Learning Across Wells: A Robust Framework for Lithology Classification and Prediction

في أعماق ما تحت سطح الأرض، حيث لا تصل أشعة الشمس أبداً، يكمن عالم معقد من الطبقات الصخرية التي تحمل مفاتيح مياهنا، وطاقتنا، وفهمنا لتاريخ الكوكب. وللتنقل في هذا العالم الخفي، يقوم علماء الجيولوجيا بإنزال أدوات طويلة ونحيفة في ثقوب عميقة محفورة في الأرض. هذه الأدوات، المعروفة باسم سجلات الأسلاك (wireline logs)، تقيس الخصائص الفيزيائية للصخور أثناء مرورها، حيث تسجل مقدار الإشعاع الذي تنبعث منه الصخرة، ومدى كثافتها، وسرعة انتقال الصوت عبرها، وحجم الفراغات الموجودة بين حبيباتها لحمل السوائل. ومن خلال قراءة هذه القياسات، يستطيع الخبراء التمييز بين صخر طيني ناعم يسمى "الطفل" (shale)، وبين الحجر الرملي المسامي والنفاذ الذي قد يحتوي على النفط أو الماء، أو الرمل المتراص بشدة الذي يقاوم التدفق، أو الصخور الكربونية الصلبة مثل الحجر الجيري. ولعقود من الزمن، اعتمدت هذه المهمة على خبراء بشريين يقومون بتفسير هذه المنحنيات يدوياً، وهي عملية بطيئة، وعرضة للخطأ البشري، ويصعب الحفاظ على اتساقها عند التعامل مع آلاف نقاط البيانات من آبار مختلفة.

في دراسة حديثة، سعى الباحثون لمعرفة ما إذا كان بإمكان الحواسيب أن تتعلم القيام بهذه الوظيفة بشكل أفضل وأكثر موثوقية من البشر، وتحديداً عند الانتقال من بئر إلى آخر. وقد ركزوا على طريقتين متميزتين من تعلم الآلة، وهو فرع من فروع الذكاء الاصطناعي حيث تتعلم الحواسيب الأنماط من البيانات بدلاً من اتباع قواعد جامدة ومكتوبة مسبقاً. الطريقة الأولى، تسمى "الغابة العشوائية" (Random Forest)، وتعمل مثل لجنة من صناع القرار؛ فهي تبني العديد من أشجار القرار البسيطة، حيث تنظر كل منها إلى البيانات بطريقة مختلفة قليلاً، ثم تجمع إجاباتها للوصول إلى استنتاج نهائي. وتُعرف هذه الطريقة بكونها قوية ومرنة في التعامل مع البيانات غير المنتظمة. أما الطريقة الثانية، المعروفة باسم "الجيران الأقرب" (K-Nearest Neighbors)، فتعمل وفق مبدأ أبسط من التشابه؛ فهي تنظر إلى عينة صخرية جديدة وغير معروفة وتسأل: "أي العينات المعروفة في قاعدة بياناتي تشبه هذه العينة أكثر؟"، ثم تمنح العينة الجديدة نفس التصنيف الذي تمنحه أقرب جيرانها. وبينما تم استخدام كلتا الطريقتين من قبل، إلا أنه نادراً ما تم اختبارهما ضد بعضهما البعض في السيناريو المحدد والصعب المتمثل في التنبؤ بأنواع الصخور في بئر جديدة تماماً باستخدام بيانات من آبار مختلفة.

جمع الباحثون بيانات من أربعة آبار للنفط والغاز في بحر الشمال، وهي منطقة معروفة بتعقيداتها الجيولوجية. ولم يكن لديهم إمكانية الوصول إلى عينات صخرية فيزيائية، أو "لباب صخري" (cores)، من هذه الثقوب تحديداً لتكون بمثابة حقيقة مطلقة. بدلاً من ذلك، وضعوا مجموعة متسقة من القواعد لتصنيف أنواع الصخور بناءً على سجلات الأسلاك. فعلى سبيل المثال، قرروا أن أي صخرة ذات قراءة إشعاع عالية هي "طفل"، بينما الصخور ذات الإشعاع المنخفض مع مستويات محددة من الكثافة والمسامية تُصنف كحجر رملي أو رمل متراص. استخدموا ثلاثة من الآبار لتعليم نماذج الحاسوب الخاصة بهم، مما سمح لها بتعلم العلاقة بين قياسات الأسلاك وتصنيفات الصخور هذه. أما البئر الرابع فقد تم إبقاؤه مخفياً تماماً، ليعمل كاختبار أعمى لمعرفة ما إذا كانت النماذج قادرة حقاً على تعميم معرفتها في بيئة جديدة لم ترها من قبل.

