بزرگنمايي:

بازار آریا - دنیای اقتصاد - حمید ملازاده : در دهـــه‌های اخــیر، هوش‌مصنوعی به‌عنوان یکی از فناوری‌های پیشرو، توجه بسیاری را در صنایع مختلف به خود جلب کرده‌است. صنعت نفت و گاز نیز از این قاعده مستثنی نبوده و با ورود این فناوری، انتظارات زیادی برای بهبود کارآیی، کاهش هزینه‌ها و افزایش بهره‌‌‌‌‌وری مطرح شده‌است، اما سوال اصلی اینجاست: آیا هوش‌مصنوعی واقعا توانسته انقلابی در این صنعت ایجاد کند یا صرفا به‌عنوان یک ابزار تبلیغاتی به‌کار گرفته‌شده‌است؟ هوش‌مصنوعی در بخش‌های مختلف صنعت نفت و گاز کاربردهای متعددی یافته‌است.
در حوزه اکتشاف و ارزیابی مخازن، با استفاده از الگوریتم‌های یادگیری ماشین، داده‌های زمین‌‌‌‌‌شناسی و لرزه‌‌‌‌‌نگاری تحلیل شده و محل دقیق مخازن نفت و گاز پیش‌بینی می‌شود. این روش‌ها دقت بالاتری نسبت به روش‌های سنتی دارند و هزینه‌های اکتشاف را کاهش می‌دهند. به‌عنوان مثال، شرکت آمریکایی ExxonMobil از هوش‌مصنوعی برای شبیه‌‌‌‌‌سازی مخازن زیرزمینی استفاده‌کرده که این فناوری توانسته احتمال موفقیت حفاری‌‌‌‌‌ها را افزایش داده و تعداد حفاری‌‌‌‌‌های بی‌‌‌‌‌نتیجه را کاهش دهد. در زمینه بهینه‌سازی تولید، هوش‌مصنوعی نقش انکارناپذیری در ارتقای بهره‌‌‌‌‌وری میادین نفت و گاز ایفا می‌کند. 
الگوریتم‌های یادگیری ماشین با تحلیل حجم انبوهی از داده‌های تولید، شامل فشار مخزن، دبی جریان، دمای سیالات و پارامترهای زمین‌‌‌‌‌شناسی، می‌توانند الگوهای پنهان و روابط غیرخطی میان متغیرها را شناسایی کنند؛ روابطی که در روش‌های تحلیلی سنتی قابل‌ردیابی نبودند. این تحلیل‌ها امکان پیش‌بینی دقیق‌تر عملکرد چاه‌‌‌‌‌ها در شرایط مختلف عملیاتی را فراهم می‌سازد و به مهندسان این امکان را می‌دهد که تصمیماتی مبتنی بر داده اتخاذ کنند. برای مثال، مدل‌‌‌‌‌سازی هوشمند نرخ تولید در سناریوهای مختلف بهره‌‌‌‌‌برداری، می‌تواند به اپراتورها در انتخاب استراتژی‌های بهینه برای تزریق گاز، مدیریت فشار یا زمان‌بندی چرخه تولید کمک کند.
کاهش زمان تحلیل داده‌ها
شرکت Shell توانسته با به‌کارگیری الگوریتم‌های پیشرفته یادگیری عمیق، زمان تحلیل داده‌های زمین‌‌‌‌‌شناسی و ژئوفیزیکی را از چندین ماه به تنها چند هفته کاهش دهد. این کاهش زمان نه‌‌‌‌‌تنها سبب تسریع در عملیات اکتشاف و توسعه می‌شود، بلکه ریسک سرمایه‌گذاری را نیز به‌‌‌‌‌طور چشمگیری کاهش می‌دهد، چراکه تصمیم‌گیری‌های پرهزینه با دقت و سرعت بالاتری انجام می‌گیرند. در حوزه تعمیر و نگهداری پیش‌بینی‌‌‌‌‌شده (Predictive Maintenance)، هوش‌مصنوعی با بهره‌‌‌‌‌گیری از داده‌های بلادرنگ دریافتی از حسگرها، وضعیت سلامت تجهیزات را پایش‌کرده و الگوهای خرابی احتمالی را شناسایی می‌کند.
