מודל CNN-LSTM מותאם על ידי אלגוריתם שיפור חיפוש דרור לצורך חיזוי תפוקת בארות נפט

תכנון חכם יותר לאנרגיה תת‑קרקעית

חברות נפט וגז צריכות לדעת כמה נפט באר תניב חודשים מראש כדי לתכנן השקעות, לקבוע לוחות תחזוקה ולהימנע מבזבוז מים, אנרגיה וכסף. עם זאת, בארות אמיתיות מתנהגות באופן מורכב ומשתנה שקשה ללכוד באמצעות נוסחאות מסורתיות. מחקר זה מציג גישה חדשה מבוססת בינה מלאכותית (AI) שלומדת מההתנהגות העברית של בארות בודדות כדי לחזות את תפוקתן העתידית בדיוק ובאמינות גבוהים יותר.

מדוע חיזוי של באר יחידה קשה כל כך

כמות הנפט שבאר בודדת יכולה להפיק תלויה בגורמים משתנים רבים: הגיאולוגיה של הסלע, אופן ההזרמה של המים למאגר, ביצועי המשאבה ואופן תנועת הנוזלים התת‑קרקעית לאורך זמן. מודלים הנדסיים קלאסיים מסוגלים לייצג חלק גדול מהפיזיקה הזו אך דורשים כמויות עצומות של נתונים וזמני התקנה ארוכים, ועדיין מתקשים בשינויים עמוסים ובלתי‑סדירים מהעולם האמיתי. שיטות למידת מכונה חדשות, שלומדות דפוסים ישירות מהנתונים, שיפרו את הדיוק — אך לעתים קרובות הן זקוקות לכיול ידני מוקפד על‑ידי מומחים. בחירה של הגדרות המודל המתאימות, או היפרפרמטרים, יכולה להיות משימה מייגעת, סובייקטיבית ונוטה להיתקע בפתרונות פחות אופטימליים.

שילוב דפוסים במרחב ובזמן

המחברים בונים על שני כלים עוצמתיים של AI. רשתות עצביות קונבולוציוניות (CNN) טובות בזיהוי דפוסים מקומיים ותכונות בנתונים, בעוד שרשתות זיכרון לטווח ארוך וקצר (LSTM) מיועדות למעקב אחרי התפתחות אותות לאורך תקופות זמן ממושכות. על ידי שילוב CNN ו‑LSTM, המודל יכול תחילה «לזקק» דפוסים קצרי‑טווח שימושיים מתוך מספר אותות תפעוליים, ואז לעקוב כיצד דפוסים אלה מתפתחים חודש אחר חודש. הקלטים כוללים תפוקת מים יומית, יעילות המשאבה, חתך מים, זמן ייצור ועומק המשאבה — שנבחרו באמצעות בדיקה סטטיסטית סטנדרטית (מתאם פירסון) כדי לשמור רק על המשתנים שבאמת משפיעים על תפוקת הנפט. היעד לחיזוי הוא ממוצע התפוקה החודשית של באר נתונה.

דרך חכמה יותר לכוונון מודל ה‑AI

החידוש המרכזי הוא גרסה משופרת של אלגוריתם חיפוש הדרור, טכניקה שהושמעה מהאופן שבו ציפורים מחפשות מזון בקבוצה. בגישה זו, מספר מועמדי פתרון «עפים» בחלל האפשרויות של הגדרות המודל, ומשתפים מידע על אזורים מבטיחים. אלגוריתם הדרור המשופר (ISSA) מחדד שלושה מרכיבים עיקריים: הוא משתמש בסכימה כאוטית מיוחדת כדי לפרוס נקודות התחלה באופן אחיד, ומשדרג את אופן תנועת ה«מייצרים» וה«טורפים» הוירטואליים במהלך החיפוש. שינויים אלה מרחיבים את החיפוש, מאיצים את ההתכנסות להגדלות טובות ומפחיתים את הסיכוי להיתפס בפתרונות בינוניים. ISSA משמש לאחר מכן לכוונון אוטומטי של היפרפרמטרים קריטיים ב‑CNN‑LSTM, כגון גודל ומספר המסננים הקונבולוציוניים וגודל השכבות הסמויות.

בדיקות על בארות אמיתיות במאגר צפוף

כדי לבדוק כיצד המודל החדש מתפקד בפועל, הצוות יישם אותו על מאגר חול קונגריגט דחוס באגן אורדוס בסין, תוך שימוש בחמישה שנים של נתונים משתי בארות מייצגות, TB987 ו‑TB990. הנתונים חולקו לחלק אימון ללימוד המודל ולחלק בדיקה להערכת התחזיות. המחברים השוו את גישת ISSA‑CNN‑LSTM למספר חלופות: גרסאות המשתמשות רק ב‑LSTM או רק ב‑CNN, מודלים שעברו כוונון באמצעות שיטת הדרור המקורית, ומודלים שנכווּנו באמצעות מיטב האלגוריתמים העממיים האחרים כמו חיפוש חלקיקי, זבוב פרי ואלגוריתם הזאב האפור. על פני מדדי שגיאה סטנדרטיים שונים, המודל המשופר הפיק באופן עקבי תחזיות שעוקבות טוב יותר אחרי עקומות הייצור האמיתיות ובהתנודתיות שגיאה קטנה יותר.

מה החיזויים המשופרים יכולים לתרום לתפעול

הדיוק הגבוה יותר של מודל ISSA‑CNN‑LSTM אינו רק הישג אקדמי; יש לו שימושים תפעוליים ישירים. בטווח הקצר, תחזיות חודשיות מהימנות יותר יכולות להנחות כמה מים להזריק וכיצד לחלוק משאבים בין בארות, ובכך לתמוך ביציבות הייצור. כאשר הייצור בפועל סוטה מדי מהטווח החזוי, מפעילים יכולים לראות בכך אות התרעה מוקדמת ולבדוק משאבות, לחפש פריצת מים בלתי‑צפויה או להעריך מחדש את תנאי המאגר. בטווח הארוך, תחזיות המודל מסייעות לחשוף את קצב הירידה של המאגר, ותומכות בהחלטות מתי לגרום לשיקום באר, לקדוח בארות חדשות או לשנות את תוכנית הפיתוח.

תובנה ברורה יותר לגבי עתיד הנפט מתוך נתונים

במילים פשוטות, עבודה זו מראה שלהעניק לשיטת חיפוש משופרת בהשראת ציפורים לכוון באופן אוטומטי רשת משולבת של CNN–LSTM מחדד ומייצב את תחזיות הבארות היחידות. לשתי הבארות הנבדקות, השגיאות של המודל ירדו לכ‑היקף של כ‑1% בממוצע, וההתאמה בין החזוי לפועל הייתה כמעט אחד‑על‑אחד. עם פיתוח נוסף על מערכי בארות גדולים יותר ושילוב עם כלים נוספים לניתוח סדרות זמן, גישות כמו ISSA‑CNN‑LSTM יכולות להפוך לעזרים מעשיים בקבלת החלטות, ולסייע ליצרני נפט להפיק יותר מידע — ומכאן ערך — מהנתונים שהם כבר אוספים.

ציטוט: Zhang, R., Guo, L., Sun, J. et al. CNN-LSTM model optimized by improved sparrow search algorithm for oil well production prediction. Sci Rep 16, 13972 (2026). https://doi.org/10.1038/s41598-026-43674-7

מילות מפתח: חיזוי תפוקת באר נפט, למידת מכונה, חיזוי סדרות זמן, אלגוריתם אופטימיזציה, הנדסת מאגרי נפט