جدول المحتويات
تكون بيانات النفط والغاز جاهزة للذكاء الاصطناعي عندما تستطيعون تسمية القرار الذي يدعمه النموذج، واستخراج ما يحتاجه من بيانات historian واختبارات الآبار والمختبر والصيانة بطوابع زمنية صحيحة ووسوم مربوطة بمعداتها، وإحصاء عدد كافٍ من الأحداث المعنونة، والتأكد من الجهة المالكة للبيانات ومكان معالجتها المسموح به. وقائمة التحقق أدناه تفحص كل نقطة.
أهم النقاط
- نادرًا ما يكون الحجم هو المشكلة. فبيانات العمليات غالبًا ما تكون وفيرة لكنها فقيرة في المعلومات (Lawrence et al., 2024)، وفي الحقول التي لا تقيس التدفق باستمرار، لا توفّر اختبارات الآبار بيانات مرجعية جديدة إلا مرة أو مرتين في الشهر على الأكثر (Grimstad et al., 2021).
- أرشيف historian ليس بيانات خامًا. فالضغط مصمَّم لحذف القيم التي يمكن إعادة بنائها بالاستيفاء، والإعدادات الافتراضية ليست صفرًا (AVEVA, 2023).
- لا تفيد سجلات الصيانة إلا إذا رُمّزت الأعطال بشكل متسق. ويحدد معيار ISO 14224 الحد الأدنى من بيانات المعدات والأعطال والصيانة لصناعات النفط والبتروكيماويات والغاز الطبيعي.
- في الجزائر، بيانات أنشطة المنبع ملك حصري للدولة وتتولى ALNAFT تسييرها (القانون 19-13، المادة 18). استشيروا مستشاركم القانوني قبل استخدامها في مشروع ذكاء اصطناعي.
لماذا تحسم جاهزية البيانات مصير مشروع الذكاء الاصطناعي في النفط والغاز؟
تملك معظم شركات النفط والغاز سنوات من البيانات. والسؤال هو هل تحتوي على المعلومات التي يحتاجها النموذج.
تشير دراسة مسحية حول تعلم الآلة في الصناعات التحويلية إلى أن بيانات العمليات تتضمن اضطرابات كبيرة وقيمًا شاذة وقيمًا مفقودة، وأن نقص البيانات المعنونة هو التحدي الرئيسي للمستشعرات البرمجية (Lawrence et al., 2024). ويقولها الدليل المشترك الذي قادته CISA بوضوح: لا يمكن لنموذج الذكاء الاصطناعي أن يكون أكثر فعالية من جودة بيانات تدريبه، وجمع بيانات مستشعرات موحّدة أمر صعب في بيئات OT الموزعة (CISA et al., 2025).
ولبيانات الإنتاج قيد إضافي: ضعف التنوع. فالمشغلون يحافظون على إنتاج البئر ثابتًا نسبيًا خلال مرحلة الاستقرار (plateau)، ثم يفتحون الخانقات تدريجيًا خلال مرحلة التراجع، مما يُحدث ارتباطات تضلّل النماذج المعتمدة على البيانات (Grimstad et al., 2021). وقد تعلّم سنواتٌ من التشغيل المستقر النموذجَ أقل مما تعلّمه بضعة أشهر من التشغيل المتنوع.
والبيانات غير الجاهزة من الأسباب المعتادة لتعثر المشاريع؛ انظروا لماذا تفشل مشاريع الذكاء الاصطناعي الصناعي.
ما البيانات التي تحتاجها كل حالة استخدام في النفط والغاز؟
تختلف الجاهزية باختلاف حالة الاستخدام. فنموذج الحفر والمساعد الوثائقي لا يحتاجان البيانات نفسها. ويربط الجدول حالات الاستخدام الشائعة، الموصوفة في عرضنا لـحالات استخدام الذكاء الاصطناعي في النفط والغاز بشمال إفريقيا، ببياناتها وبالنواقص التي ينبغي البحث عنها.
