نموذج تنبؤ بفقدان الدوران بناءً على معلمات الحفر باستخدام شبكة عصبية PSO-BP

لماذا الحفاظ على طين الحفر في البئر مهم

عندما تحفر الشركات عميقًا في الأرض بحثًا عن النفط والغاز، فهي تعتمد على طين ثقيل للحفاظ على السيطرة على البئر. إذا اختفى ذلك الطين فجأة في شقوق الصخور، يجب إيقاف العمليات، وترتفع التكاليف، وتزداد احتمالات وقوع أحداث خطرة مثل انفجار البئر. تصف هذه الورقة طريقة جديدة لرصد هذه الخسائر مبكرًا، باستخدام نموذج حاسوبي ذكي يتعلم من بيانات الحفر الحقيقية ويمكن أن يحذر المهندسين قبل أن تتحول المشكلات الصغيرة إلى حوادث خطيرة.

ماذا يعني أن يبدأ البئر في «شرب» الطين

أثناء الحفر، تضخ المضخات الطين للأسفل عبر أنبوب الحفر ويعود عبر الفراغ بين الأنبوب والصخور، حاملاً النواتج ومتوازناً ضغوط الطبقات تحت الأرض. يحدث فقدان الدوران عندما يهرب هذا الطين إلى الصخور المحيطة بدلاً من العودة إلى السطح. قد يتسرب عبر شقوق ومسامات طبيعية، أو يفتح شقوقًا جديدة إذا كان الطين ثقيلاً للغاية. في كلتا الحالتين، يلاحظ طاقم السطح انخفاضًا في كمية الطين العائدة، وقد يصبح البئر غير مستقر بسرعة، مما يؤدي إلى انهيار البئر، أو انحشار الأنبوب، أو دخول مفاجئ للسوائل التكوينية إلى الحفرة (kick).

قراءة العلامات الحيوية للطين

في الميدان، تُسجل العديد من القياسات كل بضع ثوانٍ: كمية الطين في خزانات السطح، ومعدلات التدفق الداخلة والخارجة من البئر، والضغط اللازم لدفعه إلى أسفل، وسرعة تقدم القطعة، وحِمل عمود الحفر. يوضح المؤلفون أنه لا يكفي قراءة واحدة لاكتشاف الخطر بشكل موثوق؛ فبدلاً من ذلك، تهم الأنماط المترابطة عبر عدة إشارات. باستخدام الإحصاء وخبرة الحفارين، يضيقون قائمة طويلة من المعلمات إلى مجموعة صغيرة تعكس أفضل حالات وقوع الخسائر: حجم الخزان الكلي، ضغط أنبوب الوقوف (standpipe)، الفرق بين التدفق الداخل والخارج، حمل المحرك العلوي (أو خطاف السلسلة)، معدل الاختراق، كثافة الطين، واتجاه البئر. تعمل هذه المعلمات معًا كعلامات حيوية لصحة البئر.

تعليم سرب رقمي على رصد المشاكل

يبني الفريق نظام الإنذار حول نوع من الشبكات العصبية الاصطناعية، وهو نموذج مرن يستطيع تعلم العلاقات المعقدة المخفية في البيانات. لكن هذا النوع من الشبكات قد يتعلم ببطء أو يعلق في حلول دون المثالية. لتجاوز ذلك، يقترن النموذج بخوارزمية تحسين سرب الجسيمات، وهي خوارزمية مستلهمة من أسراب الطيور بحثًا عن الطعام. تمثل كل «جسيمة» في السرب مجموعة ممكنة من إعدادات الشبكة العصبية. من خلال مقارنة مدى دقة كل مجموعة في التنبؤ بحوادث الخسارة الماضية، يتحرك السرب جماعيًا نحو حلول أفضل. بهذه الطريقة تُستخدم خوارزمية سرب الجسيمات لضبط الاتصالات الداخلية للشبكة العصبية قبل التدريب النهائي، مما يجعل التدريب أسرع وأكثر استقرارًا.

من بيانات ميدانية مضطربة إلى إنذارات مبكرة

بيانات الحفر الحقيقية فوضوية، تحتوي على قيم مفقودة وضوضاء من المستشعرات وقراءات خاطئة أحيانًا. يبدأ المؤلفون بتنقية مجموعة البيانات من عدة آبار في غرب الصين، وإزالة القيم الشاذة، وترميز الإدخالات الوصفية، وتحجيم الأرقام إلى مدى مشترك بحيث لا يهيمن متغير واحد. ثم يحللون قوة ارتباط كل معلمة بحوادث الفقدان ويحتفظون فقط بتلك التي تضيف معلومات مميزة. بعد تدريب النموذج الهجين على عشرات فترات فقدان الطين والفترات الطبيعية المسجلة، يختبرونه على مقاطع جديدة من الآبار. لا يكتفي النموذج بتتبع ارتفاع وانخفاض المعلمات الرئيسة فحسب، بل يحول هذه الأنماط إلى توقع واضح عما إذا كان من المحتمل حدوث فقدان.

مدى أداء المراقب الذكي

لحكم ما إذا كانت هذه الطريقة الجديدة مجدية للاستخدام الميداني، يقارن المؤلفون أداءها بعدة بدائل: شبكة عصبية اعتيادية، وإصدارات مضبوطة بواسطة تقنيتي تحسين أخريين. يستخدمون مقاييس خطأ قياسية ويظهرون أن الشبكة المضبوطة بسرب الجسيمات تتنبأ بفقدان الدوران بدقة أكبر من البقية، مطابقةً الملاحظات الميدانية الحقيقية بفجوات أصغر بكثير. في آبار الاختبار، يحدد النموذج بشكل صحيح المناطق التي سيفقد فيها الطين ويقدّر مدى المشكلة، مما يوفر تحذيرًا مفيدًا بينما يستمر الحفر.

ماذا يعني هذا لحفر أكثر أمانًا وأقل كلفة

بعبارة بسيطة، تُظهر الدراسة أن دمج خبرة الحفر العملية مع أدوات التعرف على الأنماط المتقدمة يمكن أن يخلق نظام إنذار مبكر موثوقًا عندما يبدأ البئر بـ«تسريب» الطين إلى الصخور. من خلال مراقبة مجموعة مختارة من الإشارات الدقيقة وترك سرب رقمي يضبط محرك التنبؤ، تحقق الطريقة دقة عالية وتتجنب الإنذارات الفائتة. إذا تم دمجها في أنظمة المراقبة في الوقت الحقيقي، يمكن أن تساعد هذه المقاربة الحفارين على الاستجابة بشكل أسرع — بتعديل خصائص الطين أو ظروف التشغيل قبل أن تحدث خسائر خطيرة — مما يقلل المخاطر ويوفر الوقت والتكاليف، ويقدم نموذجًا لأدوات أمان مماثلة في مشاريع هندسة تحت أرضية وهيكلية أخرى.

الاستشهاد: Wang, Z., Yang, M., Du, P. et al. Prediction model of lost circulation based on drilling parameters with PSO-BP neural network. Sci Rep 16, 13976 (2026). https://doi.org/10.1038/s41598-026-44613-2

الكلمات المفتاحية: فقدان الدوران, سلامة الحفر, الشبكة العصبية, تحسين سرب الجسيمات, الإنذار المبكر