الذكاء الاصطناعي في نفط وغاز عمان: دروس من Tangkulo

في 13/02/2026 فازت شركة SLB بعقود رئيسية لخدمات الحفر البحرية في مشروع الغاز العميق Tangkulo في بحر أندامان بإندونيسيا، ضمن محفظة مبادلة للطاقة، مع هدف واضح: أول إنتاج غاز بحلول نهاية 2028. الخبر يبدو للوهلة الأولى «صفقة خدمات»، لكنه في الحقيقة علامة على اتجاه أكبر: مشاريع المياه العميقة لم تعد تُدار بالحدس والخبرة وحدهما، بل بمزيج من البيانات اللحظية، والمراقبة داخل البئر، والتحليلات المتقدمة—وهو تمامًا ما يفتح الباب للحديث عن الذكاء الاصطناعي في قطاع الطاقة.

هذا يهمنا في عمان أكثر مما يظن البعض. قطاع النفط والغاز العماني يعيش ضغطًا مزدوجًا: رفع الكفاءة وخفض التكلفة من جهة، وتحسين السلامة وتقليل الانبعاثات ورفع الاعتمادية من جهة أخرى. والواقع؟ الذكاء الاصطناعي (AI) صار أداة تشغيل يومية، وليس مشروعًا تجريبيًا على الهامش.

في هذه الحلقة من سلسلة «كيف يُحوّل الذكاء الاصطناعي قطاع الطاقة والنفط والغاز في عمان» سنستخدم ما كشفه مشروع Tangkulo كمرآة: ما الذي يجعل شركات عالمية تربح وتنجز في بيئات معقّدة؟ وما الذي يمكن لعمان تطبيقه عمليًا خلال 2026–2028 في الحقول البرية والبحرية، من الاستكشاف إلى الإكمال والإنتاج؟

لماذا تكسب المشاريع العميقة بالبيانات قبل المعدات؟

الجواب المباشر: لأن تكلفة الخطأ في المياه العميقة باهظة، والزمن هناك يُقاس بالساعة والدقيقة. لذلك تسعى الشركات إلى تقليل المخاطر مبكرًا عبر قرارات مدعومة بالبيانات، وليس فقط عبر زيادة عدد الأجهزة أو الطواقم.

خبر Tangkulo ذكر بوضوح اعتماد SLB على تقنيات مثل المراقبة اللحظية داخل البئر (Real-time downhole monitoring) لتحسين تموضع الآبار وتقليل المخاطر التشغيلية. هذه العبارة تختصر فلسفة تشغيل كاملة: عندما ترى ما يحدث داخل البئر لحظة بلحظة، يمكنك أن تتوقع الانحرافات قبل أن تتحول إلى حادث، وأن تعدّل مسار الحفر قبل أن تخسر أيامًا من الوقت.

في عمان، الفكرة نفسها تنطبق—even خارج المياه العميقة. كثير من مكاسب الذكاء الاصطناعي تأتي من أشياء «غير مثيرة» ظاهريًا لكنها حاسمة:

• تقليل الوقت غير المنتج NPT عبر تنبؤات مبكرة لمشاكل العالق/الضغط/الاهتزاز.
• تحسين اختيار مسار البئر باستخدام نماذج تعلم آلي تتعلم من تاريخ الآبار السابقة.
• رفع اعتمادية المعدات عبر صيانة تنبؤية بدل الصيانة الدورية الثابتة.

الفارق ليس في شراء منصة جديدة، بل في بناء «عصب رقمي» يربط الحقل بغرفة التحكم والتحليلات.

ما الذي تقوله عقود SLB عن أين يعيش الذكاء الاصطناعي فعليًا؟

الجواب المباشر: الذكاء الاصطناعي يعيش داخل سلسلة خدمات متكاملة، وليس في تطبيق منفصل.

العقود المعلنة لـ Tangkulo تشمل دورة حياة خدمات واسعة: سوائل الحفر، الحفر الاتجاهي، تسجيل الطين (Mud logging)، اختبار الآبار، خدمات السلك (Wireline/Slickline)، الإكمالات العلوية والسفلية، الإسمنت (Cementing)، الأنابيب الملفوفة (Coiled tubing) وغيرها. هذه ليست «قائمة مشتريات»، بل نقاط توليد بيانات ضخمة.

1) الحفر الاتجاهي + الذكاء الاصطناعي = تموضع أفضل للبئر

في الحفر الاتجاهي، كل قرار صغير قد يغير مسار البئر عشرات الأمتار لاحقًا. نماذج AI هنا لا «تستبدل» المهندس، لكنها:

• تقترح تعديلات على زاوية الميل والاتجاه بناءً على بيانات الطبقات والقياسات أثناء الحفر.
• تكتشف مؤشرات مبكرة على الاهتزازات الضارة أو تغيرات الضغط.
• تقلل احتمال الحفر خارج النافذة المثلى للمكمن.

