نموذج وكيل هجيني يجمع المحاكاة والتعلّم الآلي لتحسين تصميم الضخ المائي في تكوين البهارية

لماذا يبدو استخدام الماء بذكاء في حقول النفط مهماً

إخراج القطرات الأخيرة من النفط من مكمن عادة ما يعني دفع الماء إلى داخل الصخر لدفع النفط نحو آبار الإنتاج. تُعرف هذه العملية بالضخ المائي وهي شائعة لكنها بعيدة عن الكمال: فحقن كميات كبيرة من الماء في أماكن غير مناسبة قد يترك نفطاً ثميناً محتبساً ويولد كميات كبيرة من مياه الصرف. تُظهر هذه الدراسة كيف أن الجمع بين المحاكاة الفيزيائية التقليدية والتعلّم الآلي الحديث يمكن أن يساعد المهندسين على تصميم ضخواَت مائية أكثر ذكاءً في حقل نفطي مصري معقد بشكل خاص، مما يؤدي إلى استرجاع المزيد من النفط مع تقليل عدد محاولات التجريب على الحاسوب.

لغز معقد تحت السطح

لا يمثل تكوين البهارية في الصحراء الغربية المصرية إسفنجة صخرية متجانسة ونظيفة. بل تشكّل الرواسب النهرية والدلتاوية القديمة طبقات من الحجر الرملي والطين متداخلة بأنماط غير منتظمة. يخلق هذا النسيج قنوات تتيح للسوائل التحرك بسهولة ونهايات ميتة يحتبس فيها النفط. بيانات الآبار محدودة، مما يصعّب وصف هذا المتاهة الجوفية بالتفصيل. يمكن للمحاكيات التقليدية للمكامن نمذجة مثل هذه الأنظمة، لكن إجراء نمذجة شاملة يتطلب آلاف العمليات الحسابية البطيئة والمكثفة—وهي كثيرة جداً لاتخاذ قرارات تشغيلية يومية في الحقل.

مزج نماذج فيزيائية مع التعلم المعتمد على البيانات

بنَى المؤلفون نموذجاً حاسوبياً ثلاثي الأبعاد مفصلاً للمكمن باستخدام معلومات جيولوجية وبتروفيزيائية مثل جودة الصخر، مساحة المسام، وخصائص الموائع. ثم صمموا مجموعة كبيرة من سيناريوهات «ماذا لو» —بلغت 1,536 سيناريو— من خلال تغيير عوامل رئيسية مثل معدل حقن الماء، سهولة تدفّق الماء في الصخر، مقدار النفط الذي يميل إلى البقاء محتبساً، وخفة أو ثقل النفط. لكل سيناريو اختبروا ثلاث تخطيطات معيارية لآبار الحقن والإنتاج: نمط شبكة بخمسة آبار (five-spot) حيث تقع آبار الحقن بين الآبار المنتجة المحيطة، نمط خطي متدرج، ومخطط محيطي يحقن الماء أساساً حول حواف الحقل. أبلغ المحاكي عن مقدار النفط الذي يمكن استعادته في كل حالة.

تدريب وكيل سريع ليقلّد المحاكي

بدلاً من الاعتماد إلى الأبد على المحاكيات البطيئة، درّب الفريق نماذج تعلّم آلي بسيطة—تحديداً الانحدار الخطي—لتعلّم العلاقة بين المدخلات المتغيرة والاسترداد النهائي للنفط لكل نمط آبار. تعمل هذه النماذج كـ«وكلاء»: بمجرد تدريبها، يمكنها التنبؤ بالاسترداد خلال جزء من الثانية. قسم الباحثون البيانات بعناية إلى مجموعات تدريب واختبار وتحققوا من الأداء عبر تقسيمات متعددة. بالنسبة لجميع الأنماط الثلاثة، أعادت النماذج إنتاج نتائج المحاكي بدقة عالية، موضحةً أكثر من 93 بالمئة من التباين في الاسترداد والحافظة على أخطاء تنبؤية صغيرة جداً. فعلياً، تم تقطير المحاكي الفيزيائي الثقيل إلى معادلات خفيفة الوزن لا تزال تتصرف بطريقة ذات معنى فيزيائي.

ما الذي يحدد حقاً مقدار النفط المستخرج

بوجود هذه النماذج الوكيلة السريعة، استقصى المؤلفون العوامل الأهم. من خلال تشويش كل مدخل قليلاً على التوالي وملاحظة تدهور التنبؤات، وجدوا أن مقدار النفط المتبقي محتبساً في الصخر بعد الضخ—المسمى تشبع النفط المتبقي—كان العامل المسيطر بفارق كبير، حيث يصف ما يقرب من 40 بالمئة أو أكثر من القوة التنبؤية عبر كل الأنماط. كما أن جودة النفط كانت مهمة: فالنُفُوط الأخف تتدفق بسهولة أكبر وتعزز الاسترداد، بينما الصخور التي تسمح بتحرك الماء بسهولة زائدة تميل إلى التسبب بحدوث «突破» مائي مبكر وتقليل فعالية المسح. ومن المثير للاهتمام أن أهمية معدل الحقن اعتمدت بشدة على النمط. في المخطط المحيطي، كان لمدى قوة ضخ الماء أثر أكبر بكثير مقارنةً بتخطيط الشبكة الخماسية، ما يكشف أن ترتيبات الآبار المختلفة تستجيب إلى أدوات تحكم مختلفة.

من بصيرة الحاسوب إلى قرارات الحقل

بجمع هذه العناصر معاً، توضح الدراسة أنه لا يوجد نمط ضخ مائي أفضل بالمطلق. في الحقل المحاكى للبهارية، قدّم التخطيط المحيطي أعلى استرداد نهائي، يليه النمط الخطي المتدرج ثم نمط الخمسة نقاط. لكن هذا الترتيب ظهر فقط بعد أخذ نسيج الصخر وخصائص الموائع الخاصة بهذا المكمن بعين الاعتبار. يقدم سير العمل الهجين—باستخدام المحاكاة لتوليد البيانات ثم التعلّم الآلي لتحليلها بسرعة—وسيلة عملية لمهندسي الحقل لفرز العديد من خيارات الضخ المائي، وفهم أي المعاملات مهمة حقاً، وضبط استراتيجيات الحقن دون تشغيل آلاف المحاكيات الكاملة. للمختصر، الخلاصة بسيطة: عبر السماح للحواسيب بالالتزام بقوانين الفيزياء والتعلّم من البيانات في الوقت نفسه، يمكن للمشغلين استخراج مزيد من النفط من نفس الصخور مع استخدام الماء وموارد الحوسبة بشكل أكفأ.

الاستشهاد: Gad, R., Salem, A.M., El Farouk, O.M. et al. A hybrid simulation-machine learning proxy model for waterflood design optimization in the Bahariya Formation. Sci Rep 16, 14023 (2026). https://doi.org/10.1038/s41598-026-49561-5

الكلمات المفتاحية: الضخ المائي, التعلّم الآلي, استرجاع النفط, محاكاة المكامن, تكوين البهارية