مقارنة أداء نماذج و وكلاء الذكاء الاصطناعي في تشخيص ومعالجة مشاكل تساقط الطبقات Sloughing shale في آبار النفط العميقة: دراسة حالة بئر بعمق 20,000 قدم

الملخص

تناولت هذه الورقة دراسة تطبيقية لاستخدام 16 نموذجًا و وكيل ذكاء الاصطناعي في تحليل  مشكلة تقنية حدثت أثناء حفر بئر نفط  بعمق 20,000 قدم و المتمثلة في تساقط الطبقات المحفورة في صورة قطع مختلفة الحجم و السمك تسمى  sloughing shale  . زود الذكاء الاصطناعي بمعلومات متنوعة  تشمل  صور،  نصوص،  فيديوهات،  بيانات رقمية ، مع حجب  المعلومات الحساسة مثل اسم و احداثيات البئر حفاظًا على الخصوصية. طلب من الذكاء الاصطناعي تحديد اسم المشكلة و تشخيصها بدقة و اقتراح حلول فعالة للمعالجة و ايضا  تقديم توصيات للوقاية المستقبلية من تكرارها. بالإضافة إلى ذلك  طُلب من الذكاء الاصطناعي اختيار نوع و  تصميم خواص  سائل الحفر المناسب لهذا العمق الذي وقعت فيه المشكلة  الي جانب اقتراح بارامترات الحفر المثلى للمساعدة في منع و تكرار هذه المشكلة مستقبلا.  أظهرت النتائج تفاوتًا في دقة الأداء بين النماذج والوكلاء حيث تفوق وكلاء الذكاء الاصطناعي مثل  Minmax و Manus  بدقة تصل إلى 100% في تشخيص المشكلة واقتراح الحلول  العلاجية و الوقائية  بينما حققت نماذج الذكاء الاصطناعي مثل GPT وGemini  دقة تتراوح بين 90% و95% . أما بقية النماذج فقد بلغت دقتها حوالي 80% . تعكس هذه النتائج الإمكانات الكبيرة للذكاء الاصطناعي في تحسين عمليات الحفر النفطية، سواء من حيث التشخيص المبكر للمشاكل أو تصميم الحلول التقنية، كما تبرز دوره الفعال في تدريب وتطوير الكوادر العاملة من خلال محاكاة سيناريوهات الحفر والتعامل مع التحديات التشغيلية. تؤكد الدراسة على أهمية دمج وكلاء الذكاء الاصطناعي المتقدم ضمن منظومة العمل في قطاع النفط والغاز لتعزيز الكفاءة التشغيلية، تقليل المخاطر، وخفض التكاليف، مما يفتح آفاقًا جديدة لتسريع التحول الرقمي في هذا القطاع الحيوي.