انقلاب هوش مصنوعی در اکتشاف نفت

به گزارش میز نفت، با وجود علاقه روزافزون دنیا به منابع تجدیدپذیر، اکتشاف نفت و گاز همچنان برای تأمین تقاضای جهانی انرژی در دهه های فرارو حیاتی است. با دشوارتر شدن یافتن ذخایر فسیلی، این صنعت به میزان فزاینده‌ای به فناوری‌های دیجیتال برای افزایش کارایی و دقت متکی است.

هوش مصنوعی (AI) در خط مقدم این تحول قرار دارد و نحوه تجزیه و تحلیل داده‌های زمین‌شناسی و تصمیم‌گیری‌ها را تغییر می‌دهد. این مقاله به بررسی نقش رو به رشد هوش مصنوعی در عملیات اکتشاف نفت و گاز پرداخته و کاربردهای فعلی، نوآوری‌های اخیر، پیاده‌سازی‌های دنیای واقعی و تأثیر گسترده‌تر آن بر صنعت را برجسته می‌کند.
 

نقش هوش مصنوعی در اکتشاف نفت و گاز

هوش مصنوعی با افزایش دقت، سرعت و بهره‌وری هزینه در شناسایی ذخایر جدید، در حال متحول کردن عملیات اکتشاف نفت و گاز است. این فناوری به سرعت مجموعه داده‌های بزرگ و پیچیده مانند بررسی‌های لرزه‌نگاری، گزارش‌های چاه و تصاویر ماهواره‌ای را تفسیر می‌کند. الگوریتم‌های یادگیری ماشین، الگوها و ناهنجاری‌ها را تشخیص داده و زمین‌شناسان را قادر می‌سازند تا مناطق اکتشافی با پتانسیل بالا را با دقت بیشتری پیدا کنند.

این رویکرد مبتنی بر داده، تصمیم‌گیری را بهبود می‌بخشد و تأثیرات زیست‌محیطی و ریسك مرتبط با روش‌های سنتی را کاهش می‌دهد.

یک کاربرد کلیدی این فناوری جذاب، در حفاری فراساحلی است، جایی که هوش مصنوعی منابع داده متنوعی را برای شناسایی مکان‌های امیدوارکننده ادغام می‌کند و حفاری‌های غیرضروری را به حداقل می‌رساند.

علاوه بر این، هوش مصنوعی تفسیر داده‌های لرزه‌ای را بهبود می‌بخشد، از انتخاب مکان بهینه حفاری پشتیبانی می‌کند و کنترل عملیاتی را بهبود می‌بخشد. همچنین از داده‌های پیشین برای پیش‌بینی روند قیمت‌گذاری و تعیین استراتژیک‌ترین زمان‌بندی جهت فعالیت‌های حفاری و تولید استفاده می‌کند.
 

پیشرفت‌ پرشتاب فناوری هوش مصنوعی

 
پیشرفت‌های فناوری به سرعت در حال پیشبرد استفاده از هوش مصنوعی در اکتشاف نفت و گاز هستند. این نوآوری‌ها تجزیه و تحلیل داده‌ها را افزایش می‌دهند، دقت را بهبود می‌بخشند و گردش‌های کاری اکتشاف را در سراسر صنعت ساده می‌کنند.

به عنوان مثال، هوش مصنوعی با پرداختن به محدودیت‌های روش‌های سنتی، مانند وضوح پایین و چالش‌های موجود در محیط‌های پیچیده مانند گنبدهای نمکی/مناطق گسلی، تصویربرداری لرزه‌ای و تجزیه و تحلیل داده‌ها را در اکتشاف نفت و گاز متحول می‌کند.

آخرین مطالعات نشان داده است که تکنیک‌های یادگیری ماشینی و یادگیری عمیق می‌توانند مجموعه داده‌های لرزه‌ای گسترده‌ای را برای کاهش اختلالات، افزایش وضوح تصویر و خودکارسازی شناسایی ویژگی‌های زمین‌شناسی پردازش کنند که منجر به بهبود دقت و تصمیم‌گیری سریع‌تر می‌شود.

این فناوری‌ها با به حداقل رساندن نیاز به تفسیر سنتی، کارایی عملیاتی و میزان موفقیت اکتشاف را بهبود می‌بخشند.

مقاله‌ای که اخیراً در مجموعه مقالات کنفرانس بین‌المللی اکتشاف و توسعه میدان ۲۰۲۴ منتشر شده است، یک پلتفرم محاسبات شناختی را معرفی می‌کند که برای تسریع تحول دیجیتال در اکتشاف و توسعه نفت و گاز توسعه یافته است.

