الذكاء الاصطناعي في الإنتاج البحري: دروس لعُمان من سِمِه

في 03/02/2026 أعلنت شركة Akrake Petroleum إكمال حفر بئر إنتاج أفقية (AK-2H) في حقل Sèmè البحري قبالة بنين. التفاصيل التقنية ليست “خبرًا عاديًا”: مقطع أفقي بطول 1,405 متر، منه نحو 950 مترًا من الحجر الرملي المشبع بالنفط داخل تكوين Abeokuta (العصر الطباشيري)، وبمؤشرات جودة مكمنية واضحة: متوسط مسامية يتجاوز 19% وتشبع نفطي فوق 70%، والأهم: عدم رصد طبقات حاملة للماء ضمن المقطع المنتج.

هذه الأرقام تهمنا في عُمان أكثر مما يبدو للوهلة الأولى. لأن ما حدث في سِمِه يوضح اتجاهًا عالميًا: عمليات الإكمال والإنتاج البحري أصبحت تعتمد على “هندسة تحكم” دقيقة داخل البئر (مثل شاشات التحكم بالرمال وصمامات التحكم الذاتي في التدفق AICV) مع تجهيزات رفع اصطناعي مثل مضخات ESP—وكل ذلك يفتح الباب أمام طبقة إضافية من التحسين: الذكاء الاصطناعي والتحليلات المتقدمة.

ضمن سلسلة «كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في عُمان»، هذا المقال يربط خبر سِمِه بسؤال عملي: كيف يمكن لشركات النفط والغاز في عُمان استخدام الذكاء الاصطناعي لتحسين الإكمال، تقليل الماء غير المرغوب، رفع الاعتمادية، وخفض التكاليف التشغيلية—خصوصًا في البيئات البحرية والمعقدة؟

ماذا يعلّمنا خبر سِمِه عن “شكل” العمليات الحديثة؟

الجواب المباشر: الإكمال الحديث لم يعد مجرد أنابيب وإسمنت؛ بل صار نظامًا للتحكم في التدفق داخل المكمن، ومعه تتغير طريقة اتخاذ القرار في الحقل.

في سِمِه، تم استكمال الجزء الخازن بشاشات تحكم بالرمال مزودة بصمامات AICV، هدفها الأساسي واضح: إدارة إنتاج الماء وتحسين استخلاص النفط. هذا النوع من الصمامات يعمل ذاتيًا استنادًا إلى خصائص الموائع والتدفق، ويغلق أو يحدّ من مساهمة المناطق التي تبدأ بإنتاج ماء أو غاز غير مرغوب. ومع تركيب مضخة غاطسة كهربائية ESP فوق الشاشات، تصبح منظومة الإنتاج “ديناميكية”: أداء المضخة، ضغط السحب/الطرد، منحنى الكفاءة، وتغيرات القطع المائي—all تتفاعل لحظة بلحظة.

في الوقت نفسه، ذكرت الشركة استمرار أعمال الربط النهائي على وحدة إنتاج بحرية متنقلة (MOPU) ووحدة تخزين وتفريغ عائمة (FSO) استعدادًا لبدء الإنتاج. هذه النقطة مهمة لأن البحر لا يرحم: أي تأخير في الإقلاع، أو عطل غير مخطط، أو عدم استقرار في التدفق قد يترجم مباشرة إلى أيام إنتاج ضائعة وتكاليف لوجستية مرتفعة.

لماذا هذه التفاصيل قابلة “للترجمة” إلى سياق عُمان؟

لأن عُمان—حتى في العمليات البرية—تتعامل مع تحديات مشابهة: إدارة الماء، تحسين الرفع الاصطناعي، تعظيم الإنتاج من مكامن غير متجانسة، وتشغيل أصول حقلية بحساسية عالية للتوقفات. والفرق أن الذكاء الاصطناعي يمكنه جمع الخيوط كلها في قرار تشغيلي واحد.

أين يدخل الذكاء الاصطناعي فعليًا في الإكمال والإنتاج؟

الجواب المباشر: الذكاء الاصطناعي ينجح عندما يُربط بثلاثة أشياء: بيانات موثوقة، نقطة قرار تشغيلية، وهدف اقتصادي/سلامة واضح.