| حالة الاستخدام | البيانات الرئيسية | المرجع أو الوسوم | نواقص يجب فحصها |
|---|---|---|---|
| تحسين الحفر | بيانات آنية من جهاز الحفر ومن قاع البئر، تُتبادل غالبًا بصيغة WITSML | تقارير الحفر، والوقت غير المنتج المسجَّل | بيانات مستضافة على أنظمة شركات الخدمات؛ اختلاف المستشعرات من جهاز حفر لآخر |
| تفسير التسجيلات البئرية | التسجيلات البئرية، واللباب الصخري، والمسح الزلزالي، والدراسات | تحاليل اللباب، والتسجيلات المفسَّرة | فجوات في التسجيلات؛ ملكية بيانات أنشطة المنبع |
| الإنتاج والقياس الافتراضي للتدفق | ضغوط رأس البئر ودرجات حرارته، ونسبة فتح الخانق | اختبارات الآبار، وعدادات التدفق متعدد الأطوار | قلة الاختبارات لكل بئر؛ ضعف التنوع |
| الصيانة التنبؤية | الاهتزازات، وبيانات العمليات، وأوامر العمل في نظام CMMS | أعطال مرمّزة | أوامر عمل بنص حر؛ قلة الأعطال |
| جودة العمليات في مصانع معالجة الغاز والمصافي | وسوم historian، ونظام LIMS | نتائج المختبر | وقت أخذ العينة مقابل وقت الإدخال؛ ضغط بيانات historian |
| المساعدات الوثائقية | الإجراءات والأدلة والتقارير بالعربية والفرنسية والإنجليزية | أسئلة بإجابات مُتحقَّق منها | صفحات ممسوحة ضوئيًا؛ نسخ قديمة |
الفجوات في التسجيلات البئرية شائعة. فقد رصدت دراسة شملت 1,026 بئرًا في بحر الشمال 650 فجوة في تسجيلات المسامية النيوترونية موزعة على 323 بئرًا، سببها أدوات تعطلت، أو تسجيل أُوقف في وقت خاطئ، أو تسجيل مجال عمق خاطئ (Lopes and Jorge, 2017). أما المساعدات الوثائقية، فانظروا دليلينا حول RAG لأدلة الصيانة والتعرف الضوئي على الحروف في الوثائق التقنية الممسوحة.
قائمة التحقق: اثنا عشر فحصًا قبل المشروع التجريبي
طبّقوها على حالة استخدام واحدة، لا على الشركة كلها. ولكل فحص اختبار بسيط.
- القرار مكتوب. سمّوا القرار الذي سيغيّره النموذج، ومن يتخذه، ومؤشر الأداء المعني. الاختبار: يتفق فريق المنشأة على جملة واحدة.
- كل مصدر مدرج مع مسؤوله. historian، وLIMS، وCMMS، وقاعدة بيانات اختبارات الآبار، ومستودع بيانات الحفر، ونظام إدارة الوثائق. الاختبار: لكل مصدر مسؤول محدد بالاسم وطريقة وصول.
- السجل التاريخي يغطي أنماط التشغيل. الاستقرار والتراجع، وتغيّر اللقيم، والتوقفات المبرمجة، والظروف الموسمية. الاختبار: رسم المتغير المستهدف والمدخلات الرئيسية على كامل الفترة وتحديد الأنماط.
- تعرفون ما احتفظ به historian. يستخدم الضغط خوارزمية «swinging door» التي تحذف القيم القابلة لإعادة البناء بالاستيفاء (AVEVA, 2023). الاختبار: استخراج إعدادات الضغط والاستثناء للوسوم المطلوبة. ويتوسع دليلنا حول بيانات historian لتعلم الآلة في هذه النقطة.
- الطوابع الزمنية متزامنة. تحمل نتائج المختبر وقت أخذ العينة لا وقت الإدخال. وتتطابق الساعات والمناطق الزمنية بين الأنظمة. وتُزامَن المدخلات التي تُقاس بتواتر أعلى من المتغير المستهدف (Lawrence et al., 2024). الاختبار: مطابقة عشر عينات مخبرية يدويًا مع منحنى العملية.
- الوسوم مربوطة بالمعدات والآبار. أسماء ووحدات متسقة وتسلسل هرمي للأصول. الاختبار: اختيار عشرين وسمًا عشوائيًا وتتبّع كل منها إلى معدّته أو بئره.
- الوسوم المرجعية معدودة. اختبارات الآبار، ونتائج المختبر، والأعطال المرمّزة. الاختبار: عدّها لكل بئر أو لكل معدّة على امتداد الفترة. وإذا كانت قليلة جدًا، فخطّطوا على هذا الأساس.
- الأعطال والصيانة مرمّزة. نمط العطل وسببه ومدة التوقف، لا نص حر فقط. ومعيار ISO 14224 مرجع جاهز. الاختبار: قراءة عشرين أمر عمل حديثًا والتحقق من إمكانية تحديد العطل.
