מחקר על שיטת חיזוי קצב הקידוח בארובות עמוקות המבוססת על מודל TCN-transformer

מדוע מהירות הקידוח חשובה מתחת לפני הקרקע

כל שעה נוספת שנצרכת לקידוח באר נפט או גז עולה כסף, מביאה לשחיקה של ציוד ולצריכת דלק. מדד מפתח שהמהנדסים עוקבים אחריו הוא כמה מהר מקדח החוד חודר בסלע, המכונה קצב חדירה. אם ניתן היה לחזות מדד זה בדיוק מראש, חברות יכלו לתכנן תוכניות קידוח חכמות יותר, להימנע מבזבוז זמן בסלעים קשים ולהפחית סיכונים במשקעים עמוקים וחמים. המחקר הזה מציג גישה חדשה לחיזוי מהירות הקידוח בארובות מאוד עמוקות על ידי שילוב של שני כלים מודרניים של בינה מלאכותית לתוך מודל אחד מדויק יותר.

האתגר של קידוח מילים מתחת לפני הקרקע

בארובות עמוקות התנאים קשים הרבה יותר מאשר בבארות שטוחות. בעומקים של כמה קילומטרים מתחת לפני הקרקע, הטמפרטורות עלולות לעבור 150 °C והלחצים עולים, מה שמשנה הן את הסלעים והן את המלט שמסכם את הבאר. במקומות כמו מאגרי טארים וסצ'ואן בסין, יש בארות שמגיעות לעומקים מעל 7,000 מטר. בתנאים קיצוניים אלה, שיטות מבוססות נוסחאות מסורתיות מתקשות להעריך את מהירות הקידוח כי חוזק הסלע, התנהגות הנוזלים והחומרה של הציוד משפיעים יחד בצורה מורכבת ומשתנה. שיטות סטטיסטיות ולמידת מכונה מוקדמות שיפרו את המצב, אך לעתים קרובות הן התייחסו לכל מדידה כנקודה מבודדת, תוך התעלמות מהאופי המתמשך של תהליך הקידוח לאורך הבאר.

להפוך את הקידוח לסיפור בזמן

המחברים מתייחסים למהירות הקידוח כסדרת זמן: סיפור שמתפתח בעקביות בעומק ובזמן. הם נשענים על שתי רעיונות מודרניים למידול רצפים מתחום הבינה המלאכותית. הראשון, שנקרא רשת קונבולוציה טמפורלית (TCN), סורק לאורך הרצף עם חלונות חופפים, ומאתר דפוסים בטווח הקצר והבינוני — למשל איך שינוי במשקל על המקדח או במהירות הסיבוב משפיע על הקידוח כמה רגעים לאחר מכן. השני, שנקרא טרנספורמר, מצטיין בקישור בין נקודות מרוחקות ברצף, ותופס יחסים לטווח ארוך שעשויים להגיע לאלפי מטרים של קידוח. על ידי מיזוג השניים, המודל קודם כל מחלץ תכונות מקומיות מפורטות ולאחר מכן לומד מגמות רחבות יותר המקשרות בין שלבים שונים של הבאר.

בניית חזוּת חכמה מתוך נתוני שדה אמיתיים

לצורך אימון ובחינה של הגישה שלהם, החוקרים השתמשו בנתוני קידוח אמיתיים ממספר בארות בבלוק אחד של מאגר סצ'ואן. הם התחילו מ-12 מדידות שגרתיות, כולל עומק, מהירות סיבוב, תכונות בוץ וכוח על המקדח, ואז השתמשו בבדיקת קורלציה סטנדרטית לצמצום ל-10 המדדים שהיו החשובים ביותר לחיזוי מהירות הקידוח. כיוון שנתוני הקידוח מאורגנים מטבעם בזמנ/רצף, הם נמנעו מהטלה אקראית ושמרו על הסדר, כשהם משתמשים ב-80 אחוזים הראשונים של כל מערך מסודר לאימון ו-20 האחוזים הנותרים לבחינה. הם גם גילו כי המקטעים השטחיים מעל 3,000 מטר הראו תנודות קיצוניות בשל גאולוגיה משתנה והתאמות ציוד תכופות, מה שהפך אותם לרועשים וקשים למידול. על ידי התמקדות במקטעים העמוקים והיציבים יותר הם שיפרו את הדיוק באופן ניכר.