خبر سِمِه يذكر أرقامًا مكمنية محددة (طول المقطع المنتج، المسامية، التشبع النفطي) وتقنيات إكمال (AICV، ESP). هذا بالضبط النوع من البيئة التي يمكن للذكاء الاصطناعي أن يضيف فيها قيمة—ليس كشعار، بل كأداة تشغيل.

1) تحسين الإكمال الأفقي عبر نماذج التنبؤ بالتدفق

أحد أكبر أخطاء الإكمال الأفقي هو افتراض أن المكمن “متجانس”. الواقع أن اختلافات بسيطة في النفاذية أو التشبع تخلق مناطق تسحب أكثر من غيرها، وقد تؤدي مبكرًا إلى اختراق ماء في جزء من المقطع.

الذكاء الاصطناعي هنا يعمل كالتالي:

• يدمج بيانات السجلات (logs)، اللباب إن توفر، نماذج مكمنية، وبيانات الحفر/الإكمال.
• يبني نموذجًا يتوقع مساهمة كل جزء من المقطع الأفقي في الإنتاج على المدى القصير والمتوسط.
• يقترح استراتيجية تحكم (إعدادات صمامات/تقسيم مناطق) تقلل مخاطر الماء وتزيد الاسترداد.

النتيجة التي تبحث عنها الشركات ليست “زيادة نظرية”، بل مؤشرات مثل:

• خفض معدل نمو القطع المائي.
• تقليل تدخلات الـ workover.
• تقليل عدم الاستقرار في الإنتاج.

2) التحكم الذكي بين AICV وESP بدل التشغيل اليدوي

وجود AICV ومضخة ESP يعني أن لديك “مقودين” في النظام: ما يدخل من المكمن، وما يُسحب ويُرفع للسطح. في كثير من الحقول، التشغيل يتبع قواعد ثابتة: رفع التردد هنا، تخفيضه هناك. المشكلة أن القاعدة الثابتة لا ترى الصورة الكاملة.

الذكاء الاصطناعي—مع تحليلات زمنية—يستطيع:

• اكتشاف بدايات تكوّن الماء عبر أنماط دقيقة في الضغط/الاهتزاز/التيار الكهربائي للمضخة.
• اقتراح نطاق تشغيل يحافظ على المضخة في منطقة كفاءة أعلى ويقلل cavitation.
• الموازنة بين هدفين متعارضين غالبًا: تعظيم الإنتاج وحماية عمر المضخة.

جملة قابلة للاقتباس: أفضل قرار تشغيل للـ ESP ليس أعلى إنتاج لحظي، بل أعلى إنتاج “مستقر” بأقل توقفات.

3) الصيانة التنبؤية في الأصول البحرية: توقف واحد قد يساوي أسبوعًا

في البحر، وصول قطع الغيار، فرق الصيانة، أو تغيير مضخة قد يتطلب نافذة بحرية مناسبة وتنسيقًا لوجستيًا. لذلك الصيانة التنبؤية ليست رفاهية.

تطبيق عملي مناسب لعُمان (برًا وبحرًا):

• بناء نموذج يتنبأ بفشل ESP مبكرًا اعتمادًا على: التيار، الحرارة، الاهتزاز، الضغط التفاضلي، وتاريخ التشغيل.
• تحويل التنبؤ إلى خطة: “استبدل خلال 10 أيام” بدل “توقف فجأة الليلة”.

من سِمِه إلى عُمان: 5 خطوات تبني بها شركة نفط قيمة من الذكاء الاصطناعي

الجواب المباشر: ابدأ بحالة استخدام واحدة مرتبطة بخسارة مالية واضحة، ثم وسّع.

