التنبؤ بإنتاج الغاز من الصخر الزيتي العميق باستخدام شبكة هجينة Transformer–Mamba محسّنة بواسطة ROA

لماذا يهم التنبؤ بالغاز القادم من الصخور

أصبح الغاز الطبيعي المستخرج من صخور الزيت جزءًا أساسيًا من خطط الطاقة الأنظف في العديد من دول العالم. ومع ذلك، بعد أن يبدأ بئر الصخر في الإنتاج، قد يتقلب إنتاجه بطرق معقدة يصعب التنبؤ بها. تستكشف هذه الورقة كيف يمكن للذكاء الاصطناعي الحديث قراءة الأنماط الدقيقة في بيانات ميدانية فعلية من آبار غاز صخري عميقة وتقديم توقعات يومية أكثر موثوقية، مما يساعد المشغلين على تخطيط الاستثمارات وإدارة البنية التحتية وتقليل الفاقد.

التحدي في ترويض الآبار غير المتوقعة

تختلف مكامن غاز الصخر العميق اختلافًا جوهريًا عن الحقول الغازية الأكثر ألفة التي غذت القرن الماضي. تقع هذه الصخور على أعماق كبيرة، وتتعرّض لتكسير مكثف أثناء التطوير، وغالبًا ما تنتج الغاز والماء معًا. نتيجة لذلك تتقلب معدلات التدفق مع تغير الضغوط، وتنظيف الشقوق، وتعديل الضوابط التشغيلية. الأدوات التقليدية للتنبؤ، التي تعتمد على منحنيات تراجع ناعمة وافتراضات بسيطة حول حركة الموائع تحت الأرض، غالبًا ما تفشل في التقاط هذه التقلبات. وقد يؤدي ذلك إلى تقدير مفرط أو ناقص لكمية الغاز التي سيوفرها الحقل ومتى يحدث ذلك.

ترك البيانات تروي القصة

لالتقاط هذا السلوك المعقد، جمع المؤلفون مجموعة كبيرة من سجلات الإنتاج اليومية من 112 بئر غاز صخري عميق، تغطي نحو 160,000 يوم إنتاجي. من هذه الثروة من البيانات اختاروا ثلاث إشارات رئيسية كمدخلات: الضغط المقاس في غلاف البئر، وكمية الماء المنتجة يوميًا، ونسبة سائل التكسير المحقون التي عادت إلى السطح. تعكس هذه الكميات مجتمعة قوة المكمن، وسعة الشقوق، وكيفية مشاركة الغاز والماء لنفس المسارات. بعد تنظيف السجلات وتنظيمها في نوافذ زمنية متداخلة، صاغ الفريق المشكلة كتعليم نموذج لتوقع معدل الغاز ليوم غد بناءً على الاتجاهات الأخيرة في هذه الإشارات الثلاث.

مزيج جديد من الخوارزميات الذكية

جوهر الدراسة هو شبكة عصبية هجينة تجمع بين فكرتين حديثتين للتعامل مع التتابعات. جزء واحد، مستوحى من نماذج Transformer المستخدمة في الترجمة اللغوية، جيد في رصد الروابط بعيدة المدى عبر أيام كثيرة من البيانات. الجزء الآخر، المسمى وحدة الحالة في عائلة Mamba، مصمم لحمل المعلومات عبر سلاسل طويلة بكفاءة دون أن يتباطأ. خطوة تلافيفية بسيطة في مقدمة الشبكة تُبرز التذبذبات قصيرة الأجل، وطبقة نهائية تحول الأنماط المكتسبة إلى توقع واحد لإنتاج الغاز اليومي. لتجنب التجربة والخطأ في تعديل إعدادات مثل معدل التعلم وحجم الطبقات، يلجأ المؤلفون إلى طريقة بحث مستوحاة من الطبيعة، خوارزمية تحسين الأرنب (Rabbit Optimization Algorithm)، التي تبحث بشكل منهجي عن التركيبة التي تعطي أدق نتائج على مجموعة التحقق.

اختبار النموذج الهجين

يقارن الباحثون الإطار الجديد مع بديلين: نموذج مبني فقط على وحدة نمط Mamba وآخر يُقرن Transformer بوحدة متكررة تقليدية تُسمى LSTM. ترى النماذج الثلاث نفس المدخلات وتُضبط باستخدام نفس استراتيجية التحسين. باستخدام تحقق متبادل بخمسة أجزاء وآبار اختبار منفصلة، يجد المؤلفون أن نموذج Transformer–Mamba الهجين يتتبع باستمرار كلًا من الانحدار العام والارتفاعات القصيرة العمر في الإنتاج أقرب من منافسيه. من الناحية الإحصائية، يقلل من الأخطاء المتوسطة وجذر متوسط المربعات بنحو خُمس إلى ثُمن إلى ثُلث بالنسبة لنموذج Mamba البحت، ويحقق معامل تحديد أعلى، ما يعني أن التوقعات تتوافق بشكل أفضل مع القياسات الفعلية عبر آبار عديدة.

من الصندوق الأسود إلى البصيرة الفيزيائية

على الرغم من أن النهج قائم على البيانات، إلا أن سلوك النموذج يردّد الفيزياء المعروفة. عندما ينخفض ضغط البئر بشكل مطرد، يسقط معدل الغاز المتوقع أسرع، معكسًا فقدان طاقة المكمن. تؤدي الفترات ذات إنتاج ماء مرتفع أو متقلب إلى أن يخفض النموذج أو يؤخر توقعات الغاز، مما يعكس كيف يمكن للماء أن يسد أو ينافس مسارات التدفق. ومع زيادة نسبة التدفق العائد، التي تشير إلى شقوق أنظف، يتنبأ النموذج غالبًا بتباطؤ التراجع أو تعافي طفيف في الغاز، متوافقًا مع الحدس الميداني. هذا يشير إلى أن الشبكة ليست مجرد مطابقة لمنحنيات بل تستوعب أيضًا الضوابط الفيزيائية الأساسية على التدفق من الصخر.

ماذا يعني هذا لتخطيط الغاز المستقبلي

عمليًا، تُظهر الدراسة أن شبكة عصبية هجينة مصممة بعناية، ومضبوطة تلقائيًا ومزوّدة ببضع إشارات مختارة جيدًا، يمكن أن تقدم توقعات قصيرة إلى متوسطة الأمد موثوقة لآبار غاز الصخر العميق، حتى في ظل ظروف تشغيل متغيرة. توفر بديلاً سريعًا للمحاكاة الفيزيائية التفصيلية عندما تكون هذه غير متاحة أو مكلفة جدًا، مع احترام المحركات الفيزيائية الرئيسية للإنتاج. يشير المؤلفون إلى أن الأداء قد يضعف في أحداث قصوى مثل إغلاق طويل أو تغييرات مفاجئة في الصمام، ويقترحون إضافة مؤشرات تشغيلية أكثر وتحليل عدم اليقين في العمل المستقبلي. ومع ذلك، تشير نتائجهم إلى أن التنبؤ المرتكز على البيانات يمثل أداة قيمة لإدارة حقول غاز الصخر بكفاءة أكبر وبثقة أكبر.

الاستشهاد: He, W., Li, X., Wan, Y. et al. Forecasting deep shale gas production using a ROA-optimized Transformer–Mamba hybrid network. Sci Rep 16, 15954 (2026). https://doi.org/10.1038/s41598-026-45105-z

الكلمات المفتاحية: غاز الصخر الزيتي, تنبؤ الإنتاج, التعلم العميق, السلاسل الزمنية, نمذجة الطاقة