الذكاء الاصطناعي في الاستكشاف: دروس لعُمان من تعاون عالمي

في 03/02/2026 وقّعت توتال إنيرجيز وشركة نفط الكويت (KOC) مذكرة تفاهم لتعزيز التعاون التقني في دراسات فرص الاستكشاف. الخبر يبدو “تقنياً” للوهلة الأولى، لكنه يحمل رسالة أوضح لكل دول المنطقة: الاستكشاف لم يعد مجرد خرائط وعمليات حفر—بل أصبح مسألة بيانات، نماذج، وخوارزميات.

وهذا بالضبط ما يهمّ عُمان اليوم ضمن سلسلة “كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في عمان”. لأن الاستكشاف هو المرحلة التي تتحدد فيها تكلفة السنوات القادمة: قرار خاطئ في تقييم مكمن أو اختيار موقع بئر قد يكلّف ملايين الريالات، بينما قرار مبني على تحليلات دقيقة قد يرفع فرص النجاح ويقلّل المخاطر ويُحسّن إدارة الموارد.

المنطق الذي تقف عليه مذكرات التفاهم المشابهة بسيط: اجمع خبرة جيولوجية عميقة + قدرات رقمية قوية + بيانات عالية الجودة، وستحصل على قرارات أسرع وأقل مخاطرة. المقال الأصلي يركز على “التعاون الفني” و“الدراسات تحت السطح”، وأنا أرى أن القيمة الأكبر تكمن في سؤال عملي: كيف يمكن لعُمان تحويل هذا النوع من التعاون إلى مكاسب ملموسة عبر الذكاء الاصطناعي في الاستكشاف والإنتاج؟

لماذا تتجه شركات النفط إلى شراكات “دراسات الاستكشاف” في 2026؟

الجواب المباشر: لأن تعقيد الاستكشاف ارتفع، والضغط على الكفاءة صار أعلى من أي وقت مضى.

حتى عندما تكون الجيولوجيا معروفة نسبياً، فإن التفاصيل الصغيرة تصنع فرقاً كبيراً: جودة بيانات المسح السيزمي، دقة تفسير الطبقات، فهم الخصائص البتروفيزيائية، اختيار فاصل الحفر (interval) وتوقيت الاختبار. وكل قرار من هذه القرارات يعتمد على بيانات كثيرة، غالباً موزعة بين فرق متعددة وأنظمة مختلفة.

مذكرة التفاهم بين توتال إنيرجيز وKOC—بحسب ما نُشر—تقوم على:

• تبادل الخبرات التقنية
• التعاون في دراسات تحت السطح (subsurface)
• دعم تقييم فرص الاستكشاف الجديدة، بما يخدم أهداف تطوير الموارد على المدى الطويل

هذه النقاط الثلاث تبدو عامة، لكنها عملياً تفتح الباب أمام “حزمة” أعمال رقمية مرتبطة مباشرة بالذكاء الاصطناعي: توحيد البيانات، بناء نماذج تنبؤية، تسريع التفسير الجيولوجي، ورفع جودة القرارات الاستثمارية.

ما الذي تغيّر فعلاً في الاستكشاف؟

الشيء الذي تغيّر هو أن الوقت بين امتلاك البيانات واتخاذ القرار يجب أن يقصر دون التضحية بالجودة. في مشاريع الاستكشاف، التأخير ليس “تأخيراً” فقط—بل هو تكلفة فرص، وتكاليف خدمات، وتذبذب أسعار، وضغط على الميزانيات.

والذكاء الاصطناعي هنا ليس “ترفاً”. هو طريقة عملية لـ:

• تقليل زمن تفسير السيزمي والبيانات البئرية
• كشف الأنماط التي قد تغيب عن المراجعة اليدوية
• ترتيب فرص الاستكشاف حسب المخاطر والعائد بشكل أكثر موضوعية

أين يدخل الذكاء الاصطناعي في “دراسات تحت السطح” تحديداً؟

الجواب المباشر: في أربع نقاط عالية التأثير—البيانات، التفسير، النمذجة، وقرار البئر.

عندما تقول شركة إنها ستتعاون في “subsurface studies”، فهذا عادة يشمل البيانات التالية: سيزمي ثلاثي الأبعاد، سجلات آبار (logs)، عينات لبية (core)، اختبارات ضغط/تدفق، ونتائج نمذجة مكمن. الذكاء الاصطناعي يمكن أن يضيف قيمة في كل خطوة.

