🇳🇴 Kan AI avsløre oversette hydrokarboner i Nordsjøen? - Norway

Featured image for Kan AI avsløre oversette hydrokarboner i Nordsjøen?

Sommeren 2020 deltok Oljedirektoratet i et banebrytende maskinlæringsprosjekt sammen med britiske myndigheter. Målet var enkelt å formulere – men krevende å løse: Kan maskiner finne hydrokarboner som er oversett? Med andre ord: Kan kunstig intelligens peke på «missed pay» i eksisterende brønner – ressurser vi allerede har boret gjennom, men ikke har sett?

I dag, høsten 2025, har AI og maskinlæring blitt en sentral del av den digitale transformasjonen i norsk olje og gass. Samtidig øker presset på kostnadseffektiv, sikker og mer bærekraftig utvinning. Da blir spørsmålet enda mer aktuelt: Hvordan kan vi bruke AI til å hente mer ut av eksisterende felt – uten å kompromisse på sikkerhet eller klimaambisjoner?

I denne artikkelen, som er del av serien «AI i Norsk Olje og Gass: Digital Transformasjon», ser vi nærmere på hvordan maskinlæring kan identifisere oversette hydrokarboner, hva som skal til for å lykkes – og hvordan norske aktører kan omsette dette til konkrete verdier på sokkelen.

Hvorfor «missed pay» er gull verdt i en moden sokkel

Den norske kontinentalsokkelen er moden. De store elefantfunnene ligger bak oss, og stadig flere felt nærmer seg haleproduksjon. Samtidig viser ressursregnskapene at en betydelig andel av ressursene fortsatt befinner seg i bakken.

Her kommer «missed pay» inn som en strategisk mulighet:

Redusere letesrisiko: Det er mindre risikabelt å lete etter oversette soner i eksisterende brønner enn å bore nytt i uutforskede områder.
Utnytte eksisterende infrastruktur: Små tilleggsvolumer kan bli svært lønnsomme når de kan produseres via plattformer, rør og prosessanlegg som allerede er på plass.
Støtte bærekraftig produksjon: Mer ut av hvert fat og hver brønn betyr lavere CO₂-intensitet per produsert enhet.

Tradisjonelt har geologer, petrofysikere og reservoaringeniører gjort denne jobben manuelt – brønn for brønn, logg for logg. Med tusenvis av brønner og enorme datamengder sier det seg selv at noe kan bli oversett. Nettopp dette er kjernen i spørsmålet: Kan AI finne mønstre og avvik som menneskelige øyne ikke rekker over?

Lærdom fra Nordsjøen: Maskinlæring på tusenvis av brønner

Maskinlæringsprosjektet som Oljedirektoratet deltok i sammen med britiske myndigheter, hadde én hovedambisjon: å teste om avanserte algoritmer kan systematisk avdekke potensielle «missed pay»-soner i et stort brønnvolum.

Hva forsøkte man å gjøre?

Forenklet besto prosjektet av tre hovedelementer:

Tilrettelegging av data
- Samle inn loggdata, kjernebeskrivelser, testresultater og produksjonsinformasjon fra flere tusen brønner.
- Rydde, standardisere og kvalitetssikre data slik at de kan mates inn i maskinlæringsmodeller.
Trening av maskinlæringsmodeller
- La algoritmene lære hva som kjennetegner produserende soner sammenlignet med tørre eller ikke-utnyttede lag.
- Bruke dette mønsteret til å flagge soner i andre brønner som ligner på kjente, produserende reservoarer – men som ikke er perforert eller testet.
Analyse av «missed pay»
- Rangere soner etter sannsynligheten for å inneholde mobile hydrokarboner.
- Prioritere hvilke brønner, felt eller områder det er mest interessant å gå videre med.

Resultatene viste at maskinlæring kan være et kraftig supplement til tradisjonell analyse. Men like viktig var innsikten om at modellene er helt avhengige av gode data og tett samarbeid mellom domeneeksperter og data scientists.

