DOI: https://doi.org/10.62762/jgee.2026.416866
تاريخ النشر: 2026-02-03
المؤلف: Geli Ma وآخرون
الموضوع الرئيسي: الهندسة الحفرية وهندسة الآبار
نظرة عامة
تركز البحث على معالجة تكاليف الحفر العالية المرتبطة باستخراج الغاز الصخري، لا سيما في منطقة سيتشوان الجنوبية في الصين، الغنية باحتياطيات الغاز الصخري. أثبتت طرق معالجة البيانات التقليدية عدم كفاءتها في إدارة الحجم المتزايد من بيانات الاستثمار والتكلفة، مما يتطلب نماذج تنبؤية أكثر دقة لتكاليف الحفر. لمواجهة هذه المشكلة، طور المؤلفون نموذج شبكة عصبية من نوع Back-Propagation (BP) معزز بتحليل المكونات الرئيسية (PCA) للتنبؤ بتكاليف الحفر في بئر واحدة استنادًا إلى بيانات من أكثر من 200 بئر مكتملة.
تحدد الدراسة العوامل الهندسية الرئيسية التي تؤثر على تكاليف الحفر، مثل عدد مراحل التكسير، مدة الحفر، وعمق البئر، حيث أثبتت PCA فعاليتها في تقليل أبعاد المدخلات لنموذج التنبؤ. أظهر نموذج شبكة BP العصبية خطأ نسبي متوسط ملحوظ قدره -0.73% عند التحقق منه مقابل بيانات العالم الحقيقي، متفوقًا بشكل كبير على نموذج الانحدار الخطي، الذي كان لديه خطأ متوسط قدره 28.39%. لا تساعد هذه الدقة العالية فقط في اتخاذ قرارات مستنيرة للمستثمرين ومديري الشركات، بل تبرز أيضًا إمكانية تطبيق النموذج تجاريًا. يقترح المؤلفون أن التقدم المستمر في الذكاء الاصطناعي يمكن أن يعزز قدرات النظام بشكل أكبر، من خلال دمج الرياضيات الضبابية لتحسين الدقة والوظائف داخل MATLAB.
مقدمة
تتناول مقدمة ورقة البحث التحديات المرتبطة بالتطوير الاقتصادي القابل للتطبيق للغاز الصخري، لا سيما في منطقة سيتشوان الجنوبية في الصين، الغنية باحتياطيات الغاز الصخري. يبرز المؤلفون أن تكاليف الحفر، وهي جزء كبير من إجمالي الاستثمار، تتأثر بالظروف الجيولوجية المعقدة وعوامل متنوعة، مما يؤدي إلى تباين كبير في التكاليف. أثبتت طرق معالجة البيانات التقليدية عدم كفاءتها في التحليل الدقيق وفي الوقت المناسب لمجموعات البيانات الكبيرة، مما يتطلب استكشاف طرق تنبؤية ذكية لتكاليف الحفر لتعزيز الكفاءة الاقتصادية في تطوير الغاز الصخري.
تؤكد الورقة على قيود النماذج الإحصائية الحالية في التنبؤ بتكاليف حفر الغاز الصخري بسبب العشوائية وعدم اليقين المتأصل في البيانات. بالمقابل، يقترح المؤلفون استخدام الذكاء الاصطناعي، وتحديدًا شبكة BP العصبية، لتطوير نموذج تنبؤ بتكاليف حفر بئر واحدة استنادًا إلى المعلمات الهندسية. يتم دمج هذا النموذج في نظام برمجي سهل الاستخدام يسهل استيراد البيانات، التدريب التلقائي، التنبؤ بالتكاليف، وتصدير النتائج. يهدف النظام الناتج إلى تقديم تنبؤات دقيقة تدعم اتخاذ قرارات الاستثمار في كتلة الغاز الصخري في سيتشوان الجنوبية، مما يساهم في تحقيق الأهداف الاقتصادية والاستراتيجية للطاقة.
نقاش
في منطقة سيتشوان الجنوبية في الصين، لا سيما في الكتلة N، تقدم موارد الغاز الصخري الكبيرة فرصًا وتحديات للتطوير الفعال من حيث التكلفة. تغطي المنطقة 840 كم² مع حوالي $6.922 \times 10^{11} \, m^3$ من الموارد، وتواجه تكاليف حفر مرتفعة بسبب الهياكل الجيولوجية المعقدة. تحدد هذه الدراسة العوامل الرئيسية التي تؤثر على تكاليف حفر بئر واحدة، مشددة على أهمية التنبؤ الدقيق والتحكم لتعزيز الجدوى الاقتصادية. من خلال تحليل منهجي، تم تحديد عشرة معلمات هندسية، حيث كشفت تحليل المكونات الرئيسية (PCA) أن عدد مراحل التكسير، مدة الحفر، وعمق البئر هي المساهمات الأكثر أهمية في تباين التكاليف.
