خوزستان؛دکتر شادفر داودی، پژوهشگر ایرانی فعال در حوزه مهندسی نفت و هوش مصنوعی در روسیه، با توسعه چارچوبی ترکیبی مبتنی بر یادگیری ماشین و بهینه‌سازی چندهدفه، روشی برای افزایش کارایی حفاری در مخازن نفتی کربناته ارائه کرده است که بر اساس نتایج مدل‌سازی، ظرفیت افزایش ۶۸.۴ درصدی سرعت حفاری را در یکی از چاه‌های بررسی‌شده نشان می‌دهد؛ دستاوردی که بازتاب آن در رسانه‌های فناوری روسیه و رسانه علمی بین‌المللی Tech Xplore نیز منتشر شده است.

به گزارش پی نوشت ، توسعه فناوری‌های مبتنی بر هوش مصنوعی در صنایع راهبردی، به‌ویژه صنعت نفت و گاز، به یکی از محورهای مهم پژوهش‌های مهندسی در جهان تبدیل شده است. در همین راستا، دکتر شادفر داودی، پژوهشگر ایرانی و عضو مرکز هوش مصنوعی مؤسسه فناوری اسکولتک در مسکو، چارچوبی محاسباتی برای بهینه‌سازی عملیات حفاری در مخازن کربناته ناهمگون توسعه داده است که با تلفیق یادگیری ماشین، هوش مصنوعی قابل تفسیر و الگوریتم‌های بهینه‌سازی چندهدفه، امکان پیش‌بینی عملکرد حفاری و شناسایی شرایط عملیاتی کارآمدتر را فراهم می‌کند.

گزارش این پژوهش در تاریخ ۷ اکتبر ۲۰۲۶ در رسانه‌های فناوری روسیه، از جمله

“ComNews” (https://www.comnews.ru/digital-economy/content/247755/2026-10-07/2026-w41/1012/ii-pomog-nayti-rezhimy-bureniya-prognoziruemym-potencialom-uskoreniya-do-68) و “CNews” (https://www.cnews.ru/news/line/2026-10-07_ii_pomog_najti_rezhimy_bureniya)، منتشر شد. همچنین رسانه علمی بین‌المللی “Tech Xplore” (https://techxplore.com/news/2026-10-ai-drilling-regimes-potential.html) در ۸ اکتبر همان سال، به معرفی این دستاورد و ظرفیت بالقوه آن برای بهبود عملکرد حفاری پرداخت.

هوش مصنوعی چگونه به بهینه‌سازی حفاری کمک می‌کند؟

یکی از چالش‌های مهم صنعت نفت، انتخاب پارامترهای عملیاتی مناسب برای حفاری در سازندهای کربناته ناهمگون است. در این نوع مخازن، ویژگی‌های سنگ و شرایط زمین‌شناختی با تغییر عمق تغییر می‌کند و همین موضوع، تعیین بهترین شرایط حفاری را با دشواری همراه می‌سازد.

در چنین شرایطی، افزایش سرعت حفاری به‌تنهایی نمی‌تواند معیار کاملی برای ارزیابی عملکرد باشد؛ زیرا افزایش سرعت ممکن است با بالا رفتن گشتاور، افزایش بار مکانیکی واردشده به تجهیزات و مصرف بیشتر انرژی همراه شود.

چارچوب توسعه‌یافته توسط داودی با هدف ایجاد تعادل میان این شاخص‌ها طراحی شده است. در این روش، مدل‌های یادگیری ماشین برای پیش‌بینی سرعت حفاری و گشتاور به کار گرفته می‌شوند و سپس الگوریتم بهینه‌سازی، ترکیب مناسب پارامترهای عملیاتی را برای افزایش بهره‌وری پیشنهاد می‌کند.

بر اساس گزارش منتشرشده در “Tech Xplore” (https://techxplore.com/news/2026-10-ai-drilling-regimes-potential.html)، این پژوهش از اطلاعات عملیاتی سه چاه عمودی حفاری‌شده در سازند کربناته و مجموعاً پنج هزار و ۷۳۸ رکورد داده استفاده کرده است.