Datagrunnlaget: Fundamentet for all AI i undergrunnen

Det mest undervurderte – men kanskje viktigste – steget i all bruk av AI i olje og gass, er datatilrettelegging. Prosjektet i Nordsjøen illustrerte dette svært tydelig.

Typiske dataproblemer på sokkelen

Når man skal bruke AI til å finne oversette hydrokarboner, møter man raskt velkjente utfordringer:

Ustandardiserte loggkurver mellom operatører og tidsperioder
Manglende metadata (for eksempel formasjoner, dybdejustering, verktøytyper)
Varierende datakvalitet fra eldre brønner
Fragmenterte datasett fordelt på flere systemer og leverandører

Dette gjør at selv enkle analyser krever mye manuelt arbeid – og at maskinlæringsmodeller lett blir svake eller direkte misvisende hvis datagrunnlaget ikke er kvalitetssikret.

Fra rådata til AI-klare datasett

For å lykkes med AI-basert «missed pay»-analyse, må selskaper på norsk sokkel arbeide systematisk med:

Standardisering av brønndata
Automatisert datarensing (for eksempel deteksjon av feilkalibrerte logger)
Strukturerte dataplattformer der geologer, reservoaringeniører og data scientists kan jobbe på samme, oppdaterte kilde

Dette er også helt i tråd med den bredere trenden innen digital transformasjon i olje og gass: Fra siloer og Excel-ark til dataplattformer og delte «single source of truth».

Slik kan AI identifisere oversette hydrokarboner i praksis

Når datagrunnlaget er på plass, åpner det seg en rekke konkrete bruksområder for AI i lete- og produksjonsfasen.

1. Automatisk screening av brønnlogger

Maskinlæring kan trenes opp til å gjenkjenne loggmønstre som indikerer potensielle reservoarer, basert på historiske suksessbrønner. Deretter kan modellen:

Gå gjennom tusenvis av brønner på kort tid
Flagge soner med «reservoardynamikk» som ligner på produserende lag
Rangere sonene etter sannsynlighet for mobil olje/gass

Geologer og petrofysikere kan så fokusere på de mest lovende kandidatene – i stedet for å lete etter nåla i høystakken.

2. Kombinere brønn- og produksjonsdata

En annen tilnærming er å koble loggdata med reell produksjonshistorikk:

Modellen lærer hvilke loggprofiler og petrofysiske parametere som faktisk gir kommersiell produksjon.
Dette brukes til å skille mellom «teoretisk interessant» og «praktisk produserbar» «missed pay».

Dette er særlig verdifullt når man vurderer:

Tilleggsperforeringer i eksisterende brønner
Sidesteg inn i tilgrensende soner
Små tilleggsmål under eller over hovedreservoaret

3. Regional innsikt på tvers av lisenser

En ofte undervurdert gevinst er muligheten til å se mønstre på tvers av felt og lisenser:

Soner som ble vurdert som uinteressante på 80- og 90-tallet kan være attraktive i dag med ny teknologi og høyere prisnivå.
AI kan identifisere gjentakende mønstre i underutnyttede formasjoner på tvers av Nordsjøen, Norskehavet og Barentshavet.

I en norsk kontekst, der data- og delingskultur allerede er sterk, ligger forholdene godt til rette for slike regionale analyser – forutsatt at juridiske og kommersielle rammer er på plass.

Verdi, risiko og suksesskriterier for norske aktører

Maskinlæring er ikke et mål i seg selv. For å være relevant i norsk olje og gass må teknologien levere konkrete forretningsmessige gevinster – samtidig som den ivaretar sikkerhet, regelverk og klimaforpliktelser.