מה המודל ההיברידי עושה טוב יותר

הצוות השווה בקפדנות דרכים שונות לארגון הנתונים ועיצובים שונים של המודל. כשהשתמשו בבאר אחת בכל פעם, איכות החיזוי הייתה ממוצעת. שילוב מספר בארות מאותו בלוק וסידור הנתונים לפי רצף הקידוח האמיתי בכל באר שיפרו את הביצועים, מכיוון שזה שימר את יחסי הסיבה-תוצאה הטבעיים בין החלטות ההפעלה לתגובת הסלע. מודל מבוסס טרנספורמר בלבד כבר עשה עבודה טובה יותר מהשיטות המסורתיות, אך המודל ההיברידי — שבו רשת הקונבולוציות הטמפורלית מזינה את הטרנספורמר — נתן את התוצאות הטובות ביותר. הוא השיג מקדם הדטרמינציה קרוב ל-0.99 על נתוני הבלוק ושמר דיוק דומה כאשר חזה באר חדשה שלא שימשה לאימון, והציג ביצועים טובים בהרבה לעומת עצי החלטה בחיזוק גרדיאנטי ומודל של קונבולוציה בתוספת LSTM.

ממודל מחקר לכלי שדה

כדי להבין מדוע המיזוג עובד היטב, המחברים ערכו בדיקות שבהן השביתו או שינו רכיבים בודדים של המודל. הסרת המבנה "הממורק" (dilated) של הקונבולוציות הטמפורליות, כיווץ חלון הנתונים מהעבר או החלפת רשת ה-TCN בקידמת קונבולוציה פשוטה כל אלה הפחיתו את הדיוק. התוצאות הטובות ביותר התקבלו כאשר המודל ראה כ-30 צעדי זמן רצופים, השתמש בהגדרות קונבולוציה מכוונות בקפידה כדי ללכוד דפוסים בטווח הקצר והבינוני, ואפשר לטרנספורמר לטפל בקישורים לטווח הארוך. קומבינציה זו אפשרה למערכת להכליל על פני בארות עם גאולוגיה דומה, ומה שמרמז שעם כיול נוסף ניתן להתאימה גם לבלוקים אחרים.

מה המשמעות של זה לקידוח בעתיד

המחקר מראה שקומבינציה מתוכננת היטב של שתי טכניקות AI מודרניות יכולה לחזות במדויק את מהירות הקידוח בבארות עמוקות בסביבת שדה נפט אמיתית. עבור מהנדסים, משמעות הדבר היא תחזיות אמינות יותר לגבי מהירות הקידוח, תכנון מדויק יותר של ריצות מקדח ותכניות בוץ, ותגובה מהירה יותר לבעיות מתפתחות בעומק. למרות שהמודל הנוכחי עדיין לא כולל מדידות מפורטות של תכונות סלע ודורש בדיקות באזורים גאולוגיים מגוונים יותר, הוא מסמן צעד משמעותי לקראת מערכות תמיכה חכמות בזמן אמת שעוזרות לקדוח בצורה בטוחה, מהירה וזולה יותר.

ציטוט: Yuehao, L., Guodong, Z., Xiangchao, S. et al. Research on deep well drilling rate of penetration prediction method based on TCN-transformer model. Sci Rep 16, 11075 (2026). https://doi.org/10.1038/s41598-026-41298-5

מילות מפתח: קידוח בארובות עמוקות, חיזוי קצב חדירה, למידת מכונה בקידוח, מידול סדרות זמן, רשתות עצביות היברידיות