1) تنظيف البيانات وربطها (Data QA/QC + Integration)

أكبر قاتل لقيمة الذكاء الاصطناعي هو البيانات غير المنسقة: أسماء حقول مختلفة لنفس المتغير، وحدات قياس غير موحدة، فجوات زمنية، أو سجلات ناقصة.

ما أراه عملياً هو أن الشركات التي تنجح تبدأ بمشاريع صغيرة لكنها صارمة:

• قاموس بيانات موحد للجيولوجيا والبتروفيزياء
• قواعد جودة بيانات واضحة (Quality Rules)
• خطوط معالجة (pipelines) لتجهيز البيانات قبل النمذجة

هذا يبدو “غير مثير”، لكنه الخطوة التي تميز مشروع AI ناجح عن عرض تقديمي جميل بلا نتائج.

2) تسريع تفسير السيزمي (Seismic Interpretation)

نماذج التعلم العميق قادرة على اقتراح حدود طبقات (horizons)، ورصد الفوالق (faults)، وتمييز أنماط جيولوجية بسرعة أعلى من العمل اليدوي وحده—مع بقاء الجيولوجي هو صاحب القرار النهائي.

الفكرة ليست أن الخوارزمية “تعرف أكثر من الجيولوجي”، بل أنها:

• تقلّل الأعمال المتكررة
• تقترح مناطق تستحق التدقيق
• ترفع الاتساق في التفسير عبر فرق متعددة

3) التنبؤ بخصائص الصخور (Petrophysics & Rock Properties)

هنا يظهر الذكاء الاصطناعي كأداة ممتازة لربط سجلات الآبار مع خصائص مثل المسامية والنفاذية وتشبع السوائل. عندما تكون البيانات التاريخية متوفرة، يمكن بناء نماذج تُحسن تقدير الخصائص في مناطق لم تُحفر بعد.

4) ترتيب فرص الاستكشاف (Prospect Ranking)

القرار الكبير في الاستكشاف هو: أي فرصة نحفر أولاً؟

يمكن للذكاء الاصطناعي دعم ذلك عبر نماذج تجمع بين:

• احتمالية النجاح الجيولوجي (Geological Chance of Success)
• تقدير الحجم (Volume Uncertainty)
• حساسية الاقتصاديات (مثل أسعار النفط والغاز وتكلفة الحفر)

والنتيجة ليست “قراراً آلياً”، بل لوحة قرار تساعد الإدارة على رؤية المخاطر بشكل شفاف.

جملة قابلة للاقتباس: قيمة الذكاء الاصطناعي في الاستكشاف ليست في استبدال الخبرة، بل في جعل الخبرة أسرع وأكثر اتساقاً وأقل انحيازاً.

ماذا يمكن لعُمان أن تتعلم من تعاون توتال إنيرجيز وKOC؟

الجواب المباشر: أن الشراكات التقنية لم تعد تقتصر على المعدات والخدمات—بل أصبحت شراكات قدرات رقمية ومعرفة بيانات.

عُمان لديها قطاع نفط وغاز ناضج، وتحدياته معروفة: حقول تتطلب تحسين الاستخلاص، مناطق استكشاف تحتاج تقييم دقيق، وضغط متواصل على خفض التكاليف ورفع السلامة. لذلك، الاستفادة من الدروس الإقليمية تكون عبر تحويل “التعاون” إلى برنامج عمل واضح في الذكاء الاصطناعي.

درس (1): لا تبدأوا بالنماذج… ابدأوا بسؤال قرار

أفضل مشاريع AI في الطاقة تبدأ بسؤال محدد مثل:

• كيف نخفض عدد الآبار غير المنتجة (dry wells) في منطقة معينة؟
• كيف نحسن اختيار مواقع الآبار التطويرية في مكمن محدد؟
• كيف نقلل زمن تفسير السيزمي من 12 أسبوعاً إلى 6 أسابيع دون خسارة الجودة؟

في رأيي، هذا الأسلوب يقلل التشتت ويجعل القياس ممكناً.

درس (2): “تبادل الخبرات” يجب أن يكون قابلاً للقياس

مذكرات التفاهم كثيراً ما تبقى عامة. الأفضل هو تحويلها إلى مؤشرات أداء مرتبطة بالنتائج، مثل:

• خفض زمن دورة الدراسة (Study Cycle Time) بنسبة 20–30%
• رفع دقة نماذج الخصائص الصخرية مقارنة بالقياسات الفعلية
• تقليل تباين التفسير بين الفرق (Interpreter Variance)

حتى لو لم تُعلن الأرقام للعلن، وجودها داخلياً يصنع فرقاً.