تم تطوير نموذج شبكة BP العصبية للتنبؤ بتكاليف الحفر استنادًا إلى بيانات من أكثر من 250 بئر مكتملة في الكتلة N. استخدم النموذج PCA لتقليل أبعاد المدخلات، مما يعزز استقرار ودقة التنبؤ. أظهرت شبكة BP العصبية أداءً متفوقًا مقارنة بنموذج الانحدار الخطي التقليدي، حيث حققت خطأ نسبيًا متوسطًا قدره -0.73% مقابل 28.39% للأخير. يشير ذلك إلى موثوقية النموذج وإمكانية تطبيقه العملي في إدارة تكاليف الغاز الصخري. يسهل النظام البرمجي المتكامل المصمم لهذا الغرض تفاعل المستخدم ويقدم منصة شاملة لاستيراد البيانات، تدريب النموذج، والتنبؤ بالتكاليف، مما يبرز جدواه التجارية وقابليته للتكيف مع التحسينات المستقبلية في دقة التنبؤ.
DOI: https://doi.org/10.62762/jgee.2026.416866
Publication Date: 2026-02-03
Author(s): Geli Ma et al.
Primary Topic: Drilling and Well Engineering
Overview
The research focuses on addressing the high drilling costs associated with shale gas extraction, particularly in the Southern Sichuan region of China, which is rich in shale gas reserves. Traditional data processing methods have proven inadequate for managing the increasing volume of investment and cost data, necessitating more accurate predictive models for drilling costs. To tackle this issue, the authors developed a Back-Propagation (BP) neural network model enhanced by principal component analysis (PCA) to predict single-well drilling costs based on data from over 200 completed wells.
The study identifies key engineering factors influencing drilling costs, such as the number of fracturing stages, drilling duration, and well depth, with PCA effectively reducing input dimensionality for the prediction model. The BP neural network model demonstrated a remarkable average relative error of -0.73% when validated against real-world data, significantly outperforming a linear regression model, which had an average error of 28.39%. This high level of accuracy not only aids in informed decision-making for investors and corporate managers but also highlights the model’s potential for commercial application. The authors suggest that ongoing advancements in artificial intelligence could further enhance the system’s capabilities, integrating fuzzy mathematics for improved accuracy and functionality within MATLAB.
Introduction
The introduction of the research paper addresses the challenges associated with the economically viable development of shale gas, particularly in the Southern Sichuan region of China, which is rich in shale gas reserves. The authors highlight that drilling costs, a significant portion of total investment, are influenced by complex geological conditions and various factors, leading to high variability in costs. Traditional data processing methods have proven inadequate for timely and accurate analysis of large datasets, necessitating the exploration of intelligent predictive methods for drilling costs to enhance economic efficiency in shale gas development.
The paper emphasizes the limitations of existing statistical models in predicting shale gas drilling costs due to the randomness and uncertainty inherent in the data. In contrast, the authors propose the use of artificial intelligence, specifically a BP neural network, to develop a single-well drilling cost prediction model based on engineering parameters. This model is integrated into a user-friendly software system that facilitates data import, automated training, cost prediction, and result export. The resulting system aims to provide accurate predictions that support investment decision-making in the Southern Sichuan shale gas block, thereby contributing to both economic and strategic energy goals.
Discussion
In the Southern Sichuan region of China, particularly Block N, significant shale gas resources present both opportunities and challenges for cost-effective development. The area, covering 840 km² with approximately $6.922 \times 10^{11} \, m^3$ of resources, faces high drilling costs due to complex geological structures. This study identifies key factors influencing single-well drilling costs, emphasizing the importance of precise prediction and control to enhance economic viability. Through a systematic analysis, ten engineering parameters were identified, with principal component analysis (PCA) revealing that the number of fracturing stages, drilling duration, and well depth are the most significant contributors to cost variation.
A BP neural network model was developed to predict drilling costs based on data from over 250 completed wells in Block N. The model utilized PCA to reduce input dimensionality, enhancing prediction stability and accuracy. The BP neural network demonstrated superior performance compared to a conventional linear regression model, achieving an average relative error of -0.73% against 28.39% for the latter. This indicates the model’s reliability and potential for practical application in shale gas cost management. The integrated software system designed for this purpose facilitates user interaction and offers a comprehensive platform for data import, model training, and cost prediction, highlighting its commercial viability and adaptability for future enhancements in predictive accuracy.