الذكاء الاصطناعي يعيد الآبار الهامشية للربحية في عُمان

في 27/01/2026 عند 06:57 م، نُشرت قصة صغيرة من جنوب تكساس قد تبدو بعيدة عن عُمان… لكنها تمسّ تحديًا نعرفه جيدًا في حقول النفط والغاز: ماذا نفعل بالآبار “غير الاقتصادية”؟ تلك الآبار التي تُستهلك فيها ساعات هندسية وميزانيات تشغيلية، ثم تُصنَّف في النهاية بأنها عبء تشغيلي أو رقم خامد في التقارير.

التجربة الميدانية لشركة MaverickX أعادت بئرًا كانت شبه متوقفة إلى إنتاج مستدام بعد معالجة كيميائية واحدة (EOR). الأهم من الخبر نفسه هو الدرس الذي يهمّنا في سلسلة “كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في عمان”: القيمة الجديدة لا تأتي من تقنية واحدة، بل من قرار تشغيلي أسرع وأدق—وهنا يدخل الذكاء الاصطناعي كعصبٍ للقرار.

هذه المقالة ليست إعادة سرد للخبر. سأستخدمه كدراسة حالة لأوضح كيف يمكن للذكاء الاصطناعي—مع التحليلات المتقدمة والاختبارات المخبرية—أن يغيّر اقتصاديات الآبار الهامشية، وما الذي يجب أن تفعله شركات الطاقة في عُمان لتحويل هذا المفهوم إلى نتائج قابلة للقياس.

ماذا تقول تجربة MaverickX عمليًا؟ الأرقام أولًا

الجواب المباشر: معالجة واحدة رفعت بئرًا من شبه صفر إلى إنتاج يومي مستمر، مع جودة سوائل أفضل.

وفق الخبر، بئر Fowler 1 في تكوين Olmos:

• أنتجت سابقًا نحو 5 براميل خلال 15 شهرًا (إنتاج شديد الهامشية).
• توقفت عن الإنتاج لمدة ثلاثة أشهر قبل المعالجة.
• بعد معالجة EOR واحدة باستخدام كيمياء PetroX، عاد الإنتاج إلى حوالي 23 جالون نفط يوميًا.
  • 23 جالون ≈ 0.55 برميل/يوم.
• مستوى الرواسب والماء (BS&W) بقي أقل من 5% حتى منتصف يناير 2026.

قد يبدو 0.55 برميل/يوم رقمًا صغيرًا. لكنه في منطق “الآبار الهامشية”، هناك فرق بين:

• بئر لا ينتج = تكلفة صيانة/سلامة/التزامات تنظيمية بدون عائد.
• بئر ينتج—even قليلًا—= فرصة لإعادة التقييم، وربما التوسع، وربما تكرار النموذج على مجموعة آبار مشابهة.

العبارة التي يجب أن تبقى في ذهن أي مدير أصول: الآبار الهامشية تُدار بالمحفظة لا بالبئر الواحد.

أين يظهر الذكاء الاصطناعي هنا؟ في “اختيار المعركة” قبل المعالجة

الجواب المباشر: الذكاء الاصطناعي لا يحقن الكيمياء، لكنه يقرر أين ومتى وكيف نحقنها بأعلى احتمال نجاح وبأقل مخاطر.

الخبر يركّز على كيمياء EOR وتفاعلها مع الطين (clay-rich, swelling formation) دون الإضرار بالدعائم (proppant) أو سلامة التصدعات. هذا تحدٍّ معروف: المعالجات التقليدية (خصوصًا الحمضية) قد تحل مشكلة وتخلق أخرى.

في عُمان، لدينا تنوع كبير في المكامن وتحديات مرتبطة بتفاوت الخصائص الجيولوجية ووجود طبقات حساسة (منها الطينية أو المتشققة). هنا بالضبط يصبح الذكاء الاصطناعي جزءًا من الحل عبر ثلاث طبقات عمل:

1) نمذجة “قابلية الاستجابة” للمعالجة (Treatment Response Modeling)

الجواب المباشر: بدل أن نجرّب على 20 بئرًا لننجح في 3، يمكن للذكاء الاصطناعي أن يرشّح 5 آبار ويزيد احتمالات نجاح 3 منها.

