نموذج CNN-LSTM مُحسَّن بخوارزمية البحث عن العصفور المحسّنة لتنبؤ إنتاج الآبار النفطية

تخطيط أذكى للطاقة تحت الأرض

تحتاج شركات النفط والغاز إلى معرفة كمية النفط التي سيُنتجها البئر قبل أشهر كي تخطط للاستثمارات، وتبرمج الصيانة، وتتجنب هدر المياه والطاقة والمال. ومع ذلك، تتصرف الآبار الحقيقية بطرق معقدة ومتغيرة يصعب التقاطها بالمعادلات التقليدية. تقدم هذه الدراسة نهجًا جديدًا في الذكاء الاصطناعي يتعلم من سلوك الآبار السابقة للتنبؤ بإنتاجها المستقبلي بدقة وموثوقية أكبر.

لماذا من الصعب التنبؤ ببئر واحد

تعتمد كمية النفط التي يمكن أن يوفرها بئر واحد على عوامل متغيرة كثيرة: جيولوجيا الصخر، كيفية حقن المياه في المكمن، أداء المضخة، وكيفية حركة الموائع تحت الأرض بمرور الوقت. يمكن للنماذج الهندسية التقليدية أن تمثل معظم هذه الفيزياء لكنها تتطلب كميات هائلة من البيانات وأوقات إعداد طويلة، ولا تزال تواجه صعوبات أمام التغيرات الفوضوية في العالم الحقيقي. حسّنت أساليب التعلم الآلي الحديثة التنبؤات لأنها تتعلم الأنماط مباشرة من البيانات—إلا أنها غالبًا ما تتطلب ضبطًا يدويًا دقيقًا من الخبراء. اختيار إعدادات النموذج الصحيحة، أو ما يُعرف بالمعاملات الفائقة، يمكن أن يكون مملاً وذاتيًا وعرضة للوقوع في حلول دون المثالية.

دمج الأنماط في الزمان والمكان

يبني المؤلفون على أداتين قويتين في الذكاء الاصطناعي. الشبكات العصبية التفافية (CNN) ممتازة في رصد الأنماط المحلية والميزات في البيانات، بينما شبكات الذاكرة طويلة وقصيرة الأمد (LSTM) مصممة لتتبع كيفية تطور الإشارات عبر فترات زمنية طويلة. بدمج CNN وLSTM، يمكن للنموذج أولًا «استخلاص» أنماط قصيرة الأمد مفيدة من عدة إشارات تشغيلية، ثم متابعة كيفية تطور تلك الأنماط شهرًا بعد شهر. تشمل المدخلات إنتاج المياه اليومي، كفاءة المضخة، نسبة الماء في الإنتاج، زمن الإنتاج، وعمق المضخة—اختيرت باستخدام اختبار إحصائي معياري (مُعامل ارتباط بيرسون) للاحتفاظ فقط بالمتغيرات ذات الصلة الحقيقية بإنتاج النفط. الهدف الفردي للتنبؤ هو متوسط الإنتاج الشهري للنفط لبئر معين.

طريقة أذكى لضبط نموذج الذكاء الاصطناعي

الابتكار الرئيسي هو نسخة محسنة من خوارزمية بحث العصافير، وهي تقنية مستوحاة من كيفية بحث الطيور عن الغذاء كمجموعة. في هذا النهج، «يطير» العديد من الحلول المرشحة عبر فضاء إعدادات النموذج الممكنة، ويتبادلون معلومات حول المناطق الواعدة. تُحسّن خوارزمية العصافير المحسّنة (ISSA) ثلاثة عناصر أساسية: تستخدم مخططًا فوضويًا خاصًا لنشر نقاط البداية بالتساوي، وترقي طريقة تحرك «المنتجين» و«المفترسين» الافتراضيين أثناء الاستكشاف. توسيع نطاق البحث هذه التغييرات يسرع التقارب إلى إعدادات جيدة ويقلل من فرص الوقوع في حلول متوسطة. تُستخدم ISSA بعد ذلك لضبط المعاملات الفائقة الحرجة لنموذج CNN-LSTM تلقائيًا، مثل حجم وعدد مرشحات الالتفاف وحجم الطبقات الخفية.

الاختبار على آبار حقيقية في مكمن ضيق المسام

لمعرفة مدى فاعلية النموذج الجديد عمليًا، طبّقه الفريق على مكمن رمل حجري ضيق في حوض أوردوس بالصين، مستخدمين بيانات لخمسة أعوام من بئرين تمثيليين، TB987 وTB990. قُسمت البيانات إلى جزء للتدريب لتعليم النموذج وجزء للاختبار لتقييم تنبؤاته. قارن المؤلفون نهج ISSA-CNN-LSTM بعدة بدائل: إصدارات تستخدم LSTM فقط أو CNN فقط، ونماذج مضبوطة بواسطة طريقة العصافير الأصلية، ونماذج مضبوطة بواسطة محسنات سربية شهيرة أخرى مثل سِرب الجسيمات، وذبابة الفاكهة، وخوارزمية الذئاب الرمادية. عبر عدة مقاييس خطأ معيارية، أنتج النموذج المحسّن تنبؤات تتبع منحنيات الإنتاج الحقيقية بدرجة أكبر وبتقلبات خطأ أصغر بشكل ثابت.

ما الذي تفعله التنبؤات المحسنة للعمليات

الدقة الأعلى لنموذج ISSA-CNN-LSTM ليست مجرد مكسب أكاديمي؛ لها استخدامات تشغيلية مباشرة. على المدى القصير، يمكن أن توجه التنبؤات الشهرية الأكثر موثوقية مقدار الماء الواجب حقنه وكيفية توزيع الموارد بين الآبار، مما يساعد على الحفاظ على إنتاج مستقر. عندما ينحرف الإنتاج الفعلي بعيدًا عن النطاق المتوقع، يمكن للمشغلين اعتبار ذلك إشارة تحذيرية مبكرة وفحص المضخات، والبحث عن تفجر مياه غير متوقع، أو إعادة تقييم حالة المكمن. على فترات أطول، تساعد توقعات النموذج في الكشف عن معدل تراجع المكمن، مما يدعم قرارات متى يجب تحفيز بئر، أو حفر آبار جديدة، أو تعديل خطة التطوير.

رؤية أوضح لمستقبل النفط من خلال البيانات

بعبارات بسيطة، تُظهر هذه الدراسة أن السماح لطريقة بحث مُحسّنة مستوحاة من الطيور بضبط شبكة مُدمجة CNN–LSTM تلقائيًا يجعل تنبؤات الآبار الفردية أكثر حدة واستقرارًا. لبئرَي الاختبار، خُفّضت أخطاء النموذج إلى ما يقارب نسبة واحد بالمئة في المتوسط، وكان التطابق بين الإنتاج المتوقع والفعلي شبه واحد لواحد. مع مزيد من التطوير على مجموعات أكبر من الآبار ودمجها مع أدوات سلاسل زمنية أخرى، قد تصبح أساليب مثل ISSA-CNN-LSTM أدوات عملية لدعم القرار، تساعد منتجي النفط على استخلاص معلومات وقيمة أكبر من البيانات التي يجمعونها بالفعل.

الاستشهاد: Zhang, R., Guo, L., Sun, J. et al. CNN-LSTM model optimized by improved sparrow search algorithm for oil well production prediction. Sci Rep 16, 13972 (2026). https://doi.org/10.1038/s41598-026-43674-7

الكلمات المفتاحية: توقع إنتاج الآبار النفطية, تعلم الآلة, تنبؤ السلاسل الزمنية, خوارزمية تحسين, هندسة المكامن