حفاری هوشمند در مقیاس صنعتی: اجرای عملی سیستم خودکار حلقه‌بسته
این مطلب خلاصه‌ای‌ست از مقاله‌ای ارائه‌شده توسط شرکت‌های Corva AI LLC و Nabors Industries در کنفرانس حفاری SPE/IADC سال ۲۰۲۵. این مقاله به بررسی استقرار یک سیستم حفاری خودکار حلقه‌بسته، مبتنی بر یادگیری ماشین، در چندین حوضه غیرمتعارف ایالات متحده می‌پردازد؛ سیستمی که توانسته بهبودهای قابل‌اندازه‌گیری در نرخ نفوذ (ROP) و ثبات در تحویل چاه‌ها ایجاد کند.
با تحول دیجیتال در صنعت انرژی، خودکارسازی حفاری به یکی از محورهای نوآوری تبدیل شده است. این مطالعه موردی، یکی از گسترده‌ترین پیاده‌سازی‌های واقعی سیستم‌های حفاری خودکار حلقه‌بسته تا به امروز را ارائه می‌دهد؛ سیستمی که در بیش از ۳۰ دکل حفاری و ۵۰۰ حلقه چاه در حوضه‌های شیل ایالات متحده پیاده‌سازی شده است. یافته‌ها نشان می‌دهد که سیستم‌های کنترل مبتنی بر یادگیری ماشین می‌توانند نرخ نفوذ را به‌طور مستمر بهینه کرده و عملکرد حفاری را در شرایط زمین‌شناسی متنوع بهبود دهند.
چارچوب خودکارسازی ارائه‌شده در این مطالعه، از ماژول‌های متعددی تشکیل شده است که به‌صورت همزمان، پارامترهای حفاری را در زمان واقعی تنظیم می‌کنند. یکی از اجزای کلیدی این سیستم، اپلیکیشنی با عنوان «مشاور بهینه‌سازی ROP» است که با استفاده از داده‌های میدانی تاریخی و پارامترهای سطحی در لحظه، مقدارهای پیشنهادی برای وزن روی مته (WOB) و سرعت دورانی (RPM) را ارائه می‌دهد. این مقادیر پس از تأیید حفار، به‌صورت خودکار به پلتفرم خودکارسازی درونچاهی ارسال شده و در حین حفاری، به‌منظور حفظ عملکرد بهینه، به‌صورت دقیق تنظیم می‌شوند.
این سیستم به‌صورت حلقه‌بسته عمل می‌کند؛ به این معنا که با تغییر شرایط، می‌تواند خود را اصلاح کرده و سازگار شود. داده‌های چاه‌های قبلی برای ساخت مدل‌های پیش‌بینی مورد استفاده قرار می‌گیرد تا در چاه‌های جدید با زمین‌شناسی مشابه، چالش‌های احتمالی را پیش‌بینی و به‌موقع سازگار شود. در دکل حفاری، موتور خودکارسازی پایین‌چاهی مستقیما با سیستم کنترل دکل در ارتباط است و فرمان‌ها را در محدوده‌های مجاز ایمنی و مکانیکی اجرا می‌کند. در همین حال، داشبوردهای زمان‌واقعی، شفافیت و کنترل لازم را در اختیار حفار قرار می‌دهند.
گستردگی مطالعه به دلیل تنوع عملیاتی آن قابل توجه است. این پروژه شامل چاه‌هایی است که در شش حوضه مختلف شیل ایالات متحده و با سازندهای مختلف، با طراحی مته و تجهیزات حفاری حفر شده‌اند. با وجود این تنوع، سیستم خودکار موفق شد بهبودهای مستمر و تکرارپذیر در نرخ نفوذ مته ایجاد کند و اختلالات رایج حفاری مانند stick-slip و گشتاور بیش‌ازحد را کاهش دهد. برای نمونه، در حوضه پرمیان، اپراتورها شاهد افزایش متوسط ۲۰ درصدی نرخ نفوذ مته نسبت به چاه‌های مرجع بدون سیستم خودکار بودند.
نکته مهم دیگر، انعطاف‌پذیری این سیستم در تعامل با نیروهای انسانی است. رابط کاربری آن به گونه‌ای طراحی شده که مدل «انسان در حلقه» را حفظ کند؛ به این صورت که حفار می‌تواند در هر زمان پیشنهادات را بررسی، تنظیم یا رد کند. این انعطاف موجب افزایش اعتماد و تسهیل در پذیرش سیستم در میان تیم‌های مختلف عملیاتی شد.
در ادامه، مقاله به درس‌آموخته‌هایی در خصوص عملیاتی‌سازی هوش مصنوعی در مقیاس بزرگ می‌پردازد. یکی از نکات کلیدی، اهمیت داده‌های تمیز و یکنواخت از حسگرها و سیستم‌های کنترل دکل است. استانداردسازی روندها و واسط‌های کاربری نیز اهمیت دارد تا ماژول‌های خودکارسازی به‌آسانی در دکل‌هایی با تجهیزات متفاوت قابل استقرار باشند. همچنین سرمایه‌گذاری در آموزش میدانی و مدیریت تغییر، نقش کلیدی در هماهنگی نیروها با فرآیند جدید داشته است.
با نگاهی به آینده، نویسندگان پیشنهاد می‌دهند که این چارچوب خودکارسازی می‌تواند با افزودن ماژول‌های جدید مانند راهبری مته و تشخیص اختلالات درونچاهی توسعه یابد. همچنین، ادغام داده‌های تحت الارضی مانند نمودار گاما و داده‌های ارتعاش می‌تواند تصمیم‌گیری را هوشمندتر کند. هدف نهایی، توسعه سیستم‌هایی است که بتوانند به‌صورت خودکار، کل بازه حفاری از شروع تا عمق نهایی ( TD) را با کمترین مداخله انسانی بهینه کنند.
این مطالعه، نشان‌دهنده یک گذار مهم در صنعت نفت و گاز است: عبور از پروژه‌های آزمایشی یادگیری ماشین به سمت سامانه‌های خودکار در لحظه، در مقیاس سازمانی. با معماری درست، زیرساخت داده‌ای منسجم، و همکاری مؤثر میان انسان و ماشین، بهینه‌سازی حفاری مبتنی بر هوش مصنوعی می‌تواند از یک ایده فراتر رفته و به یک مزیت رقابتی واقعی تبدیل شود.
مطالعه بیشتر:
مشاهده مقاله کامل در وب‌سایت SPE
ما به سوالات شما پاسخ می‌دهیم