كيف؟ عبر تدريب نماذج تعلم آلي على بيانات تاريخية مثل:

• منحنيات الإنتاج (Decline curves) قبل/بعد أي تدخل سابق.
• بيانات الضغط ودرجات الحرارة ونِسَب الماء.
• خصائص الصخور (محتوى الطين، النفاذية، المسامية، الحساسية للماء).
• بيانات الإكمال والتحفيز (نوع السوائل، الضغوط، أحجام الضخ).

ثم يخرج النموذج بنتيجة عملية: درجة أولوية لكل بئر + العوامل التي رفعتها أو خفضتها.

2) تقليل المخاطر التشغيلية قبل التنفيذ

الجواب المباشر: الذكاء الاصطناعي يمنع “معالجة جيدة على ورق” من أن تتحول إلى ضرر دائم في المكمن.

في خبر MaverickX كانت نقطة القوة: المعالجة تمت “دون تحريك proppant أو إتلاف سلامة التصدعات”. في مشاريعنا، يمكن للذكاء الاصطناعي دعم ذلك عبر:

• كشف الأنماط التي تسبق فشل التصدعات أو انسداد المسام (Early warning signals).
• توقع تغيرات BS&W بعد المعالجة لتخطيط فصل السوائل ومعالجة المياه.
• تحسين تصميم الضخ (الجرعات/المراحل) عبر محاكاة سريعة مدعومة بالبيانات.

3) الإغلاق السريع لحلقة التعلم (Closed-Loop Learning)

الجواب المباشر: بدل أن ننتظر أشهرًا لنعرف إن كانت المعالجة نجحت، يمكننا قياس مؤشرات مبكرة خلال أيام ثم تعديل الخطة.

الخبر ذكر تحاليل مخبرية دقيقة مثل ICP-OES وFTIR لرصد تغيّر الحديد والكبريت وتركيب الهيدروكربونات. إذا ربطت هذه التحاليل بمنصة بيانات وتشغيلت عليها نماذج تنبؤ، يمكن الحصول على:

• “توقيع كيميائي” يدل على تفاعل مستهدف مقابل ذوبان غير مرغوب.
• فهم أسرع لتأثير المعالجة على جودة الخام (وهذا مهم لعمليات المعالجة والمصافي).

لماذا التحليل المخبري في الخبر مهم لعُمان؟ لأنه يحول التدخل إلى علم قابل للقياس

الجواب المباشر: القيمة ليست في أن البئر عاد للإنتاج فقط، بل في أن الشركة قدّمت أدلة على آلية العمل دون تخريب الخام.

الخبر يقول إن:

• الحديد الذائب ارتفع مؤقتًا ثم أصبح غير قابل للكشف خلال 30 يومًا، بما يتوافق مع “تفاعل معدني مستهدف” لا ذوبان شامل.
• الكبريت انخفض في البداية ثم استقر.
• FTIR لم يُظهر تغيّرات قابلة للقياس في تركيب الهيدروكربونات.

في الواقع التشغيلي، هذا النوع من القياس يمنح مدير الأصل راحة مهمة: أنت تحسّن الجريان دون أن “تلوّث” الخام أو ترفع مشكلات التآكل/المعالجة.

في عُمان، حيث تُحسب جودة الخام وتكاليف المعالجة بدقة، ربط التحاليل المخبرية بنماذج ذكاء اصطناعي يعطي:

• تحسينًا في قرارات مزج الخام (blending) وتخطيط الشحن.
• توقعًا لتأثير المعالجات على عمليات الفصل والمعالجة السطحية.
• تقليل مفاجآت التآكل أو الترسبات عبر إنذار مبكر.