برآورد افزایش ۶۸.۴ درصدی سرعت حفاری

در این مطالعه، عملکرد چند مدل محاسباتی شامل شبکه عصبی حافظه بلندمدت کوتاه‌مدت (LSTM)، جنگل تصادفی و شبکه عصبی چندلایه مقایسه شد. بر اساس نتایج گزارش‌شده، مدل LSTM در پیش‌بینی شاخص‌های مورد بررسی عملکرد دقیق‌تری داشت.

پژوهشگر همچنین از روش‌های هوش مصنوعی قابل تفسیر برای شناسایی عوامل مؤثر بر نتایج استفاده کرد. تحلیل داده‌ها نشان داد که سرعت چرخش ابزار حفاری، موسوم به RPM، در مجموعه داده‌های بررسی‌شده از مهم‌ترین عوامل اثرگذار بر عملکرد حفاری بوده است.

در مرحله بعد، مدل‌های پیش‌بینی با الگوریتم بهینه‌سازی چندهدفه NSGA-III ترکیب شدند تا شرایطی شناسایی شود که ضمن افزایش سرعت حفاری، گشتاور و انرژی مکانیکی ویژه را کاهش دهد.

نتایج مدل‌سازی نشان داد در یکی از چاه‌های بررسی‌شده، امکان افزایش بالقوه ۶۸.۴ درصدی سرعت حفاری، همراه با کاهش ۴۱.۲ درصدی گشتاور و کاهش ۱۷.۹ درصدی انرژی مکانیکی ویژه وجود دارد.

در چاه دیگری نیز مدل، افزایش بالقوه ۶۶.۹ درصدی سرعت حفاری و کاهش ۵۹.۶ درصدی گشتاور را برآورد کرده است. در مقابل، برای چاهی که شرایط اولیه حفاری آن به وضعیت بهینه نزدیک‌تر بوده، افزایش پیش‌بینی‌شده سرعت تنها ۲.۷ درصد گزارش شده است.

این تفاوت نشان می‌دهد که شرایط زمین‌شناختی، ویژگی‌های هر چاه و وضعیت اولیه عملیات، نقش تعیین‌کننده‌ای در میزان بهبود قابل دستیابی دارند.

البته باید تأکید کرد که ارقام یادشده، نتایج پیش‌بینی و مدل‌سازی محاسباتی هستند و هنوز نباید آن‌ها را به‌عنوان افزایش ثبت‌شده در عملیات واقعی حفاری معرفی کرد. بر اساس گزارش‌های منتشرشده، اعتبارسنجی پیشنهادهای این مدل در شرایط میدانی، گام بعدی توسعه این رویکرد خواهد بود.

انتشار پژوهش در نشریه علمی مهندسی

نتایج این مطالعه در نشریه علمی Results in Engineering منتشر شده است. این پژوهش با ترکیب سه رویکرد پیش‌بینی داده‌محور، تفسیرپذیری نتایج و بهینه‌سازی چندهدفه، تلاش می‌کند فاصله میان تحلیل داده‌های حفاری و تصمیم‌گیری مهندسی را کاهش دهد.

اهمیت این رویکرد در آن است که مدل صرفاً به پیش‌بینی وضعیت حفاری محدود نمی‌شود، بلکه می‌تواند ترکیب‌های متفاوتی از وزن وارد بر مته، سرعت چرخش ابزار و دبی سیال حفاری را نیز ارزیابی کند تا شرایط مناسب‌تری برای عملیات پیشنهاد دهد.

با این حال، تعمیم نتایج به سایر سازندهای زمین‌شناختی، مستلزم تنظیم و اعتبارسنجی بیشتر مدل در شرایط متفاوت است. بنابراین، ارزش عملیاتی نهایی این چارچوب به نتایج آزمون‌های میدانی و میزان انطباق پیش‌بینی‌ها با شرایط واقعی حفاری وابسته خواهد بود.

رتبه‌های بین‌المللی دکتر داودی در مهندسی نفت و گاز

این دستاورد پژوهشی در شرایطی مطرح شده است که دکتر شادفر داودی، بر اساس اطلاعات ارائه‌شده در پروفایل او در پایگاه “ScholarlyIndex” (https://scholarlyindex.com/scholars/SI-40d8ded5f855377aaeca29769e352840)، در رتبه‌بندی سال ۲۰۲۶ این پایگاه در چند حوزه تخصصی مهندسی نفت و گاز جایگاه‌های قابل توجهی کسب کرده است.

