اگه تا حالا با مهندسی مخازن نفتی سر و کار داشتی، حتماً می‌دونی که پیش‌بینی تولید نفت اصلاً کار راحتی نیست! کلی عامل و داده توی مخزن وجود داره که هی تغییر می‌کنن و باعث می‌شن دقیق پیش‌بینی کردن تقریباً شبیه معما حل کردنه.
این پروژه یه راهکار خلاقانه براش داره: می‌خواد از مدل‌های مبتنی بر داده (Data-driven models یعنی مدل‌هایی که با تحلیل داده‌های واقعی کار می‌کنن، نه حدس و گمان) و یادگیری ماشین یا همون Machine Learning (یه جور هوش مصنوعی که با داده‌ها خودش یاد می‌گیره و بهتر میشه)، استفاده کنه تا تولید رو با ساده‌ترین سطح داده‌ها پیش‌بینی کنه.
ماجرای اینجاست که معمولاً برای پیش‌بینی تولید توی مخزن، باید کلی اطلاعات از مدل‌های زمین‌شناسی، خواص سیال (یعنی ویژگی‌های نفت و گاز و آب داخل مخزن) یا حتی جزئیات سر و ته چاه‌ها و مسیرهای جریان داشته باشی. ولی این پروژه می‌خواد یه رویکرد جالب رو امتحان کنه: فقط به چیزهایی مثل حجم‌های تولید شده و تزریق شده و نهایتاً یه سری سنسوری که تو چاه گذاشته میشه (گِیج‌ها: همونا که فشار و دما و … رو نشون میدن) بسنده کنه و دیگه کاری به بقیه دردسرها نداشته باشه.
اول کار، اهمیت داده‌های مختلف رو بررسی کردن تا ببینن کدوم داده‌ها توی پیش‌بینی تولید بیشترین تاثیر رو دارن. بعدشم سعی کردن داده‌ها رو یه جوری تمیز و مرتب کنن که آماده‌ی تحلیل و آموزش مدل باشه (همون Data Conditioning که یعنی داده‌ها رو براساس نیاز مدل آماده و تمیز می‌کنن). حالا چالش اصلی اینه که شرایط مخزن همش در حال تغییره و داده‌هایی که مثلاً چند ماه پیش گرفتی، لزوماً برا الان کاربردی نیست. به این حالت میگن “Concept Drift” یعنی معنی و مفهوم داده‌ها با گذر زمان تغییر پیدا می‌کنه.
پس باید حواست باشه که هم پنجره‌های زمانی مناسبی برای مشاهدات در نظر بگیری و هم مدل‌ها رو هر چند وقت یه بار دوباره آموزش بدی تا به‌روز بمونن. این موضوع هم یکی از کارهای مهمشونه.
برای پیش‌بینی تولید، رفتن سراغ مدل‌های یادگیری نظارت‌شده (Supervised Learning یعنی مدلی که با داده‌های برچسب‌خورده، مثل اینکه در فلان روز چقدر تولید داشتیم، آموزش می‌بینه). چند روش متفاوت مثل رگرسیون (Regression: مدلی که سعی می‌کنه رابطه بین متغیرها رو پیدا کنه و پیش‌بینی کنه) و شبکه‌های عصبی (Neural Networks: مدل‌هایی شبیه مغز انسان که می‌تونن الگوهای پیچیده رو بفهمن) بررسی شده تا ببینن کدومش براشون هم دقیق‌تره هم کار کردن باهاش راحت‌تره.
تو فاز اول، با داده‌های مصنوعی (synthetic data) که با مدل شبیه‌سازی UNISIM III (یه مدل شبیه‌ساز رفتار سیالات در مخزن) درست شده، مدلشون رو تست کردن. بعدشم رفتن سراغ داده‌های واقعی مربوط به مخازن برزیل به اسم Pre-salt که جزو میادین نفتی معروفن.
هدف نهایی اینه که یه پیش‌بین قابل‌اعتماد بسازن که هم سریع جواب بده، هم بتونه خفن‌ترین مشکلات عملی مثل محدودیت‌های چاه‌ها یا واحدهای فرآوری رو مدیریت کنه و حتی تو برنامه‌ریزی و مدیریت مخزن کمک کنه. یعنی بتونی رفتارهای بد مخزن رو از قبل حدس بزنی، پارامترهای تولید و تزریق رو بهینه کنی، یا حتی تاثیر رویدادهای شانسی و تصادفی (probabilistic events یعنی اتفاق‌هایی که همیشه مطمئن نیستی رخ میدن یا نه) رو آنالیز کنی تا نهایتاً بیشترین میزان نفت رو استخراج کنی.
اگر خلاصه بخوام بگم، این پروژه می‌خواد از دل ساده‌ترین داده‌ها و با کمک یادگیری ماشین، پیش‌بینی تولید مخازن نفتی رو قوی‌تر، سریع‌تر و راحت‌تر کنه و خلاصه به مهندسا ابزار بده تا توی واقعیت بیشتر و بهتر نفت دربیارن. خیلی جذاب نیست؟!
منبع: +