كانت نتائج هذا الاختبار الأعمى مذهلة. فعندما طُلب من النماذج التنبؤ بأنواع الصخور في البئر غير المرئية، حققت طريقة "الغابة العشوائية" درجة مثالية، حيث حددت بدقة كل عينة من الطفلة، والحجر الرملي، والرمل المتراص، ووصلت دقتها إلى مائة بالمائواء. وفي المقابل، فإن طريقة "الجيران الأقرب"، رغم أنها كانت جيدة جداً، ارتكبت بعض الأخطاء؛ فقد حددت معظم أنواع الصخور بشكل صحيح، لكنها واجهت صعوبة طفيفة مع "الطفل"، حيث صنفت بعضه خطأً على أنه حجر رملي أو رمل متراص، مما أدى إلى دقة إجمالية بلغت حوالي ثمانية وتسعين ونصف بالمائة. قد يبدو الفرق ضئيلاً، ولكن في سياق الجيولوجيا، حيث يمكن للطبقات الصخرية الرقيقة أن تحدد ما إذا كان البئر منتجاً أم جافاً، فإن تلك الأخطاء القليلة لها أهمية كبيرة. ووجد الباحثون أن نموذج "الغابة العشوائية" لم يكن فقط أفضل قليلاً، بل كان صحيحاً باستمرار في كل حالة اختلف فيها النموذجان.

ولضمان أن هذا لم يكن مجرد ضربة حظ مع بئر واحدة محددة، كرر الباحثون الاختبار بطريقة صارمة. فقد قاموا بالتبادل في إخفاء كل بئر من الآبار الأربعة، وتدريب النماذج على الآبار الثلاثة الأخرى، ثم اختبارها على البئر المخفية. أكد هذا النهج، المعروف بـ "ترك واحد خارج المجموعة" (leave-one-out)، تفوق نموذج "الغابة العشوائية" في كل سيناريو من السيناريوهات. وحتى عندما كانت البئر المختبرة تمتلك خصائص مختلفة تماماً عن آبار التدريب – مثل امتلاكها قراءات إشعاع أعلى في المتوسط – فقد تكيف نموذج "الغابة العشوائية" وظل دقيقاً. ومع ذلك، تعثر نموذج "الجيران الأقرب" بشكل ملحوظ عند مواجهة هذه الاختلافات. حدث هذا لأن طريقة "الجيران الأقرب" تعتمد بشدة على المقياس الرقمي الدقيق للبيانات؛ فإذا تغيرت الأرقام قليلاً بين الآبار بسبب ظروف الحفر المختلفة أو معايرة الأدوات، فإن "المسافة" بين العينات تتغير، مما يؤدي إلى الارتباك. وعلى النقيال، ينظر نموذج "الغابة العشوائية" إلى الترتيب النسبي وعتبات البيانات، مما يجعله أكثر مرونة تجاه هذه التباينات الطبيعية.

كما أوضحت الدراسة أي القياسات كانت تساعد الحواسيب فعلياً في اتخاذ قراراتها. فقد اتفقت النماذج على أن قياس "أشعة غاما" (gamma ray)، الذي يكشف عن الإشعاع الطبيعي، كان أهم دليل للتمييز بين أنواع الصخور. وهذا منطقي، حيث اعتمدت القواعد المستخدمة لتصنيف الصخور بشكل كبير على هذه القراءة للفصل بين "الطفل" وكل ما عداه. كما كانت قياسات الكثافة والمسامية حاسمة أيضاً، حيث ساعدت في التمييز بين الرمل المفكك والرمل المتراص. ومن المثير للدهشة أن زمن انتقال الموجات الصوتية (sonic transit time)، الذي يقيس سرعة انتقال الصوت عبر الصخر، لم يساهم تقرياً في عملية صنع القرار؛ فقد تعلمت النماذج تجاهل هذا المنحنى لأنه، في ظل القواعد المحددة لهذه الدراسة، لم يساعد في التمييز بين أنواع الصخور. وتعد هذه النتيجة قيمة لأنها تشير إلى أنه في حالات مماثلة، قد لا يحتاج علماء الجيولوجيا إلى جمع كل القياسات الممكنة للحصول على تصنيف موثوق للصخور.

في الختام، تثبت هذه الدراسة أن تعلم الآلة يمكن أن يكون أداة قوية لفهم باطن الأرض، ولكن اختيار الخوارزمية أمر بالغ الأهمية. وتظهر الدراسة أن طرق التشابه البسيطة قد تعمل جيداً في حالات محكومة داخل بئر واحدة، لكنها تعاني عندما يُطلب منها نقل المعرفة عبر آبار مختلفة بظروف متغيرة. لقد أثبت نهج "الغابة العشوائية" أنه إطار عمل أكثر قوة وموثوقية لهذه المهمة، وقادراً على التعامل مع الواقع الجيولوجي المتغير وغير المنتظم دون الحاجة إلى تعديلات معقدة. ومن خلال إثبات قدرة هذه النماذج على تعلم التعرف على أنماط الصخور عبر بيئات مختلفة، يوفر هذا العمل أساساً متيناً لأتمتة جزء حيوي من الاستكشاف الجيولوجي، مما قد يجعل العملية أسرع، وأكثر اتساقاً، وأقل اعتماداً على التفسير الذاتي للخبراء الأفراد.