- الأحداث مسجّلة. التوقفات، وعمليات إعادة تأهيل الآبار (workover)، والمعايرات، واستبدال الأجهزة. الاختبار: التحقق من إمكانية إيجاد أحداث السنة الماضية بتواريخها.
- الملكية والاستخدام المسموح به مؤكَّدان. بيانات الشركة، وبيانات الشركاء، وبيانات شركات الخدمات، وبيانات أنشطة المنبع المحفوظة لحساب الدولة. الاختبار: تؤكد المصلحة القانونية كتابيًا ما يمكن استخدامه ومن يستخدمه.
- مكان المعالجة محدد. داخل الموقع، أو في مركز بيانات وطني، أو في مكان آخر، وكيف تخرج البيانات من شبكة OT. الاختبار: يوافق فريق الأمن على مسار البيانات.
- مجموعة البيانات موثّقة. سبب إنشائها، ومحتواها، وطريقة جمعها، واستخداماتها الموصى بها، كما تقترح ورقة datasheets for datasets. الاختبار: يستطيع مهندس جديد فهمها دون أن يسأل أحدًا.
قيّموا كل فحص بإحدى ثلاث درجات: جاهز، أو قابل للإصلاح أثناء المشروع التجريبي، أو عائق. ونقص الوسوم المرجعية والملكية غير المؤكدة عائقان في العادة، أما عدم اتساق أسماء الوسوم فيمكن غالبًا إصلاحه أثناء المشروع التجريبي. ويضيف تقييم الجاهزية للذكاء الاصطناعي، الأوسع نطاقًا، محاور الربط الشبكي والتنظيم والميزانية. وتتناول مقالة مشكلات جودة البيانات الصناعية العيوب الأكثر شيوعًا في البيانات.
ما المعايير التي تساعد على هيكلة بيانات النفط والغاز؟
لا يلزم اعتماد معيار قبل المشروع الأول. لكن المعايير التالية توفر أسماء وبنى تجعل البيانات أسهل في الربط والمشاركة وإعادة الاستخدام.
| المعيار | ما يغطيه | فائدته في مشروع ذكاء اصطناعي |
|---|---|---|
| WITSML (Energistics) | بيانات الحفر والإكمال والتدخل في الآبار، تُنقل من موقع جهاز الحفر إلى شركات الخدمات والمشغلين وتُشارك مع الشركاء | صيغة موحدة لبيانات الحفر الواردة من عدة أجهزة حفر ومقاولين |
| ISO 14224 | تصنيف المعدات وبيانات الأعطال والصيانة لمعدات النفط والبتروكيماويات والغاز الطبيعي | أنماط وأسباب أعطال متسقة لتدريب نماذج الصيانة وتقييمها |
| ISA-95 / IEC 62264 | نماذج ومصطلحات للواجهة بين وظائف المؤسسة ووظائف التحكم | مفردات مشتركة تربط بيانات المصنع ببيانات الإنتاج والتسيير |
| OPC UA | تبادل بيانات مستقل عن المنصات، مع إطار لنمذجة المعلومات وأمان مدمج | قراءة بيانات نظام التحكم مع سياقها |
| OSDU (The Open Group) | نموذج بيانات ومواصفة API، مع تطبيق مرجعي مفتوح المصدر | بنية مستهدفة لبيانات باطن الأرض والآبار |
لمن تعود ملكية بيانات النفط والغاز في الجزائر؟
يعرّف القانون 19-13 المؤرخ في 11 ديسمبر 2019 الذي ينظم نشاطات المحروقات «البيانات» تعريفًا واسعًا: النتائج والمعلومات واللباب الصخري والدراسات والمعلومات الجيولوجية والجيوفيزيائية والهيدروجيولوجية والجيوكيميائية المكتسبة في إطار أنشطة المنبع، بما في ذلك المسح الزلزالي ثنائي وثلاثي ورباعي الأبعاد (القانون 19-13، المادة 2).
وتنص المادة 18 على أن هذه البيانات ملك حصري للدولة. وتتولى ALNAFT تسييرها وحفظها واستعمالها ووضعها تحت التصرف ونشرها، وتلتزم المؤسسة الوطنية والأطراف المتعاقدة والمنقِّب بإبلاغها إلى ALNAFT وفق الإجراءات التي تحددها. وتسند المادة 19 إلى ALNAFT تسيير بنك البيانات المتعلق بالمجال المنجمي للمحروقات وصلاحية تحديد شروط الوصول إليها ونشرها.
