نقش هوش مصنوعی در مدلسازی و شبیه سازی مخازن نفتی: رویکردهای دادهمحور در مهندسی مخازن

مدلسازی مخازن نفتی به دلیل ماهیت چندفازی سیالات، ناهمگونی شدید خواص پتروفیزیکی (از جمله تخلخل و تراوایی)، وجود ناپیوستگی های ساختاری مانند گسل ها و fractures، و همچنین محدودیت در دسترسی به داده های مستقیم مغزه (core data) و داده های چاه پیمایی (well logging)، همواره با درجات بالایی از عدم قطعیت (uncertainty) همراه بوده است. روش های مرسوم مبتنی بر حل عددی معادلات جریان دارسی (Darcy) و موازنه جرم، گرچه دارای بنیان فیزیکی مستحکمی هستند، در مواجهه با داده های پراکنده و غیرخطی، نیازمند ساده سازی های قابل توجهی می باشند.

در سال های اخیر، هوش مصنوعی (AI) و زیرشاخه های آن نظیر یادگیری ماشین (Machine Learning – ML) و یادگیری عمیق (Deep Learning – DL)، با قابلیت استخراج الگوهای غیرخطی و پنهان از داده های با ابعاد بالا (high-dimensional data)، رویکردی مکمل و در برخی موارد جایگزین برای روش های کلاسیک ارائه داده اند. این روش ها با بهره گیری از داده های لرزه ای سه بعدی (3D seismic attributes)، لاگ های چاه (GR، Resistivity، Neutron، Density)، داده های فشار و دبی تولید (PVT و well test data)، قادر به مدلسازی روابط پیچیده بین ورودی ها و خروجی های مخزن بدون نیاز به فرضیات صریح فیزیکی هستند.

از میان الگوریتم های پرکاربرد:

• جنگل تصادفی (Random Forest) و XGBoost به دلیل مقاومت در برابر بیش برازش (overfitting) و توانایی مدیریت داده های پرت (outliers)، در تخمین تخلخل موثر (effective porosity) و تراوایی مطلق (absolute permeability) از روی لاگ های چاه عملکرد بالایی داشته اند.
• ماشین بردار پشتیبان (SVM) با هسته های شعاعی (RBF kernel) در مسائل طبقه بندی نوع سنگ مخزن (rock typing) و تشخیص نواحی دارای هیدروکربور، نتایج قابل اتکایی ارائه می دهد.
• شبکه های عصبی بازگشتی (RNN) به ویژه نوع حافظه کوتاه مدت طویل (LSTM)، به دلیل ساختار دارای حافظه، در پیش بینی سری های زمانی تولید (تاریخچه نفت، گاز و آب) و همچنین مدلسازی افت فشار مخزن در طول زمان بسیار موثر بوده اند.

علاوه بر این، هوش مصنوعی فرآیند تطابق تاریخچه (History Matching) را که در روش های مرسوم مبتنی بر شبیه سازی عددی (مثل ECLIPSE یا CMG) زمان بر و مستعد همگرایی به پاسخ های محلی بهینه (local optima) است، با استفاده از الگوریتم های فراکاوشی (metaheuristic) مانند بهینه سازی ازدحام ذرات (PSO) و الگوریتم ژنتیک (GA) خودکار کرده و دقت آن را بهبود می بخشد.

همچنین مدل های جایگزین (Surrogate Models) مبتنی بر شبکه های عصبی عمیق، امکان جانشینی شبیه سازهای عددی پرهزینه را فراهم کرده و تحلیل عدم قطعیت و بهینه سازی طرح توسعه میدان (Field Development Plan) را با صدها برابر سرعت بیشتر امکان پذیر می سازند. در مجموع، هوش مصنوعی با کاهش هزینه های محاسباتی، افزایش دقت تخمین پارامترهای کلیدی و امکان تصمیم گیری بلادرنگ (real-time decision making) در مدیریت هوشمند میادین نفتی (Digital Oilfield)، به یکی از ارکان اصلی نسل جدید مهندسی مخازن تبدیل شده است.