این تکنولوژی با تحلیل نوسانات کوچک در دما، لرزش، فشار یا جریان، می‌تواند وقوع نقص‌‌‌‌‌های فنی را حتی پیش از بروز علائم ظاهری هشدار دهد. این قابلیت به مهندسان نگهداری اجازه می‌دهد تا عملیات تعمیرات را دقیقا در زمانی انجام دهند که بیشترین اثربخشی را دارد و از توقف‌‌‌‌‌های ناگهانی، اتلاف انرژی و تحمیل هزینه‌های سنگین جلوگیری شود. پلتفرم‌های تحلیلی پیشرفته مانند C3 AI Suite و AspenTech از تحلیل کلان‌‌‌‌‌داده‌‌‌‌‌ها و الگوریتم‌های یادگیری ماشین برای ارائه راهکارهای پیش‌بینی‌‌‌‌‌کننده استفاده می‌کنند. شرکت Shell گزارش داده که با بهره‌‌‌‌‌گیری از این ابزارها، توانسته هزینه‌های مربوط به نگهداری تجهیزات را تا 20‌درصد کاهش دهد و همچنین نرخ خرابی غیرمنتظره تجهیزات را به طرز محسوسی پایین بیاورد. 
در زمینه کاهش مصرف انرژی، هوش‌مصنوعی به‌‌‌‌‌واسطه سیستم‌های مدیریت هوشمند انرژی(Smart Energy Management Systems)، مصرف برق، بخار، سوخت و دیگر منابع انرژی را در بخش‌های مختلف پالایش، انتقال و فرآورش کنترل و بهینه‌سازی می‌کند. این سیستم‌‌‌‌‌ها با پایش مستمر عملکرد تجهیزات، الگوهای مصرف را به‌‌‌‌‌دقت تحلیل‌کرده و نقاط اتلاف انرژی را شناسایی می‌کنند. سپس با اعمال تنظیمات هوشمند بر روی عملکرد کمپرسورها، پمپ‌‌‌‌‌ها، مبدل‌‌‌‌‌ها و سایر واحدها، بهره‌‌‌‌‌وری انرژی را افزایش داده و هزینه‌های عملیاتی را کاهش می‌دهند. 
برای نمونه، شرکت BP با استفاده از فناوری هوش‌مصنوعی تعبیه‌‌‌‌‌شده در پلتفرم SAP Leonardo توانسته زنجیره تامین خود را بهینه کند؛ به‌‌‌‌‌گونه‌‌‌‌‌ای که با کاهش زمان‌‌‌‌‌های انتظار، پیش‌بینی دقیق‌تر تقاضا و تخصیص بهینه منابع، تا 30‌درصد صرفه‌جویی در هزینه‌های عملیاتی حاصل شده‌است. در حوزه ایمنی و مدیریت ریسک، هوش‌مصنوعی تحولی بنیادی ایجاد‌کرده‌است. تحلیل بلادرنگ داده‌های عملیاتی، زیست‌محیطی و انسانی می‌تواند ریسک‌های پنهان را آشکار‌کرده و هشدارهای لازم را پیش از وقوع حادثه صادر کند. این امر نه‌‌‌‌‌تنها از منظر اقتصادی، بلکه از منظر حفاظت از جان انسان‌ها و محیط‌زیست اهمیت مضاعفی دارد. سامانه‌‌‌‌‌های هوشمند با تلفیق داده‌های تصویری، صوتی و سنسوری، می‌توانند تغییرات غیرعادی در وضعیت تجهیزات، نشتی گاز، آتش‌سوزی، یا خطاهای انسانی را شناسایی‌کرده و به‌‌‌‌‌سرعت واکنش نشان دهند. 
