حوزهی کاری هوش مصنوعی به سرعت در حال پیشرفت است و ترکیب دادههای سنسور یا حسگرها با یادگیری ماشین به لیتولوژی در لحظه دست یافته است.
سنگشناسی یا لیتولوژی که به آن صخرهشناسی نیز میگویند، بخشی از زمینشناسی است که به بررسی و پژوهش در خاستگاه ساختار، ویژگیها و تاریخ سنگهای لایه جامد زمین میپردازد. ویکیپدیا
ایدهی اساسی سنگشناسی با کمک هوش مصنوعی چیست؟
⛏️ زیبا نیست که خود دریل واگن هشدار دهد که ۳۰ سانتیمتر جلوتر با سنگ سختتری مواجه خواهیم بود؟
سنگهای مختلف به هنگام حفاری رفتار و واکنشهای متفاوتی از خود بروز میدهند. مدلهای هوش مصنوعی آموزش میبیند که اثر انگشت خاص هرکدام از این سنگها را یاد گرفته، الگوهای استخراجی را با دادههای حفاری هر نوع سنگ تطبیق دهد. دقت هوش مصنوعی در مدلهای مدرن چقدر است؟ این مدلها دقتی بین ۹۰ تا ۹۷ درصد در حدس درست و تشخیص نوع سنگ از روی دادههای دریافتی دارند. هوش مصنوعی از میان مته و گرد و غبار سنگ را میبیند.
با پیشرفتهای هوش مصنوعی و گفتههای این متن دور از ذهن نیست که تا ۲۰ سال دیگر گوش بچسبانیم و لایههای زیرین زمین را بشنویم تا از زلزله پیش از وقوع مطلع شویم؟
پاسخ منفی است. پیشبینی لحظهای زلزله هدفی غایی و البته دستنیافتنی است. در حال حاضر و در آیندهی مجسم تعیین زمان، مکان و بزرگی دقیق زلزلهی بعدی غیرممکن مینماید. البته هوش مصنوعی در پیشبینی درازمدت و منطقهای پیشرفتهایی داشته است. این را قبلا دانشمندان هم میدانستند و میتوانستند.
شناسایی نوع سنگ با هوش مصنوعی چطور انجام میشود؟
- هوش مصنوعی پارامترهای حفاری را تحلیل میکند که به آن حس حفاری نیز میگویند. دادههای مختلفی در حین حفاری استخراج و ثبت میشود، از آن جمله میتوان به وزن وارد بر مته یا WOB، سرعت چرخش یا RPM، گشتاور و نرخ نفوذ یا ROP اشاره کرد. سنگهای مختلف واکنشهای متفاوتی به این نیروها دارند. برای مثال حفاری در گرانیت سخت نیازمند گشتاور بیشتری در مقایسه با ماسهسنگ نرمتر بوده و سرعت پیشروی کُندتر خواهد بود. هوش مصنوعی 1D-CNN-LSTM تنها از پارامترهای سطحی استفاده میکند و فرآیند حفاری را در لحظه بهینهسازی نمونه، سرعت حفاری را تا ۱۷/۵ درصد افزایش میدهد.
- هوش مصنوعی صدای حفاری را شنیده و ارتعاشات را ضبط میکند. هر سنگی به هنگام حفاری اثر صوتی متفاوتی تولید میکند. شبکههای عصبی کانوولوشن یا CNN از جمله مدلهای هوش مصنوعی است که توان آنالیز طیف فرکانسی صدا یا ارتعاش را دارد و از این طریق نوع سنگ را مشخص خواهد کرد. این روش علاوه بر کارآمدی مزیت ارزانی هم دارد و تعداد کمی سیگنال ارتعاشی، در مواردی یک سیگنال، کفایت میکند تا با تحلیل بسیار سریع، تصمیمگیری آنی را ارتقا بخشد.
عجیب است؟ تا به حال با کمک گوگل یا نرم افزار Shazam موسیقی شناسایی کردهاید؟ اپلیکیشن شزم ۱۰ سال قبل هم بود. زیاد با هوش مصنوعی هیجانزده نشوید.
🎧 شناسایی سنگ شبیه تشخیص موسیقی است. هوش مصنوعی میتواند الگوهای ارتعاشی و صوتی را یاد بگیرد.
- هوش مصنوعی از دادههای سطح بالا همچون پرتو گاما و مقاومت ویژه نیز که از جمله گزارشهای چال هستند و سنسورهای چشمی کامپیوتری هم برای تحلیل خردهسنگهای تخلیه شده از چال استفاده میکند.
اینجا دیگر دانشگاه و آزمایشگاه نیست و هوش مصنوعی مشق بچهها را نمینویسد.
مزایای عملی قابل توجهی در صنایع نفت و گاز و حفاری معادن برای این ابزار پیشبینی میشود. اگر امکان تشخیص تغییرات لایههای زیر پا در لحظه را داشته باشیم بهینهسازی خودکار پارامترهای حفاری گام بعدی خواهد بود. همانطور که در مثالی ۱۷/۵ درصد بهبود نرخ نفوذ حفاری گزارش شده بود، مشکلاتی مانند گیر کردن لولهها و نرخ وقوع حوادث خطرناک را به طور جدی میتوان کاهش داد.
نیاز به مغزهگیری سنتی تا سالهای آینده کمتر خواهد شد و خود ماشین حفاری نمونه را در لحظه آنالیز خواهد کرد. 🪨 گرانیت، شیل، ماسهسنگ و آهک هرکدام امضای خاص خود را دارند و لو میروند.
ژئواستیرینگ شاخهای از علم حفاری است که معطوف به بهبود هدایت درون چال است. در حفاری جهتدار اگاهی از نوع سنگ در محل مته به اپراتور مسیر بهتری برای نفوذ در چاه ارائه خواهد داد. اگر با هدایت هوش مصنوعی بتوان حفاری را در پربارترین لایهی سنگی حفظ کرد بازدهی کلی چاه به مراتب افزایش خواهد یافت. افزایش سرعت حفاری و کاهش زمان توقفهای ناخواسته هزینهی کلی اکتشاف و تولیدات معدنی را بهبود خواهد بخشید.
هوش مصنوعی کنونی فرق زیادی با ۱۰ سال قبل و اپلیکیشنهایی چون Shazam که الگوی موسیقی را شناسایی و نام آن را معرفی میکردند ندارد. هوش مصنوعی سالهاست در خفا پیشرفت کرده و ما از آن استفاده کردهایم، حال برای آن اسم گذاشته و با انگشت نشانش میدهیم.