في عمان، حيث تتنوع الطبقات الجيولوجية وتختلف خصائص المكامن بين الامتيازات، بناء نموذج محلي مدرب على بيانات الشركة يُحدث فارقًا أكبر من استخدام نموذج عام.

2) سوائل الحفر وتحليلات فورية لتقليل المخاطر

تركيبة سوائل الحفر ليست وصفة ثابتة. تتغير مع الطبقات، والحرارة، والضغط. التحليلات المدعومة بالذكاء الاصطناعي تستطيع ربط إشارات متعددة (معدلات الضخ، عودة الطين، مؤشرات الغاز، تغيرات الكثافة) لإعطاء إنذار مبكر لمشاكل مثل:

• فقدان الدورة (Loss circulation)
• مؤشرات kick قبل تضخمها
• عدم استقرار جدار البئر

3) اختبار الآبار والـ Wireline: من بيانات «متأخرة» إلى قرار سريع

اختبار البئر وتسجيلاته كانت تاريخيًا تُقرأ بعد التنفيذ ضمن تقارير. الآن يمكن تحويل جزء كبير منها إلى قرارات شبه لحظية:

• تصنيف الطبقات المنتجة بسرعة
• تحسين تصميم الإكمالات
• تحديد أفضل نقاط العزل والتحفيز

هذا يختصر الزمن بين «نرى» و«نقرر»، وهي نقطة رئيسية لتحقيق هدف مثل أول غاز في 2028.

الدرس الأهم لعمان: دمج الخدمات يعني دمج البيانات

الجواب المباشر: عندما تتكامل الخدمات، تُقفل فجوات البيانات، ويصبح الذكاء الاصطناعي عمليًا لا نظريًا.

في كثير من المؤسسات، تتبعثر البيانات: جزء عند المقاول، جزء في ملفات PDF، جزء في أنظمة قديمة، وجزء في أجهزة القياس. النتيجة؟ حتى أفضل خوارزمية تصبح عاجزة.

ما يظهر من نموذج SLB في Tangkulo هو توجه «التسليم المتكامل»: جهة واحدة تجمع خدمات متعددة وتربطها بمنصة تشغيل وتحليلات. في عمان، يمكن تحقيق المعنى نفسه عبر:

1. حوكمة بيانات واضحة: من يملك البيانات؟ من يصل إليها؟ وما معيار الجودة؟
2. بحيرة بيانات تشغيلية (Operational Data Lake) تربط الحفر والإنتاج والصيانة.
3. واجهات تكامل API مع المقاولين بدل تبادل ملفات يدوية.
4. تعريف موحد لمؤشرات الأداء: NPT، وقت الحفر، حوادث HSE، كفاءة الرفع الاصطناعي.

إذا أردت رأيي بصراحة: كثير من مبادرات «التحول الرقمي» تتعثر لأن المؤسسة تبدأ بالخوارزمية قبل أن تُصلح خط بياناتها.

أين يقف الذكاء الاصطناعي في عمان اليوم؟ وأين يجب أن يذهب في 2026–2028؟

الجواب المباشر: الفرص الأكبر في عمان تقع في الحفر المُحسّن، الرفع الاصطناعي، السلامة التشغيلية، والتنبؤ بالأعطال—مع أهداف قابلة للقياس خلال 12–18 شهرًا.

الخبر نفسه أشار إلى أن SLB فازت الشهر الماضي بعقدين لمدة خمس سنوات مع شركة تنمية نفط عمان (PDO) لتقديم رؤوس الآبار وتقنيات الرفع الاصطناعي في الامتياز الأكبر (Block-6). هذا يربط المشهد العالمي بعمان مباشرة: الرفع الاصطناعي ليس مجرد مضخات، بل مجال خصب للذكاء الاصطناعي.

1) الرفع الاصطناعي: مكاسب سريعة إذا استُخدمت البيانات كما يجب

نماذج AI في الرفع الاصطناعي يمكنها:

• توقع انخفاض الأداء قبل حدوثه (مثلاً تدهور منحنى الضخ)
• تحسين إعدادات التشغيل تلقائيًا ضمن حدود السلامة
• تقليل توقفات غير مخطط لها

هدف عملي: خفض التوقفات غير المخطط لها في منظومة الرفع بنسبة 10–20% خلال سنة واحدة في مجموعة آبار مختارة، ثم التوسع تدريجيًا.