این پلتفرم بر اساس پنج عنصر اصلی - دانش، داده، قدرت محاسباتی، الگوریتم‌ها و سناریوها - ساخته شده و برای پشتیبانی از سه گروه کاربر طراحی شده است: توسعه‌دهندگان مدل هوش مصنوعی، پرسنل تجاری و مهندسان نرم‌افزار پیشرفته. این پلتفرم دارای چهار عملکرد اصلی است: نمودار دانش، محاسبات هوش مصنوعی، پیش‌پردازش داده‌ها و یک بازار خدمات هوش مصنوعی.

این سیستم یک محیط جامع برای توسعه هوش مصنوعی، از جمله مدیریت داده‌ها، یادگیری ماشینی، ایجاد مدل، استقرار و کاربرد ارائه می‌دهد. پس از بیش از دو سال استفاده عملیاتی، این پلتفرم پیاده‌سازی موفقیت‌آمیزی را در چندین میدان نفتی بزرگ، از جمله داکینگ، چانگکینگ، سین کیانگ، جنوب غربی و داگانگ نشان داد. این پلتفرم به صورت مؤثر تیم‌های اکتشاف را با ابزارهای هوشمند توانمند کرده و موانع پذیرش هوش مصنوعی را در صنعت به طور قابل توجهی کاهش داد.

مقاله‌ای که در مجله Natural Resources Research منتشر شده است، روشی جدید با استفاده از یک شبکه عصبی همراه با یادگیری انتقالی و داده‌های ویژگی لرزه‌ای چند مؤلفه‌ای برای پیش‌بینی توزیع احتمالی گاز در مخازن گازی ماسه‌سنگی فشرده با دقت بالا ارائه می‌دهد.

محققان چارچوبی را با استفاده از داده‌های مصنوعی مخزن نفت و گاز برای آموزش مدل SACNN توسعه دادند، سپس از یادگیری انتقالی برای تطبیق آن با داده‌های لرزه‌ای واقعی استفاده کردند. این رویکرد، نمونه‌های داده را گسترش داده و عملکرد مدل را بهینه کرد.

این مدل از مدل‌های یادگیری ماشینی مرسوم عملکرد بهتری داشت و خطاهای پیش‌بینی کمتر و دقت بالاتری را در مجموعه داده‌های آزمایشی نشان داد. تجزیه و تحلیل عدم قطعیت، استحکام و کارایی مدل را تأیید کرد. این مطالعه اثربخشی ترکیب مکانیسم‌های خودتوجهی، داده‌های ویژگی‌های لرزه‌ای و یادگیری انتقالی را در ساخت مدل‌های داده‌محور برای پیش‌بینی مخزن غیرمتعارف و استفاده از منابع انرژی نشان داد.

مقاله دیگری که اخیراً در Natural Resources Research منتشر شده است، یک شبکه مکانی-زمانی را معرفی کرد و یک چارچوب یادگیری عمیق دو شاخه‌ای که روش‌های نمودار ویژگی‌های مکانی را با تکنیک‌های پیش‌بینی توالی زمانی برای بهبود طبقه‌بندی سنگ‌شناسی ادغام می‌کند.

این شبكه روابط مکانی پیچیده در داده‌های چاه‌نگاری را از طریق یک ساختار مبتنی بر نمودار ثبت کرد و در عین حال از مدل‌سازی زمانی برای تجزیه و تحلیل ویژگی‌های سری زمانی پویا استفاده کرد.

این رویکرد جامع، درک ویژگی‌های سیال زیرسطحی را افزایش داد و روی چاه‌های میدان‌های نفتی تاریم و داکینگ آزمایش شد، به دقت طبقه‌بندی بالایی تا ۹۶.۸۳٪ دست یافت و از هفت مدل پیشرفته دیگر پیشی گرفت. این چارچوب همچنین قابلیت تعمیم‌پذیری قوی و بهبود قابل توجه شناسایی سنگ‌شناسی را نشان داد.
 

کاربردهای تجاری هوش مصنوعی در صنعت نفت و گاز

کاربردهای تجاری و پذیرش هوش مصنوعی در صنعت نفت و گاز به سرعت در حال گسترش است که ناشی از نیاز به کارایی، دقت و کاهش هزینه است. به عنوان مثال، ربات‌های مجهز به هوش مصنوعی شركت اکسون موبیل می‌توانند نشت نفت را به طور مؤثر تشخیص دهند، خطر آسیب‌های زیست‌محیطی را کاهش داده و به حفاظت از حیات دریایی کمک کنند.

