تطبيق التعلم الآلي لتحديد وتوصيف المكامن في حقل نفط بري، دلتا النيجر، نيجيريا

تواجه عملية توصيف المكامن في الحقول الناضجة ضمن دلتا النيجر تحديات كبيرة بسبب التباين الصخاري المحدد وندرة البيانات المصنفة، حيث غالباً ماتكون طرائق التعلم الآلي (ML) التقليدية غير فعالة بما فيه الكفاية سواءً كانت خاضعة للاشراف او غير خاضعة له. تسعى هذه الدراسة الى سد هذه الفجوة من خلال اقتراح إطار عمل هجين يعتمد على التعلم شبه الخاضع للاشراف (SSL) مصمم خصيصاً للتعامل مع مجموعة بيانات مستقاة من نتائج سجل الآبار المصنفة وغير المصنفة معاً. قمنا بتكامل التحليل العنقودي (Cluster analysis) ودمجه مع تحليل التجميع وخوارزمية الغابة العشوائية (Random Forest) وتقنيات التعلم شبه الخاضعة للاشراف لتحليل خمس طبقات تحت سطحية باستخدام سجلات المسامية والمقاومية الكهربائية وأشعة غاما وتشبع الهايدروكاربونات. يحدد التحليل العنقودي خصائص الوحدات بشكل موضوعي، ويعطي (RF) الأولوية للميزات التنبؤية، بينما يعالج (SLL) مشكلة ندرة البيانات المصنفة المكمنية بتجاوزها من خلال (التدريب الذاتي والشبكات العصبية ومصنفات KSVM). قام التحليل العنقودي بدمج الطبقات الخمسة في ثلاث مكامن جيولوجية (المكمن 3>2>1) مصنفة وفقاً لاستجابة السجل اللوغارتمي للآبار. بلغت دقة تنبؤ (RF) 85.7% حيث تم تحديد المقاومة (˂ 20 أوم.متر) كمؤشر حرج لوجود الهايدروكاربونات. ساهم (SSL) في تحسين تصنيف المكامن في المناطق التي تعاني من ندرة البيانات، حيث حقق التدريب الذاتي دقة بنسبة 71.0%، وتفوقت الشبكات العصبية بنسبة بلغت 72.03% و (KSVM) بنسبة 58.86%. تظهر هذه الدراسة ان (SSL) بالاشتراك مع التجميع العنقودي و (RF) غير الخاضع للاشراف قادر على تجاوز القيود المعروفة في تطبيقات التعلم الآلي (ML) بمفرده. ومن خلال اعطاء الأولوية للرؤى المدعومة بالمقاومية وتبني سير عمل (SSL) القابل للتوسع، فإن هذا الاطار يقدم حلاً فعالاً من حيث التكلفة لاسترداد تجاوز الهايدروكاربونات المتبقية في الحقول الناضجة. كما تعطي منهجيتنا وفق هذا النموذج الهجين معياراً جديداً ليشكل سابقة في تطبيق تقنيات التعلم شبه الخاضع للاشراف على الانظمة المكمنية المعقدة حول العالم، مما يعزز الدقة ويقلل الاعتماد على مجموع البيانات المصنفة بالكامل.