وبالنسبة لمشروع ذكاء اصطناعي، يعني هذا أن بيانات أنشطة المنبع ليست ملكًا للمشغّل يشاركها مع مورد أو يرسلها إلى خدمة خارجية كما يشاء. أما بيانات منشآت المصب وسجلات الصيانة فتخضع لقواعد أخرى ولعقودكم. هذا تلخيص لنص القانون وليس استشارة قانونية: تأكدوا من الشروط المطبقة على مشروعكم مع مستشاركم القانوني، ومع ALNAFT عند الاقتضاء. وتتناول مقالتنا حول حوكمة البيانات الصناعية القواعد الداخلية لملكية البيانات.
ويضيف الدليل الذي قادته CISA زاوية أمنية: معرفة أين تُخزَّن بيانات OT المستخدمة في التدريب، وإبقاؤها تحت سيطرة المؤسسة، والانتباه إلى أن الشركات الموجودة في الخارج تخضع لقوانين أجنبية (CISA et al., 2025). ويوصي بمعماريات الدفع (push) التي تُخرج البيانات من شبكة OT دون وصول دائم إليها من الخارج. انظروا صمامات البيانات والنقل أحادي الاتجاه ودمج الذكاء الاصطناعي مع أنظمة SCADA وOT.
من يجب أن يتولى عمل الجاهزية؟
جاهزية البيانات ليست مهمة مختص علوم البيانات وحده. فالدليل الذي قادته CISA يشير إلى أن رصد الحالات الحدّية المتعلقة بالسلامة يتطلب خبرة مشغّلي OT (CISA et al., 2025).
ويضم الفريق العملي مهندس إنتاج أو عمليات يعرف المنشأة، ومهندس OT أو IT يعرف الأنظمة، ومختصًا في علوم البيانات. وعيّنوا لكل مجموعة بيانات مسؤولًا محددًا بالاسم يبقى مسؤولًا بعد التشغيل، حين تظهر آبار جديدة ووسوم جديدة وأجهزة مستبدلة. وتصف مقالتنا حول بناء أول فريق بيانات صناعية الأدوار المطلوبة.
ما الذي لاحظناه في KABAS AI
مشروعنا المنشور في النفط والغاز هو مع ADFC (مجمع سوناطراك)، حيث يدعم Virtual Lab صياغة سوائل الحفر. وتصف دراسة الحالة خبرة في الصياغة كانت مشتتة بين صيغ وأماكن متعددة قبل المشروع. ويجمع Virtual Lab الآن بيانات الصياغة ونتائج الاختبارات والوصفات المعتمدة في مستودع منظم، مع إمكانية تتبّع تخدم التدقيق، ويقع النشر داخل البيئة المعلوماتية لسوناطراك.
ثلاثة دروس من هذا المشروع تنطبق على أي حالة استخدام في النفط والغاز:
- هيكلة السجلات الموجودة قبل جمع سجلات جديدة. فالاختبارات والتقارير السابقة هي الوسوم المرجعية التي تفتقر إليها معظم المشاريع.
- إبقاء القياس الفيزيائي مرجعًا. ففي ADFC توجّه المقارنة بين النتائج المحاكاة والفعلية عمليات التحسين.
- تحديد الاستضافة مبكرًا. فعندما يجب أن تبقى البيانات داخل الشركة، تحدد الاستضافة شكل التكامل والتكلفة. ويمكن تشغيل DALILE وVirtual Lab كليهما على البنية التحتية الخاصة بالعميل.
من أين نبدأ؟
اختاروا حالة استخدام بقرار واضح وقياس مرجعي معروف، مثل اختبارات الآبار أو نتائج المختبر، وطبّقوا عليها الفحوص الاثني عشر. والعوائق التي تكتشفونها هي حزمة العمل الأولى، قبل أي نموذج.
يستطيع فريق الاستشارات لدينا إجراء هذه المراجعة مع فرق الإنتاج وOT والبيانات لديكم. اطلعوا على حلولنا للنفط والغاز، أو تواصلوا معنا لمناقشة منشأة بعينها.