2) الصيانة التنبؤية للمعدات الدوارة

في المضخات والضواغط والمولدات، الذكاء الاصطناعي يقرأ الاهتزازات والحرارة والتيار ليحدد «نمطًا» يشبه الأعطال السابقة.

ما ينجح فعليًا ليس فقط نموذج التنبؤ، بل ربطه بسير عمل الصيانة وقطع الغيار. تنبيه بلا إجراء = لا قيمة.

3) السلامة (HSE): مراقبة سلوكية وتشغيلية دون تضخيم بيروقراطي

يمكن استخدام الرؤية الحاسوبية (Computer Vision) في مواقع محددة لاكتشاف:

• ارتداء معدات الوقاية
• الدخول لمناطق محظورة
• اقتراب الأفراد من معدات خطرة أثناء التشغيل

النقطة الحساسة هنا هي الخصوصية والثقافة. الأفضل البدء بمناطق عالية الخطورة وبسياسات واضحة، مع هدف تقليل الحوادث القريبة (Near misses) وليس «التجسس» على العاملين.

أسئلة شائعة يطرحها مديرو الطاقة في عمان (وإجابات مختصرة)

هل الذكاء الاصطناعي ينجح بدون إنترنت قوي في المواقع البعيدة؟

نعم، بشرط تصميم الحل على نمط Edge + Cloud: معالجة أولية محلية قرب الحقل للإنذارات السريعة، وتزامن لاحق للسحابة للتحليلات العميقة.

ما أول مشروع AI يعطي عائدًا واضحًا خلال 90 يومًا؟

عادةً: كشف الشذوذ (Anomaly Detection) لمعدات محددة أو عملية حفر واحدة، لأن البيانات تكون متاحة بسرعة ويمكن قياس أثرها بتوقفات أقل.

هل يجب بناء كل شيء داخليًا؟

لا. الأفضل مزيج: منصة بيانات داخلية قوية + شراكات تنفيذية، مع شرط واحد: لا تقبل مشروعًا لا يُسلمك بياناتك بشكل منظم وقابل لإعادة الاستخدام.

خطة تنفيذ مختصرة (قابلة للتطبيق في شركات عمان)

الجواب المباشر: ابدأ بحالة استخدام واحدة عالية القيمة، ثم وسّعها عبر معيار بيانات واحد ومنصة مراقبة موحدة.

1. اختر حالة استخدام واحدة: مثل تقليل NPT في الحفر الاتجاهي أو تحسين الرفع الاصطناعي.
2. حدّد مقياس نجاح رقمي: ساعات NPT شهريًا، عدد التوقفات غير المخطط لها، زمن الاستجابة للإنذارات.
3. جهّز البيانات لمدة 4–6 أسابيع: تنظيف، توحيد وحدات القياس، سد الثغرات.
4. نفّذ نموذجًا تجريبيًا في نطاق ضيق (10–20 بئرًا أو وحدة معدات واحدة).
5. حوّل النتائج إلى إجراء تشغيلي: من يتلقى التنبيه؟ ما القرار؟ ما زمن التنفيذ؟
6. وسّع تدريجيًا بعد إثبات الأثر، ولا تقفز للتوسع قبل تثبيت الخطوات.

جملة واحدة تلخص الموضوع: الذكاء الاصطناعي في النفط والغاز ينجح عندما يُترجم إلى قرار تشغيلي خلال ساعات، لا عندما يبقى لوحة جميلة على الشاشة.

ما الذي سنراه حتى 2028؟ ولماذا يجب أن تتحرك عمان الآن؟

مشروع Tangkulo يستهدف أول غاز بحلول نهاية 2028، وهذا خط زمني واقعي لمشاريع كبيرة إذا كانت القرارات سريعة، والمخاطر مُدارة، والبيانات متصلة. في عمان، نافذة 2026–2028 مناسبة جدًا لتثبيت ثلاث قدرات مؤسسية:

• تشغيل قائم على البيانات في الحفر والإنتاج
• صيانة تنبؤية تقلل التوقفات وتضبط المخزون
• حوكمة بيانات تضمن استمرار القيمة بعد أي عقد أو منصة

الخطوة التالية ليست شراء «حل ذكاء اصطناعي» بقدر ما هي اختيار ملف تشغيل محدد، وبناء فريق صغير مشترك من التشغيل والبيانات، ثم قياس الأثر بصرامة.

إذا كانت هذه السلسلة تبحث عن سؤال نختم به، فهو هذا: أي قرار تشغيلي في منشأتك اليوم يُتخذ بالخبرة فقط—وممكن أن يصبح قرارًا مدعومًا بالبيانات خلال 90 يومًا؟