Mulige gevinster ved AI-basert «missed pay»-analyse

Økt utvinning fra eksisterende felt uten store nye investeringer i infrastruktur
Bedre beslutningsgrunnlag i lisensene når tilleggsbrønner eller perforeringer skal vurderes
Redusert letekostnad per funn ved at man utnytter data fra tidligere brønner bedre
Lavere CO₂ per fat ved at mer av reservoaret faktisk produseres

Selv små prosentvise forbedringer i utvinningsgrad kan gi store verdier for staten og operatørene.

Risikoer og fallgruver

Samtidig er det viktig å ikke overvurdere hva AI kan gjøre alene:

Modellene er bare så gode som dataene – dårlig datakvalitet gir falske positive eller negative.
Domeneekspertise er kritisk – uten geologer og reservoaringeniører i førersetet, kan modellene trekke feil konklusjoner.
Endringsledelse er nødvendig – hvis ikke organisasjonen stoler på modellen, blir den heller ikke brukt.

En moden tilnærming er derfor å se på AI som et beslutningsstøtteverktøy, ikke som en erstatning for fagfolk.

Slik kan norske selskaper komme i gang

For operatører og lisenspartnere som ønsker å utnytte AI i jakten på oversette hydrokarboner, peker noen klare første steg seg ut:

Kartlegg datamodenhet
- Hvor ligger brønndataene? I hvilket format? Med hvilken kvalitet?
Start med et avgrenset pilotområde
- Velg ett felt eller en region med mange brønner og relativt god datadekning.
Bygg tverrfaglige team
- Kombiner geologer, petrofysikere, reservoaringeniører og data scientists.
Mål verdipotensial tidlig
- Hva skal til for at prosjektet er lønnsomt? For eksempel én ekstra brønn, et sidesteg eller en enkel tilleggsperforering?
Skaler gradvis
- Når pilotene viser verdi, kan metodikken rulles ut til flere felt og regioner.

Dette passer godt inn i den overordnede reisen mange norske selskaper allerede er på: fra punktvise digitaliseringsprosjekter til helhetlig AI-strategi for hele verdikjeden.

AI i norsk olje og gass: Fra «proof of concept» til standard verktøy

Erfaringene fra maskinlæringsprosjekter i Nordsjøen viser at svaret på spørsmålet «Kan maskiner finne hydrokarboner som er oversett?» er ja – men ikke alene.

AI og maskinlæring kan:

Systematisk gjennomgå store brønnvolum
Avdekke soner som fortjener en ny vurdering
Gi bedre prioriteringsgrunnlag for nye tiltak i modne felt

Men den virkelige verdien oppstår først når teknologien kobles med:

Gode, standardiserte data
Solid domeneekspertise
En tydelig forretningsmessig målsetting

Innenfor rammen av «AI i Norsk Olje og Gass: Digital Transformasjon» er «missed pay»-analyse et av de mest konkrete og målbare bruksområdene vi har. Det treffer kjernen i norsk sokkelpolitikk: Høy ressursutnyttelse, lave utslipp per produsert enhet, og mest mulig verdiskaping fra eksisterende felt.

Når vi nå går inn i en periode med både nye konsesjonsrunder, økt fokus på CO₂-lagring og diskusjoner om sokkelens langsiktige rolle, blir spørsmålet enda viktigere:

Hvor mye mer kan vi hente ut ved å bruke AI smartere på dataene vi allerede har?

For selskaper som svarer proaktivt på det spørsmålet – og bygger kapasitet innen data, AI og tverrfaglig samhandling – kan oversette hydrokarboner bli neste store konkurransefortrinn.

Neste steg for deg

Vurder hvor moden din organisasjon er på brønndata og dataplattformer.
Identifiser ett felt eller område der «missed pay»-analyse med AI kan testes i liten skala.
Ta initiativ til en dialog mellom fagmiljøene i undergrunnen og de som jobber med data, analyse og AI.

Den digitale transformasjonen i norsk olje og gass skjer nå. Spørsmålet er ikke lenger om AI vil bli en del av undergrunnsarbeidet – men hvor raskt du vil være blant dem som faktisk tar det i bruk for å finne de oversette hydrokarbonene.