بر اساس این اطلاعات، رتبه‌های ثبت‌شده برای او عبارت‌اند از:

– مهندسی حفاری چاه‌های نفت و گاز: رتبه ۱۱ جهان و رتبه نخست روسیه.

– شکست هیدرولیکی و تحلیل مخزن: رتبه ۱۴ جهان و رتبه نخست روسیه.

– مهندسی مخازن و روش‌های شبیه‌سازی: رتبه ۲۱ جهان و رتبه دوم روسیه.

– روش‌های تولید نفت و گاز: رتبه ۳۰ جهان و رتبه سوم روسیه.

– روش‌های ازدیاد برداشت نفت: رتبه ۶۲ جهان و رتبه سوم روسیه.

– ذخیره‌سازی دی‌اکسید کربن و برهم‌کنش‌های زمین‌شناختی: رتبه ۱۵۶ جهان و رتبه دوم روسیه.

این رتبه‌ها به حوزه‌های تخصصی مشخص مربوط‌اند و باید مستقل از رتبه‌بندی‌های عمومی دانشمندان تفسیر شوند.

همچنین، بر اساس اطلاعات ارائه‌شده درباره رتبه‌بندی سالانه الزویر ـ استنفورد در سال ۲۰۲۶، داودی برای دومین سال پیاپی در میان ۲ درصد دانشمندان برتر جهان در حوزه انرژی قرار گرفته است. طبق همین اطلاعات، رتبه او ۱۱۷۱ از میان ۳۷۱ هزار و ۹۵۹ پژوهشگر اعلام شده است.

برای بررسی سوابق علمی و استنادی مرتبط با این رتبه‌بندی، می‌توان به “پروفایل پژوهشی دکتر داودی در TopSciNet” (https://topscinet.com/scientist_profile/Davoodi,%20Shadfar/2018/?stype=single_year) و گزارش رسمی مؤسسه “اسکولتک درباره حضور پژوهشگران این مؤسسه در فهرست دانشمندان برتر سال ۲۰۲۵” (https://www.skoltech.ru/en/news/38-skoltech-researchers-featured-2025-ioannidis-list-top-2-scientists-worldwide-based-scopus-indexed-citations) مراجعه کرد.

از ظرفیت علمی تا کاربرد صنعتی

توسعه چنین چارچوب‌هایی می‌تواند زمینه استفاده مؤثرتر از داده‌های عملیاتی در صنعت نفت و گاز را فراهم کند؛ صنعتی که در آن، کاهش زمان حفاری، مدیریت بار واردشده بر تجهیزات و کنترل مصرف انرژی، از عوامل مهم اقتصادی و فنی به شمار می‌روند.

با وجود این، تبدیل نتایج پژوهشی به دستاورد صنعتی نیازمند اعتبارسنجی در میدان، بررسی قابلیت تعمیم مدل به مخازن متفاوت و ارزیابی عملکرد آن در شرایط واقعی است.

پژوهش دکتر داودی نمونه‌ای از تلاش برای پیوند دادن هوش مصنوعی با مسائل تخصصی مهندسی نفت است؛ مسیری که در صورت تأیید نتایج در عملیات میدانی، می‌تواند به توسعه ابزارهای هوشمند برای پشتیبانی از تصمیم‌گیری مهندسان حفاری و افزایش بهره‌وری در صنعت انرژی کمک کند.نکته مهم پیش از انتشار: در گزارش‌های رسانه‌ای، سمت دکتر داودی یکسان درج نشده است؛ ComNews و CNews او را «مدرس ارشد مرکز هوش مصنوعی اسکولتک» معرفی کرده‌اند، درحالی‌که Tech Xplore عنوان «استادیار» را به کار برده است. همچنین، سمت او در دانشگاه پلی‌تکنیک تومسک در منابع بررسی‌شده برای این گزارش مستقلاً تأیید نشد. برای جلوگیری از درج عنوان دانشگاهی نادقیق، در متن از معرفی او به‌عنوان پژوهشگر و عضو مرکز هوش مصنوعی اسکولتک استفاده شده است.