هذه خارطة طريق عملية (وجدتها الأكثر واقعية في المؤسسات الكبيرة):

1. اختر أصلًا واحدًا عالي التأثير: مجموعة آبار ESP أو بئر أفقية ذات حساسية للماء.
2. وحّد البيانات: SCADA/DCS، بيانات المضخات، قياسات الاختبار، والسجلات—في طبقة واحدة (data layer) مع تعريف موحد للوسوم (tags).
3. عرّف KPI واحدًا لا يختلف عليه أحد:
   • تقليل توقفات ESP بنسبة محددة.
   • خفض القطع المائي خلال 90 يومًا.
   • تقليل زمن التشخيص من ساعات إلى دقائق.
4. ابدأ بنموذج “مساعد قرار” وليس تحكمًا آليًا كاملًا: اجعل النموذج يقترح، والمهندس يقرر. هذا يبني الثقة ويكشف عيوب البيانات مبكرًا.
5. خطط للحَوْكمة والأمن السيبراني من اليوم الأول: لأن ربط التشغيل بالذكاء الاصطناعي يعني أن جودة الوصول والصلاحيات ليست تفاصيل إدارية.

أسئلة شائعة يطرحها مسؤولو التشغيل في عُمان (وإجابات مباشرة)

هل الذكاء الاصطناعي ينجح بدون “بيانات مثالية”؟

ينجح إذا كانت البيانات كافية ومتسقة. البيانات المثالية نادرة. الأهم هو تقليل الفجوات، توحيد التعاريف، والتحقق من الجودة.

ما أسرع مكسب يمكن تحقيقه؟

في العادة: الصيانة التنبؤية لمضخات ESP واكتشاف الشذوذ (anomaly detection). لأنها تعتمد على بيانات متاحة غالبًا، وعائدها واضح: تقليل التوقفات.

هل هذا يعني استبدال خبرة المهندسين؟

لا. الذكاء الاصطناعي الجيد يختصر وقت التحليل ويقلل الضوضاء، لكنه لا يعرف سياق الحقل مثل مهندس عاشه يومًا بيوم.

لماذا هذا مهم الآن تحديدًا (02/2026)؟

الجواب المباشر: ضغط الكفاءة أعلى من أي وقت، والبحر يضاعف كلفة الخطأ.

مع تقلبات الأسواق وتزايد التدقيق على الانبعاثات وكفاءة الطاقة في التشغيل، أصبحت الشركات تُقاس بقدرتها على إنتاج برميل “أنظف تشغيليًا” وبأقل توقفات. تحسين الرفع الاصطناعي، تقليل الماء المنتج، ورفع الاعتمادية ليست فقط مؤشرات تشغيلية؛ إنها مؤشرات مالية وبيئية في الوقت نفسه.

خبر سِمِه يقدم مثالًا واضحًا على أن الصناعة تتحرك نحو إكمالات أكثر ذكاءً داخل البئر (AICV) وبنية إنتاج بحرية مرنة (MOPU/FSO). الخطوة التالية المنطقية—والتي يمكن لعُمان أن تتقدم فيها سريعًا—هي جعل قرارات التشغيل والصيانة مبنية على نماذج تنبؤية بدل ردود فعل متأخرة.

الخطوة التالية لشركات الطاقة في عُمان

إذا كنت تدير أصولًا فيها آبار أفقية، تحكم في الرمال، أو مضخات ESP، فهناك “بداية عملية” لا تتطلب مشروعًا ضخمًا: نموذج واحد يراقب صحة المضخة ويقترح نطاق تشغيل آمن، ثم توسّع إلى تحسين التدفق وإدارة الماء.

أنا منحاز لهذا النهج لأن كثيرًا من مشاريع التحول الرقمي تتعثر عندما تبدأ من الأعلى (لوحات مؤشرات جميلة) بدل أن تبدأ من قلب الألم التشغيلي. اختَر مشكلة تكلّفك فعليًا—توقفات، ماء، عدم استقرار—واجعل الذكاء الاصطناعي يحلها خطوة بخطوة.

السؤال الذي يستحق أن يبقى معك: إذا كانت بئر واحدة في البحر قد تُدار بصمامات تحكم ذاتي ومضخة ESP، فما الذي يمكن أن تفعله عُمان عندما تصبح هذه المنظومة متصلة بنماذج تتنبأ وتصحح قبل أن يتفاقم الخلل؟