المصادر
- Lawrence et al., Machine learning for industrial sensing and control: A survey and practical perspective, Control Engineering Practice, 2024 (arXiv 2401.13836)
- Grimstad et al., Bayesian Neural Networks for Virtual Flow Metering: An Empirical Study, Applied Soft Computing 112, 2021 (arXiv 2102.01391)
- Lopes and Jorge, Mind the Gap: a Well Log Data Analysis, Workshop on Data Mining for Oil and Gas, 2017 (arXiv 1705.03669)
- CISA, ASD's ACSC et al., Principles for the Secure Integration of Artificial Intelligence in Operational Technology, 3 December 2025
- Bregenzer, Exception, Compression, and their Impacts on PI System Performance, AVEVA, 2023
- EVS-EN ISO 14224:2016, Petroleum, petrochemical and natural gas industries: Collection and exchange of reliability and maintenance data for equipment (catalogue description)
- Energistics, WITSML data standards
- ISA, ISA-95 Standard: Enterprise-Control System Integration
- OPC Foundation, Unified Architecture
- The Open Group, OSDU Forum
- Gebru et al., Datasheets for Datasets, Communications of the ACM, 2021 (arXiv 1803.09010)
- القانون رقم 19-13 المؤرخ في 11 ديسمبر 2019 الذي ينظم نشاطات المحروقات، الجريدة الرسمية رقم 79 بتاريخ 22 ديسمبر 2019 (FAOLEX، النص الفرنسي)
الأسئلة الشائعة
كم من البيانات التاريخية يحتاج مشروع ذكاء اصطناعي في النفط والغاز؟
لا يوجد عدد ثابت من السنوات. المهم هو عدد الأمثلة المعنونة، مثل اختبارات الآبار ونتائج المختبر والأعطال المرمّزة، ومدى تغطية السجل التاريخي لأنماط التشغيل التي سيواجهها النموذج. وفي الحقول التي لا تقيس التدفق باستمرار، لا تُجرى اختبارات الآبار إلا مرة أو مرتين في الشهر على الأكثر، أي أن البئر الواحدة تعطي نحو 24 نقطة مرجعية في السنة على الأكثر.
هل يجب تنظيف كل بياناتنا قبل بدء مشروع ذكاء اصطناعي؟
لا. طبّقوا قائمة التحقق على حالة استخدام واحدة وأصلحوا البيانات التي تحتاجها هذه الحالة. فتنظيف كل وسم وكل سجل في المصنع أو الحقل أولًا عمل طويل، وقد لا يُستخدم جزء كبير منه أبدًا. والعمل المنجز لحالة الاستخدام الأولى، مثل ربط الوسوم وسجل الأحداث، يُعاد استخدامه في الحالات التالية.
هل يجب اعتماد OSDU أو WITSML أو ISO 14224 قبل البدء؟
لا. هذه المعايير مراجع مفيدة للتسمية وترميز الأعطال وتبادل البيانات، واتباعها يسهّل إعادة استخدام البيانات. لكن يمكن لمشروع أول أن ينطلق من الأنظمة الموجودة، شرط أن تكون بيانات حالة الاستخدام محددة وموثّقة ومتسقة.
هل يمكن استخدام بيانات الحفر أو الآبار التي تحتفظ بها شركات الخدمات لتدريب نموذج؟
راجعوا عقودكم أولًا، لأنها تحدد من يحتفظ بالبيانات ومن يحق له استخدامها. وفي الجزائر، ينص القانون 19-13 على أن بيانات أنشطة المنبع، مثل المسح الزلزالي والتسجيلات البئرية واللباب الصخري والدراسات، ملك حصري للدولة وتتولى ALNAFT تسييرها. تأكدوا مع مستشاركم القانوني من كيفية تطبيق ذلك على مشروعكم قبل أي مشاركة للبيانات أو استخدامها في التدريب.
من يتولى جاهزية البيانات في شركة نفط وغاز؟
فريق صغير: مهندس إنتاج أو عمليات يعرف المنشأة، ومهندس OT أو IT يعرف الأنظمة، ومختص في علوم البيانات. ويجب أن يكون لكل مجموعة بيانات مسؤول محدد بالاسم بعد التشغيل، حتى تُسجَّل الوسوم الجديدة والآبار الجديدة وتغييرات الأجهزة.
هل يمكن أن تبقى البيانات داخل الموقع أثناء مشروع ذكاء اصطناعي؟
نعم. يمكن تشغيل النماذج والبيانات على البنية التحتية الخاصة بالشركة. ويوصي الدليل المشترك الذي قادته CISA المشغلين بمعرفة أين تُخزَّن بيانات OT المستخدمة في التدريب، وإبقائها تحت سيطرة المؤسسة، وفهم كيفية وصول الموردين إليها.



