مهدی آقایی؛ پژوهشگر اقتصاد، انرژی و هوشمندسازی صنعت نفت
اقتصاد نفت و گاز، برخلاف تصور رایج، فقط تابع قیمت جهانی نفت نیست؛ بخش بزرگی از سودآوری یا زیان‌دهی شرکت‌های بالادستی در داخل کشور و در دل عملیات رقم می‌خورد.
در زمان حفاری، در کیفیت تصمیم‌های مهندسی، در توقف‌های ناخواسته، در نگهداری تجهیزات و در نحوه مدیریت میادین کهن ایران عزیز. در چنین فضایی، هوش مصنوعی (AI) صرفاً یک فناوری جدید یا «مد روز» نیست؛ یک اهرم اقتصادی برای کاهش هزینه تمام‌شده تولید، افزایش بهره‌وری سرمایه و ارتقای تاب‌آوری صنعتی است.
نکته کلیدی برای ایران این است که برخلاف بسیاری از کشورها، ما از نظر سرمایه انسانی، تجربه میدانی و تنوع داده‌های عملیاتی در صنعت نفت، ظرفیت کم‌نظیری داریم؛ یعنی حتی تحت محدودیت‌های بیرونی، امکان جهش های بسیار عظیم در داخل وجود دارد.
1. صورت‌مسئله: چرا بهره‌وری به مسئله شماره یک تبدیل شده است؟
در بالادست نفت و گاز، سودآوری نهایی تنها در «تولید بیشتر» خلاصه نمی‌شود؛ بلکه در «تولید اقتصادی‌تر» معنا پیدا می‌کند. اگر یک میدان با همان سطح تولید، بتواند هزینه‌های عملیاتی و سرمایه‌ای خود را کاهش دهد، عملاً حاشیه سود افزایش یافته و جریان نقدی پروژه (Cash Flow) تقویت می‌شود. این موضوع در ایران عزیز اهمیت مضاعف دارد؛ زیرا بخشی از چالش‌های صنعت، ناشی از ساختار هزینه، محدودیت‌های تأمین، و پیچیدگی عملیات در میادین بالغ و کهن ما است.
هوش مصنوعی دقیقاً در همین نقطه وارد می‌شود: تبدیل تجربه و داده به تصمیم‌های قابل اتکا و سریع. تصمیم‌هایی که اگر درست گرفته شوند، منجر به موارد زیر خواهند شد:
• کاهش زمان‌های غیرتولیدی (NPT) در حفاری،
• جلوگیری از توقف تولید و افت تولید (Deferment)،
• افزایش ضریب بازیافت (Recovery Factor) با هزینه کمتر،
• و کاهش هزینه تعمیرات اضطراری با نگهداری پیش‌بینانه.
2. چرا AI در نفت «ابزار کاهش هزینه هر بشکه» است؟
هوش مصنوعی در صنعت نفت زمانی ارزش اقتصادی پیدا می‌کند که روی «محرک‌های هزینه» دست بگذارد؛ یعنی نقاطی که بیشترین پول در آنجا خرج می‌شود یا بیشترین پول از دست می‌رود. چند نمونه روشن:
2.1. اقتصاد زمان دکل و حفاری
هزینه حفاری تابع مستقیم زمان و پیچیدگی عملیات است. هر ساعت توقف یا تصمیم اشتباه (مثلاً وزن گل نامناسب، انتخاب نامناسب پارامترهای حفاری یا عدم تشخیص زودهنگام نشانه‌های گیر لوله و غیره) می‌تواند به زنجیره‌ای از هزینه‌ها منجر شود: از افزایش زمان حفاری تا عملیات اصلاحی و حتی عملیات Side Track.
AI با تحلیل داده‌های لحظه‌ای و تاریخی (داده‌های سنسوری، گزارش‌های روزانه، رخدادهای عملیاتی) می‌تواند «هشدار زودهنگام» بدهد و از هزینه‌های بزرگ جلوگیری کند. ارزش اقتصادی این هشدار دقیقاً از جنس بیمه نیست؛ از جنس جلوگیری از یک هزینه قطعی است.
2.2. اقتصاد تولید و توقفات
در میادین کهن، بزرگترین ضربه اقتصادی از توقف تولید و تصمیم‌های دیرهنگام می‌آید. اگر یک چاه به‌دلیل خرابی تجهیزات، افزایش آب‌دهی (Water Cut ) یا مشکلات فرازآوری از مدار خارج شود، فقط هزینه تعمیر مطرح نیست؛ «درآمد از دست‌رفته» هم مطرح است. هوش مصنوعی با مدل‌های پیش‌بینی خرابی و تشخیص ناهنجاری (Anomaly Detection) می‌تواند توقف را به حداقل برساند و زمان واکنش را کوتاه و سریع کند.