درس (3): فرق متعددة التخصصات هي “المحرّك” الحقيقي

مشروع الذكاء الاصطناعي في الاستكشاف لا ينجح بوجود علماء بيانات وحدهم، ولا بوجود جيولوجيين وحدهم.

التركيبة الأكثر فعالية غالباً:

• جيولوجي/جيوفيزيائي قائد استخدام (Use-case owner)
• مهندس بيانات (Data engineer) لتنظيف وربط المصادر
• عالم بيانات/تعلم آلي لبناء النماذج
• مهندس نظم/أمن سيبراني لضمان الحوكمة وحماية البيانات

خريطة طريق عملية لتطبيق الذكاء الاصطناعي في الاستكشاف بعُمان خلال 90 يوماً

الجواب المباشر: ابدأوا بمشروع واحد صغير عالي الأثر، ثم وسّعوا على أساس نتائج مثبتة.

أقترح إطاراً سريعاً (قابل للتطبيق في شركة أو فريق):

الأسبوع 1–2: اختيار حالة استخدام واحدة

اختاروا حالة استخدام تتوافر لها بيانات كافية وتأثيرها واضح، مثل:

• تصنيف الفوالق والطبقات في مساحة سيزمية محددة
• نموذج تنبؤ لخاصية بتروفيزيائية في حقل معين

الأسبوع 3–6: تجهيز البيانات وحوكمتها

• توحيد الوحدات والتسميات
• تحديد من يملك البيانات ومن يوافق على استخدامها
• تعريف “ما هو الصحيح” (ground truth) لقياس الدقة

الأسبوع 7–10: بناء نموذج أولي وقياس النتائج

• نموذج أولي (Prototype)
• مقارنة النتائج مع التفسير اليدوي
• تحديد أين أخطأ النموذج ولماذا

الأسبوع 11–13: إدخال النموذج في سير العمل

لا يكفي نموذج على جهاز شخص واحد. المطلوب إدخاله في عملية الفريق:

• لوحة عرض نتائج (dashboard)
• آلية مراجعة واعتماد
• تدريب المستخدمين

رأيي الشخصي: النجاح الحقيقي يبدأ عندما يطلب الفريق النموذج لأنه يوفر وقتاً ويقلل جدالات التفسير، لا لأن الإدارة طلبت ذلك.

أسئلة شائعة يطرحها مسؤولو الطاقة في عُمان (وإجابات واضحة)

هل الذكاء الاصطناعي يقلل المخاطر في الاستكشاف فعلاً؟

نعم، بشرطين: بيانات جيدة وقياس أداء صارم. AI لا يلغي المخاطر الجيولوجية، لكنه يقلل مخاطر القرار الناتجة عن نقص الرؤية أو التحيز أو ضيق الوقت.

ما أكبر خطأ عند تطبيق الذكاء الاصطناعي في النفط والغاز؟

البدء بمشروع ضخم متعدد الأهداف. الأفضل مشروع واحد محدد، ثم توسّع تدريجي.

هل نحتاج منصات معقدة منذ البداية؟

ليس بالضرورة. ابدأوا ببنية بيانات قوية وأدوات مناسبة للحجم. التعقيد المبكر يستهلك الميزانية قبل رؤية أي عائد.

ماذا يعني هذا الخبر لمستقبل قطاع الطاقة في عُمان؟

التعاون بين توتال إنيرجيز وKOC يلمّح إلى اتجاه واضح في المنطقة: دراسات الاستكشاف ستكون أكثر رقمية، وأكثر اعتماداً على النمذجة والذكاء الاصطناعي، وأقل اعتماداً على الدورة الطويلة البطيئة.

ضمن سلسلة “كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في عمان”، الرسالة الأساسية هي: عُمان لا تحتاج أن تقلّد أي تجربة حرفياً، لكنها تستطيع أن تتعلم القاعدة الذهبية: اربط الذكاء الاصطناعي بقرار أعمال واضح، وادعم ذلك بحوكمة بيانات وشراكات معرفية مدروسة.

إذا كنتم في شركة طاقة أو مزود خدمات أو جهة تنظيمية، فالخطوة التالية ليست “شراء حل ذكاء اصطناعي”. الخطوة التالية هي تحديد قرار واحد تريدون تحسينه هذا الربع، وتجميع البيانات اللازمة له، وبناء نموذج أولي يقاس بالأرقام.

والسؤال الذي يستحق التفكير الآن: ما القرار الاستكشافي أو التشغيلي الذي لو تحسّن بنسبة 10% فقط، سيغيّر ميزانية العام بالكامل؟