آنالیز داده‌های میدان نفتی (Oilfield Data Analytics)

داده‌کاوی (Data Mining)، به عنوان جزء اصلی مبحث آنالیز داده – محور (Data-Driven Analytics)، در حال تبدیل شدن به یک تمایز رقابتی در صنایع بالادستی نفت و گاز است. با افزایش اهمیت راندمان (efficiency) در تولید و ازدیاد برداشت در میدان نفتی، شرکت‌ها در حال درک این موضوع هستند که  “داده‌ها”، منبع وسیعی از حقایق و اطلاعات مهمی دارند.

برای جایگزینی روش‌های سنتی آنالیز، مدلسازی و بهینه‌سازی، “داده‌ها”، که منعکس‌کننده اندازه‌گیری های میدان هستند، می‌توانند بینش (insight) مورد نیاز بیشتری را فراهم کنند. آنالیز داده – محور مجموعه‌ای از ابزارها و تکنیک‌هایی است که برای استخراج الگوها و روندها در داده‌ها و همچنین ساخت مدل‌های پیش‌بینی کننده که می‌توانند در تصمیم‌گیری و بهینه‌سازی کمک کنند، استفاده می‌شود.

آنالیز داده – محور نشان می‌دهد که چگونه ادغام داده‌ها از منابع مختلف مانند حفاری، ارزیابی سازند، چاه آزمایی، مهندسی مخزن، مدلسازی مخزن، مدلسازی چاه، فرازآوری مصنوعی، تجهیزات سطحی، و غیره می‌تواند منجر به حداقل رساندن NPT در حفاری، بهبود طراحی تکمیل و ساخت مدل‌های داده – محور مخزن می‌شود.

آنالیز داده – محور موجب ایجاد تغییرات بنیادی در روش آنالیز، مدلسازی و بهینه‌سازی در صنعت بالادستی نفت و گاز شده است.

در تاریخ ۲۲ سپتامبر ۲۰۱۸ در دالاس آمریکا، دوره آموزشی با عنوان Oilfield Data Analytics تحت حمایت SPE و با آموزش دکتر شهاب محقق برگزار خواهد شد.

این دوره کاربرد موفقیت‌آمیز هوش مصنوعی (AI) و داده کاوی (DM) را در صنایع E&P مورد بررسی قرار داده است. این دوره با اصول اولیه AI & DM آغاز خواهد شد، که شامل شبکه‌های عصبی مصنوعی، محاسبات تکاملی و منطق فازی است. این دوره به کاربرد میدانی این فناوری با تمرکز بر بهینه‌سازی تولید و بهبود بازیافت اختصاص یافته است.

مباحث دوره:

ارائه مجموعه‌ای از ابزارها و تکنیک‌های جایگزین (جدید و نوآورانه) برای حل مشکلات مرتبط با E&P برای مهندسان و دانشمندان علوم زمین.

شناسایی ذخایر باقی مانده و sweet spots در مخازن به عنوان تابعی از زمان و استراتژی‌های مختلف توسعه میدان (field development)

بهینه‌سازی طراحی تعمیر  و تحریک چاه با ترکیب ویژگی‌های مخزن با شیوه‌های تحریک و پیش‌بینی نتایج تحریک

تعیین عدم قطعیت‌های مربوط به مدل‌های زمین‌شناسی و دیگر پارامترهای مورد استفاده در مدلسازی بهینه‌سازی تولید و بهبود بازیافت

درباره مدرس:

دکتر شهاب محقق، یکی از پیشگامان استفاده از هوش مصنوعی، یادگیری ماشین و داده‌کاوی در صنعت اکتشاف و تولید، استاد مهندسی نفت و گاز در دانشگاه ویرجینیای غربی و رئیس و مدیر عامل شرکت راه حل های هوشمند (Intelligent Solutions, Inc)،  او دارای مدرک کارشناسی، کارشناسی ارشد و دکترا در مهندسی نفت و گاز است.

او سه کتاب، بیش از ۱۷۰ مقاله و بیش از ۶۰ پروژه را برای شرکت‌های مستقل، شرکت‌های ملی و بین‌المللی انجام داده است.

او یک مدرس برجسته SPE است و چهار بار به عنوان نویسنده برجسته در مجله SPE در صنعت نفت شناخته شده است.

او بنیانگذار بخش فنی آنالیز داده – محور (SPE Petroleum Data-Driven Analytics Technical Section) است که به AI، یادگیری ماشین و داده‌کاوی اختصاص داده شده است.

وی از وزیر انرژی ایالات متحده به خاطر کمک فنی خود در مورد حادثه Deepwater Horizon در خلیج مکزیک مورد قدردانی قرار گرفت و یکی از اعضای کمیته منابع غیر متعارف انرژی در دو دولت (۲۰۰۸-۲۰۱۴) بود.

او اخیرا نماینده ایالات متحده در کمیته جذب و ذخیره‌سازی کربن (۲۰۱۴-۲۰۱۶) بوده است.

لینک منبع (+)