2.3. اقتصاد مخزن و بهینه‌سازی توسعه
بسیاری از هزینه‌های سرمایه‌ای (CAPEX) در توسعه میادین، محصول عدم قطعیت هستند: عدم قطعیت در کیفیت لایه مخزنی، اتصال‌پذیری (Connectivity)، رفتار آب/گاز، و پاسخ میدان به سناریوهای تزریق یا تولید. AI، اگر درست در کنار مهندسی مخزن قرار بگیرد، می‌تواند عدم قطعیت را کاهش دهد و از حفاری‌های کم‌بازده یا تصمیم‌های توسعه‌ای پرهزینه جلوگیری کند.
3. مزیت ایران کجاست؟ چرا «ما در داخل» واقعاً غنی هستیم؟
برای بسیاری از کشورها، مانع اصلی هوش مصنوعی «نبود داده» یا «نبود نیروی انسانی» است. ایران، به‌ویژه در صنعت نفت و گاز، در هر دو حوزه ظرفیت قابل توجهی دارد:
1. سرمایه انسانی مهندسی و داده: جامعه بزرگ مهندسان نفت، حفاری، مخزن، فرآیند و برق/ابزار دقیق در کنار نسل پرشمار متخصصان هوش مصنوعی و علم داده در دانشگاه‌ها و شرکت‌های دانش‌بنیان. این ترکیب در منطقه کم‌نظیر است.
2. تجربه عملیاتی گسترده و متنوع: از میادین خشکی تا دریایی، از سازندهای کربناته پیچیده تا پروژه‌های تزریق و فرازآوری؛ همین تنوع، فرصت ساخت مدل‌های بومی و قابل تعمیم ایجاد می‌کند.
3. داده‌های تاریخی و عملیاتی: حجم عظیمی از داده‌های حفاری، تولید، تعمیرات، آزمایش چاه، لاگ‌ها و گزارش‌ها در شرکت‌ها وجود دارد. مسئله اصلی «وجود داده» نیست؛ «قابل استفاده کردن داده» است.
به بیان ساده، ما ماده خام را داریم؛ باید آن را پالایش کنیم تا تبدیل به تصمیم اقتصادی شود.
4. خطای رایج: AI را به‌عنوان پروژه IT دیدن
یکی از دلایل شکست پروژه‌های هوش مصنوعی در صنایع بزرگ (نه فقط نفت) این است که سازمان‌ها آن را به واحد IT می‌سپارند و انتظار «معجزه نرم‌افزاری» دارند. درحالی‌که هوش مصنوعی در نفت، باید مالکیت اقتصادی داشته باشد؛
یعنی:
• یک مسئله اقتصادی روشن تعریف شود (مثلاً کاهش NPT یا کاهش Deferment)،
• یک مالک کسب‌وکار (Business Owner) داشته باشد (مثلاً مدیر حفاری/مدیر تولید/مدیر مخزن)،
• و خروجی به KPI و پول متصل شود.
بدون این اتصال، حتی بهترین مدل‌ها هم تبدیل به داشبوردهای کم‌اثر می‌شوند.
5. پیشنهاد عملی برای شروع در ایران: سه مسیر کم‌هزینه و پربازده
برای اینکه حرکت از «شعار» به «نتیجه» انجام شود، سه نقطه شروع پیشنهاد می‌شود:
1. پروژه‌های کاهش NPT در حفاری (پایلوت روی یک دکل/یک میدان)خروجی قابل اندازه‌گیری و سریع دارد، و تیم‌ها را با ارزش AI آشنا می‌کند.
2. نگهداری پیش‌بینانه تجهیزات کلیدی تولید (چاه/پمپ/تجهیزات سطحی)هدف: کاهش خرابی‌های اضطراری و توقف تولید.
3. یکپارچه‌سازی داده و ایجاد Data Lake حداقلیبدون زیرساخت داده، هیچ مقیاس‌پذیری رخ نمی‌دهد؛ اما لازم نیست از روز اول پروژه عظیم تعریف کرد. یک «هسته داده» برای یک میدان کافی است.
6. جمع‌بندی
اقتصاد نفت ایران برای افزایش تاب‌آوری و سودآوری، بیش از هر چیز به «بهره‌وری» نیاز دارد؛ و بهره‌وری امروزه بدون داده و تصمیم‌سازی سریع ممکن نیست.
هوش مصنوعی، اگر روی مسئله‌های درست و اقتصادی سوار شود، می‌تواند هزینه تمام‌شده تولید را کاهش دهد، توقف‌ها را کم کند و توسعه میدان را کم‌ریسک‌تر سازد.
مهم‌تر اینکه ایران از نظر دانش فنی، تجربه میدانی و ذخیره داده‌های عملیاتی، ظرفیت بسیار بالایی دارد و می‌تواند با اتکا به توان داخلی، مسیر بومی‌سازی و مقیاس‌سازی را پیش ببرد. بخش بعدی این سلسله‌مقالات به یک سؤال کلیدی می‌پردازد: «ارزش پولیِ کاهش عدم قطعیت چیست و چگونه می‌توان آن را در تصمیم‌های توسعه‌ای و حفاری اندازه‌گیری کرد؟»