كيف تُحوّل شركات النفط والغاز في عُمان الآبار غير الاقتصادية إلى “محفظة فرص”؟

الجواب المباشر: ابدأ بنظام قرار يُرتِّب الآبار، ثم نفّذ تجارب صغيرة متكررة، ثم عمّم ما ينجح.

أنا منحاز لهذا النهج لأنه واقعي—خصوصًا عندما تكون الميزانيات محكومة والوقت محدود.

خطة من 4 خطوات قابلة للتطبيق خلال 90 يومًا

1. جرد الآبار الهامشية/الخاملة

   • حدّد 50–200 بئر (حسب حجم الأصول).
   • اجمع بيانات الإنتاج، التوقفات، آخر تدخل، ومشاكل السطح.

2. بناء نموذج ترتيب أولويات بسيط أولًا

   • حتى نموذج Gradient Boosting أو Random Forest قد يكفي كبداية.
   • المخرج: Top 10 آبار مع تفسير “لماذا”.

3. تصميم تجارب ميدانية صغيرة (Field Pilots)

   • 3–5 آبار فقط.
   • تعريف مؤشرات نجاح واضحة خلال 7/30/60 يومًا:
     • زيادة الإنتاج (برميل/يوم)
     • انخفاض BS&W
     • استقرار الضغط
     • عدم تدهور جودة الخام

4. حلقة تعلم وتشغيل متكررة

   • بعد كل تجربة: أعد تدريب النموذج ببيانات ما بعد المعالجة.
   • راجع تصميم المعالجة التالي بناءً على المؤشرات المبكرة.

جملة عملية: إذا لم تكن لديك لوحة متابعة يومية لنتائج التجربة، فأنت لا تدير تجربة—أنت تدير “أمنية”.

أسئلة شائعة يتوقعها صانع القرار (وإجابات مباشرة)

هل الذكاء الاصطناعي وحده يكفي لإحياء الآبار؟

لا. الذكاء الاصطناعي يرفع جودة القرار ويقلل التجارب الفاشلة، لكنه يحتاج بيانات جيدة وفريق تشغيل يعرف كيف يترجم توصيات النموذج إلى تصميم ميداني.

هل المعالجات الكيميائية بديل دائم للتحفيز الحمضي أو التكسير؟

ليست بديلًا مطلقًا. لكنها في مكامن حساسة (مثل تكوينات طينية متورّمة) قد تكون أقل مخاطرة من بعض خيارات التحفيز التقليدية—كما أشار الخبر عند مقارنة النهج بالتحفيز الحمضي.

ما أكبر خطأ عند تبني الذكاء الاصطناعي في الإنتاج؟

تحويله إلى مشروع “تقني” منفصل. الصواب هو اعتباره مشروع إنتاج له أهداف رقمية: براميل إضافية، تقليل وقت التوقف، تقليل تكلفة البئر.

ما الذي يعنيه هذا لعام 2026 في عُمان؟

الجواب المباشر: الرهان الذكي في 2026 هو رفع عامل الاسترداد وتقليل الهدر التشغيلي بالتحليلات والذكاء الاصطناعي—خصوصًا في الأصول الناضجة والآبار الهامشية.

التجربة في جنوب تكساس تُظهر اتجاهًا واضحًا: قطاع المنبع يتعامل بشكل متزايد مع “التفاصيل الدقيقة” (الكيمياء + البيانات + التشغيل) بدل الاعتماد على تدخلات كبيرة مكلفة. وهذا يتسق مع تحولات السوق: تشدد على الكفاءة، الانضباط الرأسمالي، وقياس العائد بسرعة.

إذا كنت تعمل في شركة نفط وغاز في عُمان—أو لدى مزود خدمات حقول—فالسؤال الذي يستحق النقاش داخل الفريق هذا الأسبوع هو: كم بئرًا لدينا مصنّفًا كغير اقتصادي، لكنه في الحقيقة “غير مفهوم بما يكفي”؟

مصدر الخبر (بدون روابط إضافية): https://www.worldoil.com/news/2026/1/27/maverickx-field-trial-restores-production-at-non-commercial-south-texas-well/