جهان انرژی در آستانه یک تحول بنیادین قرار دارد؛ تحولی که دیگر تنها با متههای حفاری و سکوهای عظیم فراساحلی رقم نمیخورد، بلکه در عمق الگوریتمهای هوش مصنوعی و ابررایانههای مقیاس اگزا (Exascale) شکل میگیرد. همکاری جدید اعضای هیئت علمی دانشگاه نیویورک (NYU) با وزارت انرژی ایالات متحده (DOE) در قالب سه پروژه کلیدی “ماموریت Genesis”، نقطهای عطف در استفاده از هوش مصنوعی مولد برای شتابدهی به کشفیات علمی و حل پیچیدهترین چالشهای فیزیکی و شیمیایی است. این رویکرد، صنعت نفت و گاز را از عصر شبیهسازیهای سنتی و کند، به عصر پیشبینیهای لحظهای و دقیق برپایه فیزیک هدایت میکند.
پیوند هوش مصنوعی مولد و محاسبات پیشرفته: ماموریت Genesis چیست؟
ماموریت Genesis وزارت انرژی آمریکا، برنامهای فراملی برای یکپارچهسازی هوش مصنوعی با ابررایانهها است تا روند کشف مواد جدید، بهینهسازی سیستمهای پیچیده و شبیهسازی پدیدههای فیزیکی را سرعت بخشد. تیم تحقیقاتی دانشگاه نیویورک در این پروژه، تمرکز خود را بر توسعه مدلهای پایه علمی (Scientific Foundation Models) معطوف کردهاند. برخلاف مدلهای زبانی مانند ChatGPT که بر اساس متن آموزش میبینند، این مدلها بر پایه قوانین بنیادی فیزیک، ترمودینامیک و مکانیک سیالات آموزش داده میشوند تا بتوانند رفتار پدیدههای پیچیده جهان واقعی را پیشبینی کنند.
تحلیل فنی: چگونه هوش مصنوعی معادلهمحور چالشهای دیرینه نفت و گاز را حل میکند؟
صنعت بالادستی و میاندستی نفت و گاز همواره با معادلات دیفرانسیل غیرخطی سنگین (مانند معادلات ناویر-استوکس برای جریان سیال در محیطهای متخلخل) درگیر بوده است. شبیهسازی یک مخزن پیچیده یا مدلسازی رفتار دینامیک مولکولی سیالات در مقیاس نانو، هفتهها زمان پردازشی بر روی ابررایانهها نیاز دارد. پروژههای NYU این چالش را از سه طریق بنیادین حل میکنند:
- شبیهسازی فوقسریع مخازن با PINNs: با استفاده از شبکههای عصبی مبتنی بر فیزیک (Physics-Informed Neural Networks)، زمان مدلسازی جریانهای چندفازی در محیطهای متخلخل زیرزمینی از چند هفته به چند ثانیه کاهش مییابد. این امر امکان مدیریت دینامیک و لحظهای مخزن (Real-time Reservoir Management) را فراهم میسازد.
- کشف مواد جدید برای مدیریت کربن و هیدروژن: الگوریتمهای هوش مصنوعی NYU میتوانند ساختار ساختارهای فلزی-اورگانیک (MOFs) را برای فرایند جذب و ذخیرهسازی کربن (CCS) و همچنین ذخیرهسازی ایمن هیدروژن مدلسازی و بهینهسازی کنند. این رویکرد، جستجو میان میلیونها ترکیب شیمیایی ممکن را هزاران بار سریعتر میکند.
- بهینهسازی افزایندههای شیمیایی و EOR: در بنبستهای برداشت زیاد از مخازن (EOR)، مدلهای هوش مصنوعی رفتار سورفکتانتها و پلیمرها را در سطح مولکولی پیشبینی کرده و کارایی تزریق را به حداکثر میرسانند.
مقیاس پروژه و شاخصهای کلیدی عملکرد (KPIs)
پروژههای تحت هدایت NYU که با پشتیبانی مالی و زیرساختی دهها میلیون دلاری وزارت انرژی آمریکا اجرا میشوند، دسترسی به ابررایانههای پیشرو جهان مانند Frontier را فراهم کردهاند. بر اساس ارزیابیهای اولیه فنی، استفاده از این مدلهای هوش مصنوعی هوشمند میتواند:
- سرعت شبیهسازیهای عددی سنگین را تا ۱۰۰ تا ۱۰۰۰ برابر افزایش دهد.
- خطای پیشبینی در مدلهای زمینشناسی را تا بیش از ۴۰ درصد کاهش دهد.
- هزینههای رایانشی (Computational Cost) پروژههای بزرگ توسعه میدان را بهشدت تنزل دهد.
چرا این موضوع برای متخصصان نفت و هوش مصنوعی حیاتی است؟
برای مهندسان نفت، این تحول به معنای عبور از مدلهای تجربی و فرضیات سادهکننده است. ترکیب محاسبات ابری، دادههای ژئوفیزیکی حجم بالا (Petabytes) و هوش مصنوعی فیزیکمحور، ابزاری میسازد که به کمک آن میتوان ریسک حفاری در آبهای عمیق یا لایههای شیلی پیچیده را به حداقل رساند.
برای متخصصان هوش مصنوعی نیز این پروژه نشاندهنده یک «تغییر پارادایم» است؛ خروج از دنیای پردازش تصویر و متن و ورود به عرصه هوش مصنوعی صنعتی (Industrial AI) که در آن الگوریتمها باید قوانین تغییرناپذیر فیزیک را رعایت کنند. این همافزایی، مزیت رقابتی بینظیری برای شرکتهای انرژی ایجاد میکند که زودتر از دیگران به سمت زیرساختهای تصمیمگیری الگوریتمی حرکت میکنند.
نتیجهگیری: چشمانداز آینده
ابتکار عمل دانشگاه نیویورک و وزارت انرژی آمریکا در پروژه Genesis، تنها یک دستاورد دانشگاهی نیست، بلکه پیشدرآمدی بر «میدان دیجیتال آینده» است. در سالهای پیشرو، هوش مصنوعی نقشی منفعل در تحلیل داده نخواهد داشت، بلکه به عنوان یک سیستم خودکار در طراحی فرایندهای استخراج، کاهش انتشار گازهای گلخانهای و تسریع انتقال انرژی عمل خواهد کرد. شرکتهایی که امروز مفهوم هوش مصنوعی فیزیکمحور را درک کرده و در فرایندهای خود ادغام کنند، رهبران پرچمدار صنعت انرژی در دهه آینده خواهند بود.
منبع خبر اصلی: New York University
