نمذجة خواص الخزان باستخدام التعلم الآلي لحقل AEB-3E في حقل بيرينيس مصر

لماذا تهمنا هذه القصة تحت السطح

قد تبدو صناعة النفط والغاز شيئًا من الماضي، لكن العالم لا يزال يعتمد عليها بدرجة كبيرة. إن طريقة العثور على هذه الموارد تحت الأرض وإدارتها تؤثر ليس فقط على أمن الطاقة بل أيضًا على مقدار الحفر الجديد المطلوب بالفعل. تدرس هذه الدراسة حقلًا في مصر وتطرح سؤالًا بسيطًا بلمسة تقنية متقدمة: هل يمكن للتعلم الآلي الحديث أن يساعدنا في بناء صورة أوضح لطبقات الصخور المخفية باستخدام بيانات محدودة جدًا، بحيث تتمكن الشركات من اتخاذ قرارات أكثر ذكاءً وأقل هدرًا؟

المشهد الخفي تحت الصحراء

على عمق كبير تحت الصحراء الغربية المصرية، يحتضن حقل بيرينيس كومة من طبقات الصخور تشكلت في أنهار وبحار ضحلة قديمة. الطبقة محل الاهتمام، المسماة AEB-3E، تتألف من حصى وطين بصورة معقدة، مقسّمة ومزاحة بواسطة صدوع. هذه الكسور في الصخر يمكن أن تحجز السوائل في مقصورات منفصلة، لذا قد يبدو بئر واحد واعدًا بينما يجري بئر قريب لا يقدم عينات مماثلة. هذا التقطع يجعل من الصعب التنبؤ بكمية النفط أو الماء الموجودة بين الآبار القليلة الموجودة، ومدى سهولة تدفق السوائل خلال الصخر.

دلائل من الآبار وصدى الزلزلة

بدأ الباحثون بأربعة آبار فقط، كل منها يسجل كيف تتغير خواص الصخور مع العمق: الإشعاع الطبيعي، الكثافة، سرعة الصوت، القابلية الكهربائية، ومقدار الهيدروجين. من هذه القياسات حسبوا ثلاث خصائص أساسية تتحكم في مدى فائدة الصخر كخزان: كمية المواد الغنية بالطين، وحجم الفراغ المتاح لتخزين السوائل، وجزء ذلك الفراغ الممتلئ بالمياه بدلًا من الهيدروكربونات. ثم طابقوا هذه ملفات الآبار مع شبكة ثلاثية الأبعاد ودمجوها مع بيانات زلزالية ثلاثية الأبعاد، التي تعمل كمسحات طبية تحت السطح، كاشفة عن البُنى والتغييرات الدقيقة بين الآبار.

السماح لمجموعة من النماذج بتعلم الأنماط

بدلًا من الاعتماد فقط على أساليب إحصائية تقليدية تفترض تغيرات ناعمة ومتوقعة مكانيًا، استخدمت الفريق تدفق عمل يُدعى EMBER. يدرب هذا النهج العديد من نماذج أشجار القرار في آن واحد، مما يتيح لها تعلم كيف ترتبط مجموعات أنماط الزلزلة وقياسات الآبار بجودة الصخر في مواقع معروفة. في الوقت نفسه، يستعير أفكارًا من الجيوإحصاء للحفاظ على معقولية النتائج جيولوجيًا، من خلال المحافظة على الاستمرارية على طول الطبقات وعبر الحقل. لكل كتلة صغيرة في الشبكة الثلاثية الأبعاد، لا يقدم الأسلوب إجابة وحيدة بل نطاقًا كاملاً من القيم الممكنة، موضحًا كلًّا من التقدير الأفضل ومقدار عدم اليقين المرتبط بهذا التقدير.

ماذا تقول النماذج عن هذا الخزان

ترسم الخرائط الناتجة صورة لطبقة AEB-3E على أنها في الغالب رملية نظيفة بمحتوى طيني منخفض نسبيًا ومساحة فراغ مناسبة من متوسطة إلى جيدة للسوائل. المناطق ذات الطين الأقل تميل للتماشي مع سعة تخزين أعلى ومحتوى مائي أقل، مما يبرز مناطق أكثر جذبًا للإنتاج. تُظهر المقاطع العرضية عبر النموذج أن هذه المناطق المواتية مستمرة جانبيا في مواضع لكنها أيضًا مشكَّلة بواسطة الصدوع وتغيرات دقيقة في بيئات الأنهار والسواحل الأصلية. تشير المحاكاة كذلك إلى أن عدم اليقين عمومًا منخفض إلى متوسط، لكنه يزداد قرب الصدوع وفي المناطق البعيدة عن أي بئر، حيث يضطر النموذج إلى الاعتماد بشكل أكبر على أنماط الزلزلة وحدها.

الفوائد والحدود وما يعنيه ذلك عمليًا

تقترح الدراسة أن دمج التعلم الآلي مع البيانات الزلزالية وبيانات الآبار يمكن أن يسرّع نمذجة الخزان ويقلل كمية المحاولات اليدوية والتجريبية، حتى عندما يتوفر عدد محدود من الآبار. في حقل بيرينيس، يحدد النهج منطقة جنوب غربية تبدو واعدة بشكل خاص ولكنها لم تُحفر بعد، مما يوفر هدفًا مركزًا للأعمال المستقبلية. وفي الوقت نفسه، يؤكد المؤلفون أن استنتاجاتهم أولية: مع أربعة آبار فقط، يجب التعامل بحذر مع أي تنبؤ بعيدًا عن نقاط البيانات هذه والتحقق منه بواسطة آبار جديدة أو معلومات الإنتاج. بالنسبة للقارئ، الخلاصة هي أن الأدوات الرقمية الأذكى يمكن أن تساعد شركات الطاقة على استغلال البيانات المتاحة أكثر، تضييق نطاق المواقع التي يبرر فيها الحفر الجديد، وفهم أفضل لعدم اليقين الذي لا يزال يكمن عميقًا تحت أقدامنا.

الاستشهاد: Eid, A.M., Mabrouk, W.M., Amer, M. et al. Machine learning driven reservoir property modeling of the AEB-3E reservoir in the Berenice field Egypt. Sci Rep 16, 16131 (2026). https://doi.org/10.1038/s41598-026-53328-3

الكلمات المفتاحية: نمذجة الخزانات, التعلم الآلي, بيانات زلزالية, الصحراء الغربية مصر, الخواص البتروفزيائية