AI預測地底壓力防堵漏油悲劇 東北大學團隊藉數據守護海洋

為避免類似「深水地平線（Deepwater Horizon）」鑽油平台漏油事件重演，東北大學（Northeastern University）矽谷校區的科學家正運用人工智慧（AI）技術，期能從根本解決石油外洩事故的成因。該校教授 Tehmina Amjad 帶領的電腦科學系研究生團隊，正透過全球油井數據訓練AI，以精準預測地下流體的壓力。

「深水地平線」漏油事件發生於2010年4月20日，是史上最嚴重的環境災難之一。該事故導致11人死亡，並造成2.1億加侖原油洩漏至墨西哥灣海床，持續近三個月。根據美國海岸防衛隊（U.S. Coast Guard）與 Bureau of Ocean Energy Management, Regulation and Enforcement 在2011年的報告指出，水泥障礙失效是這場災難的關鍵肇因。白宮委員會曾警告，若無重大改革，類似災難仍可能發生。

Tehmina Amjad 教授強調，此類災害的風險依然很高。她的研究團隊利用AI及全球油井數據，優化AI模型預測地下流體壓力的能力。這項指標對於石油與天然氣的安全高效開採至關重要。鑽探公司通常透過泵入精確數量的重泥漿來控制地下流體壓力，一旦計算失誤可能導致流體流失、井體不穩或危險的井噴。

目前AI模型雖能計算特定區域的孔隙壓力，但對於新地點的精確建議，仍缺乏足夠信任。Tehmina Amjad 團隊開發了一套雙管齊下的解決方案：一方面利用機器學習從真實數據中歸納模式，另一方面則運用名為 WellBench 的 Python 工具，在需要時生成合成油井數據。來自巴基斯坦的油氣井數據，在 Muhammed Raiees Amjad 的協助下，提供了岩石放射性、電阻率、密度和孔隙度等地下資訊。團隊相信，透過這些數據訓練的預測演算法，將能協助工程師為新油井設計安全的鑽探計畫。

Tiago Monteiro 是東北大學矽谷校區的碩士生，他開發的 WellBench 工具，運用內插法（interpolation methods）生成合成數據。這種機器學習方法能讓演算法在已知數據集中估計未知數據點。該團隊的目標是利用機器學習應用來填補油井數據的空缺，確保鑽探作業更安全、更精確。Tiago Monteiro 表示，無論在中國或印度等任何區域，團隊都能生成相關的合成數據，快速建立機器學習模型，預測最安全的鑽探路徑，大幅降低鑽油作業的潛在環境風險。