این شرکت از هوش مصنوعی برای بهبود تصمیم‌گیری در بهره‌برداری از منابع، کاهش خطرات زیست‌محیطی و بهینه‌سازی تولید از طریق یادگیری ماشینی استفاده می‌کند. اکسون موبیل با همکاری مایکروسافت، عملیات در حوزه پرمین را نیز ساده‌سازی می‌کند.

به صورت مشابه، شل از شبکه‌های عصبی یادگیری عمیق برای شناسایی مرزهای نمکی استفاده می‌کند که منجر به تفسیر بهتر جریان هیدروکربن و ایجاد مدل‌های زیرسطحی دقیق‌تر شده و زمان متخصصان را برای تمرکز بر وظایف پیچیده آزاد می‌کند.

شرکت بریتیش پترولیوم از هوش مصنوعی و یادگیری ماشینی برای اصلاح فعالیت های اکتشاف و تولید، کاهش هزینه‌ها و مدیریت کارآمد منابع از طریق تجزیه و تحلیل کلان داده‌ها و شبیه‌سازی‌های پیشرفته استفاده می‌کند.

غول شورون نیز برای بهبود تصمیم‌گیری در مدیریت منابع طبیعی، بهبود بهره‌وری عملیاتی و افزایش ایمنی از طریق سیستم‌های شبیه‌سازی، به کلان‌داده و هوش مصنوعی متکی است.

هالیبرتون، دارنده حق ثبت اختراع پیشرو در هوش مصنوعی اکتشاف نفت، نرم‌افزار DS365.ai را برای بهبود گردش‌های کاری حفاری و تولید ارائه می‌دهد. در سال 2022، هالیبرتون با سازمان داده و هوش مصنوعی عربستان سعودی برای گسترش راه‌حل‌های هوش مصنوعی خود همکاری کرد.

همچنین پلتفرم حفاری خودکار LOGIX را ارائه می‌دهد که از هوش مصنوعی برای توسعه مجدد میادین نفتی قدیمی استفاده می‌کند. از دیگر دارندگان حق ثبت اختراع هوش مصنوعی قابل توجه در این حوزه می‌توان به شلومبرگر و نفت عربستان سعودی اشاره کرد.
 

چالش‌های پیاده‌سازی هوش مصنوعی در اکتشاف نفت و گاز

 
با وجود پتانسیل قابل توجه هوش مصنوعی در اکتشاف نفت و گاز، پیاده‌سازی آن با چالش‌های متعددی روبرو است.

مسائل کلیدی شامل کیفیت پایین داده‌ها به دلیل وضوح محدود، مقادیر از دست رفته و عدم استانداردسازی است که دقت مدل را تضعیف می‌کند. مدل‌های هوش مصنوعی برای تعمیم در محیط‌های زمین‌شناسی متنوع با مشکل مواجه هستند. قابلیت تفسیر محدود و عدم وجود محدودیت‌های فیزیکی، اعتماد به پیش‌بینی‌ها را کاهش می‌دهد. علاوه بر این، نیازهای محاسباتی بالا با نیازهای تصمیم‌گیری در زمان واقعی اکتشاف در تضاد است.

موانع ادغام عملی، از جمله ناسازگاری نرم‌افزار و فقدان ابزارهای استاندارد، مانع از استقرار می‌شوند. این چالش‌ها، مقیاس‌پذیری و تأثیر دنیای واقعی هوش مصنوعی در صنعت را محدود می‌کنند.
 

راهی كه در پیش است

هوش مصنوعی با افزایش تجزیه و تحلیل داده‌ها، بهبود تصمیم‌گیری و افزایش بهره‌وری عملیاتی، اکتشاف نفت و گاز را متحول می‌کند. با وجود چالش‌هایی مانند کیفیت داده‌ها و موانع ادغام، نوآوری‌های مداوم، پذیرش گسترده‌تر صنعت را هدایت می‌کنند.

با توسعه فناوری‌های هوش مصنوعی، آنها نقش حیاتی فزاینده‌ای در برآورده کردن پایدار و کارآمد تقاضای جهانی انرژی ایفا خواهند کرد.
 
نویسنده: سامودراپوم دام
منبع: www.azomining.com
مترجم: محسن داوری

دوشنبه ۲۰ مرداد ۱۴۰۴ ساعت ۰۸:۲۱