Machine Learning Models for Calculating Pump Intake Pressure in Pumped Wells

في أعماق الأرض، لا تُعد آبار النفط مجرد ثقوب في الأرض؛ بل هي أنظمة معقدة ومضغوطة حيث يتم استدراج السوائل للأعلى ضد قوة الجاذبية. وللحفاظ على إنتاج هذه الآبار بكفاءة، يجب على المهندسين معرفة الضغط عند قاع المضخة تماماً، وهي قيمة تُعرف باسم "ضغط مدخل المضخة". يعمل هذا القياس كعلامة حيوية للبئر، حيث يخبر المشغلين ما إذا كانت المضخة تعمل بجهد زائد، أو ما إذا كانت السوائل تتدفق بشكل صحيح، أو ما إذا كانت المعدات معرضة لخطر الفشل. الطريقة الأكثر مباشرة للحصول على هذا الرقم هي إنزال مستشعر إلى أسفل البئر، ولكن ذلك مكلف، كما يمكن لتلك المستشعرات أن تتعطل أو تفشل، مما يترك البئر دون قراءة حيوية. وعندما يغيب المستشعر، اعتمد المهندسون تاريخياً على معادلات رياضية لتخمين الضغط بناءً على ما يمكنهم قياسه عند السطح، مثل الضغط عند قمة الأنبوب أو مستوى السائل في البئر. ومع ذلك، غالباً ما كانت طرق التخمين التقليدية هذه غير دقيقة، مما يترك المشغلين أمام صورة ضبابية لما يحدث في أعماق الأرض.

لقد سعى فريق من الباحثين لتوضيح تلك الضبابية عبر تعليم الحواسيب كيفية تعلم العلاقة بين قياسات السطح والضغط العميق. فقد جمعوا مجموعة هائلة من البيانات الواقعية من أكثر من مائة بئر نفط في مصر، كانت جميعها مجهزة بمستشعرات تعمل وتوفر قراءات الضغط الحقيقية. ومن قاعدة البيانات هذه، اختاروا آلاف اللحظات المحددة التي عرفوا فيها الضغط الدقيق عند مدخل المضخة، جنباً إلى جنب مع الظروف السطحية المقابلة في ذلك الوقت بالضبط. ثم قاموا بتغذية هذه المعلومات في ستة أنواع مختلفة من النماذج الحاسوبية، تتراوح من المعادلات الإحصائية البسيطة إلى الأنظمة الأكثر تعقيداً التي تحاكي طريقة معالجة الدماغ البشري للمعلومات. وكان الهدف هو معرفة ما إذا كانت هذه النماذج الرقمية قادرة على تعلم الأنماط الخفية التي تربط بيانات السطح بالضغط العميق، مما يسمح لها فعلياً بالتنبؤ بقراءات المستشعرات المفقودة بدقة عالية.

اختبر الباحثون كل نموذج لمعرفة مدى قدرته على التنبؤ بالضغط لبيانات لم يسبق له رؤيتها من قبل. وقد عانت النماذج الأبسط، التي اعتمدت على علاقات خطية مستقيمة بين المتغيرات، بشكل كبير؛ حيث أخطأت الهدف بفارق واسع، إذ انحرفت توقعاتها عن القيم الحقيقية بنسبة تقترب من سبعين بالمائة في المتوسط. وحتى عندما حاول الباحثون استخدام منحنيات رياضية أكثر تعقيداً، كان التحسن طفيفاً. كما أن بعض النماذج، وتحديداً تلك التي تبني قواعد اتخاذ القرار مثل المخطط الانسيابي، أصبحت تركز بشكل مفرط على بيانات التدريب؛ فقد حفظت الأمثلة بدقة لكنها فشلت في التعميم، مما أدى إلى توقعات كانت دقيقة للبيانات التي درستها ولكنها غير موثوقة للآبار الجديدة. هذا "الفرط في التخصيص" (over-fitting) يعني أنه بينما بدت مثالية على الورق، إلا أنها لم تكن قوية بما يكفي للاستخدام في العالم الحقيقي.

وكان الفائز الواضح في هذه المقارنة هو الشبكة العصبية الاصطناعية، وهي نوع من النماذج المصممة لإيجاد روابط معقدة وغير خطية في البيانات. فخلافاً للطرق الأخرى، لم يكتفِ هذا النموذج برسم خط مستقيم أو منحنى بسيط، بل تعلم شبكة معقدة من العلاقات بين تسعة عوامل مدخلة مختلفة، مثل معدل إنتاج النفط، ومحتوى الماء، وضغط رأس البئر، وعمق المضخة. وعند اختباره مقابل قراءات المستشعرات الحقيقية، أثبتت هذه الشبكة العصبية دقة ملحوظة؛ فقد تنبأت بضغط مدخل المضخة بمتوسط خطأ قدره اثنا عشر بالمائة فقط، وهو تحسن هائل مقارنة بالطرق الأخرى. وكان النموذج متسقاً للغاية لدرجة أنه أدى بشكل متساوٍ تقريباً على البيانات التي تعلم منها وعلى البيانات الجديدة التي اختُبر عليها، مما أظهر أنه قد تعلم حقاً الفيزياء الكامنة وراء النظام وليس مجرد حفظ الأرقام.

كما كشفت الدراسة عن قطع المعلومات الأكثر أهمية لكي يتمكن النموذج من تقديم تخميناته الدقيقة. فبينما كان عمق السائل فوق المضخة هو العامل الأهم بمفرده، اعتمد النموذج أيضاً بشكل كبير على الضغط في المساحة المحيطة بالأنبوب وحجم تلك المساحة. وعندما قام الباحثون بإزالة هذه المدخلات المحددة، انخفضت دقة النموذج بشكل حاد، مما أثبت أن حتى التفاصيل التي قد تبدو ثانوية ضرورية للحصول على صورة كاملة. وتشير النتائج إلى أنه في الآبار التي تفتقر إلى المستشعرات الموجودة في الأسفل أو التي تعاني من أعطال، يوفر نهج الذكاء الاصطناعي هذا بديلاً موثوقاً. فمن خلال استخدام القياسات التي يتم اتخاذها روتينياً عند السطح فقط، يمكن للمشغلين الآن حساب الضغط العميق بمستوى من الثقة لم يكن ممكناً في السابق، مما يضمن استمرار عمل هذه الآبار بأمان وكفاءة دون الحاجة إلى إصلاحات مستمرة ومكلفة للمعدات.