيها أجزاء فردية من النموذج. أدى إزالة البُنية "المتباعدة" للالتفافات الزمنية، أو تقليص نافذة البيانات السابقة، أو استبدال شبكة الالتفاف الزمنية بواجهة التفاف أبسط إلى تقليل الدقة. جاءت أفضل النتائج عندما استطاع النموذج رؤية نحو 30 خطوة زمنية متتالية، واستخدام إعدادات التفاف مضبوطة بعناية لالتقاط الأنماط القصيرة والمتوسطة المدى، وترك المحول ليتعامل مع الروابط طويلة المدى. سمح هذا المزيج للنظام بالتعميم عبر آبار ذات جيولوجيا مماثلة، مشيرًا إلى أنه مع بعض الضبط الدقيق يمكن تكييفه إلى كتل أخرى أيضًا.

ما يعنيه هذا للحفر المستقبلي

تُظهر الدراسة أن هجينة مصممة بعناية من تقنيتين حديثتين للذكاء الاصطناعي تستطيع التنبؤ بسرعة حفر الآبار العميقة بدقة عالية في بيئة حقل نفط حقيقية. بالنسبة للمهندسين، يعني ذلك توقعات أكثر موثوقية لسرعة الحفر، وتخطيطًا أفضل لعمليات تشغيل القواطع وبرامج الطين، واستجابات أسرع للمشكلات الناشئة في باطن البئر. وفي حين أن النموذج الحالي لا يتضمن بعد قياسات مفصلة لخصائص الصخور ويحتاج إلى اختبارات في مناطق جيولوجية أكثر تنوعًا، فإنه يمثل خطوة مهمة نحو أنظمة دعم ذكية وفي الوقت الحقيقي تساعد على الحفر بشكل أكثر أمانًا وسرعة وتكلفة أقل.

الاستشهاد: Yuehao, L., Guodong, Z., Xiangchao, S. et al. Research on deep well drilling rate of penetration prediction method based on TCN-transformer model. Sci Rep 16, 11075 (2026). https://doi.org/10.1038/s41598-026-41298-5

الكلمات المفتاحية: حفر آبار عميقة, التنبؤ بمعدل الاختراق, التعلم الآلي في الحفر, نمذجة السلاسل الزمنية, الشبكات العصبية الهجينة