شرکت عربستانی Aramco یکی از پیشگامان توسعه ابزارهای هوش‌مصنوعی در این حوزه است. این شرکت، با راه‌اندازی یک دستیار هوشمند مبتنی بر هوش‌مصنوعی در مرکز داده‌های لرزه‌‌‌‌‌ای خود در ظهران، موفق شده فرآیند تحلیل داده‌های زمین‌‌‌‌‌لرزه‌‌‌‌‌ای را تسریع بخشد و دقت ارزیابی خطرات ژئوتکنیک را افزایش دهد؛ امری که در طراحی و بهره‌‌‌‌‌برداری از چاه‌‌‌‌‌ها در مناطق پرخطر نقشی حیاتی دارد. در سطح جهانی، شرکت‌های بزرگ نفتی سرمایه‌گذاری‌های قابل‌توجهی در زمینه هوش‌مصنوعی انجام داده‌اند. برای مثال، شرکت Shell از اینترنت اشیا(IoT) و هوش‌مصنوعی برای کاهش زمان انتقال محصولات و بهبود بهره‌‌‌‌‌وری زنجیره تامین استفاده کرده‌است، همچنین شرکت‌های دیگری با بهره‌‌‌‌‌گیری از هوش مصنوعی، فرآیندهای استخراج، تولید و توزیع را بهینه‌سازی‌کرده و هزینه‌ها را کاهش داده‌اند.
ایران و پتانسیل هوش مصنوعی
در ایران نیز تلاش‌هایی برای بهره‌‌‌‌‌گیری از هوش‌مصنوعی در صنعت نفت و گاز صورت‌گرفته‌است. پژوهشگاه صنعت نفت با همکاری دانشگاه علوم، تحقیقات و فناوری و هلدینگ دانیال موج اقدام به بر‌‌گزاری «کارگروه تحول دیجیتال» ‌کرده تا از این طریق بتواند به پیاده‌‌‌‌‌سازی فناوری‌های هوش مصنوعی، اینترنت اشیا صنعتی، دوقلوی دیجیتال یا همزاد دیجیتال، واقعیت‌مجازی شتاب بیشتری ببخشد، با این‌حال به‌نظر می‌رسد که ایران در مقایسه با کشورهای پیشرو، در مراحل اولیه این مسیر قرار دارد و نیازمند سرمایه‌گذاری و برنامه‌‌‌‌‌ریزی‌‌‌‌‌های بیشتری است.
با وجود مزایای متعدد، پیاده‌‌‌‌‌سازی هوش‌مصنوعی در صنعت نفت و گاز با چالش‌هایی همراه است. نیاز به زیرساخت‌های مناسب برای جمع‌‌‌‌‌آوری، ذخیره‌سازی و پردازش داده‌ها از جمله موانع اصلی است. کمبود کارشناسان ماهر در زمینه هوش‌مصنوعی و داده‌کاوی می‌تواند فرآیند پیاده‌‌‌‌‌سازی را کند کند. سرمایه‌گذاری اولیه برای توسعه و پیاده‌‌‌‌‌سازی سیستم‌های مبتنی بر هوش‌مصنوعی ممکن است برای برخی شرکت‌ها سنگین باشد، همچنین فرهنگ سازمانی و مقاومت در‌برابر تغییرات فناوری می‌تواند مانعی برای پذیرش هوش‌مصنوعی باشد. 
هوش‌مصنوعی پتانسیل ایجاد تحولی عمیق در صنعت نفت و گاز را دارد و می‌تواند به بهبود کارآیی، کاهش هزینه‌ها و افزایش ایمنی منجر شود. در سطح جهانی، شرکت‌های بزرگ نفتی با سرمایه‌گذاری در این حوزه، به نتایج مثبتی دست‌یافته‌اند. در ایران نیز با وجود تلاش‌های اولیه، هنوز راه درازی برای بهره‌‌‌‌‌برداری کامل از این فناوری در پیش است. 
برای تحقق این امر، نیاز به توسعه زیرساخت‌ها، آموزش نیروی انسانی متخصص و تغییر فرهنگ سازمانی احساس می‌شود. در نهایت، می‌توان گفت؛ هوش‌مصنوعی نه یک تبلیغات زودگذر، بلکه ابزاری قدرتمند برای ایجاد تحول در صنعت نفت و گاز است، با این‌حال موفقیت در بهره‌‌‌‌‌برداری از این فناوری مستلزم برنامه‌‌‌‌‌ریزی دقیق، سرمایه‌گذاری مناسب و آموزش نیروی انسانی متخصص است. تنها در این‌صورت است که می‌توان از پتانسیل‌های کامل هوش‌مصنوعی در این صنعت بهره‌‌‌‌‌برداری کرد و به نتایج مطلوب دست‌یافت.