Al-Ismail, Menhal (2026) Transformer-Based Generative Model for Automated Field Development Planning and Optimization in Hydrocarbon Reservoirs. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF Dissertation_Menhal_Al_Ismail.pdf - Published Version Restricted to Repository staff only until 1 June 2027. Download (12MB)

Arabic Abstract

يُعدّ تحسين تطوير الحقول (FDO) في المكامن الهيدروكربونية مسألة معقدة وتتطلب جهداً حسابياً كبيراً، إذ يستلزم الموازنة بين مواقع الآبار، واستراتيجيات الإنتاج، وعدم اليقين المرتبط بالمكمن، وذلك بهدف تعظيم الأهداف الاقتصادية والفنية. وقد أوجدت التطورات الحديثة في الذكاء الاصطناعي فرصاً جديدة لدعم هذه العملية من خلال الأساليب المعتمدة على البيانات والنماذج التوليدية. ويتناول هذا العمل دور الذكاء الاصطناعي في أتمتة تخطيط تطوير الحقول، مع تطوير نماذج توليدية قائمة على المحوّلات لتحسين مواقع الآبار في المكامن الهيدروكربونية. يبدأ هذا العمل بمراجعة شاملة لأحدث التطورات في التقنيات المعتمدة على الذكاء الاصطناعي لتحسين تطوير الحقول. وتحدّد هذه المراجعة أبرز تقنيات الذكاء الاصطناعي المستخدمة في الأدبيات العلمية السابقة، وتوضّح أدوارها في مختلف مهام تطوير الحقول، كما تكشف الفجوات البحثية الرئيسة المرتبطة بالقابلية للتوسع، والأتمتة، والقدرة على التعميم. وانطلاقاً من هذه الأسس، يستكشف العمل قابلية توظيف الذكاء الاصطناعي التوليدي من خلال تقييم النماذج اللغوية الكبيرة (LLMs) في مهام إدارة المكامن. وباستخدام التعلّم ضمن السياق (In-Context Learning) على بيانات المحاكاة المكمنية، تقيّم الدراسة قدرة نموذج أساسي على التنبؤ بخصائص المكمن، والتنبؤ بالسلوك الإنتاجي، ودعم قرارات تحديد مواقع الآبار. وقد أظهرت هذه الدراسة الأولية الإمكانات الواعدة للذكاء الاصطناعي التوليدي، مع إبراز القيود المهمة للنماذج اللغوية الكبيرة في التعامل مع مسائل تحسين المكامن ذات البنية المكانية المعقدة. وبدافع من هذه النتائج، يطوّر هذا العمل نموذجاً توليدياً قائماً على المحوّلات، صُمم خصيصاً لأتمتة تحسين مواقع الآبار. ويتعلّم الهيكل المقترح من بيانات المحاكاة العددية لتوليد خرائط احتمالية لمواقع الآبار وخرائط تحكم لإعدادات التشغيل، بما يتيح التنبؤ شبه الفوري بخطط التطوير المستقبلية المثلى. وقد تم التحقق من أداء النموذج باستخدام حالات معيارية للمكامن، وأظهر توافقاً قوياً مع نتائج التحسين المستخرجة باستخدام خوارزمية التطور التفاضلي (DE) المقترنة بالمحاكاة العددية كاملة الفيزياء. ثم يمتد هذا البحث إلى مستوى التعلّم عبر مكامن متعددة من خلال تطوير هيكلية محوّل متعددة المكامن (MR-FDO-Transformer) قادرة على التعلّم من نماذج مكمنية مختلفة في الحجم والخصائص ودرجة التعقيد. ومن خلال دمج الترميز المكاني القائم على التقسيم بخطوة وانزياح (patch-and-stride)، والتمثيل المتعدد للخصائص الساكنة والديناميكية، وصياغة دالة خسارة مركبة، يبرهن النموذج على تحسن في القابلية للتوسع والقدرة على التعميم، بما يشمل تطبيقه على مكامن غير مرئية مسبقاً. وبوجه عام، تضع هذه الأطروحة إطاراً تدريجياً مدفوعاً بالذكاء الاصطناعي لأتمتة تخطيط تطوير الحقول، يبدأ من مراجعة الأدبيات العلمية السابقة، والتقييم الاستكشافي للذكاء الاصطناعي التوليدي، وينتهي إلى حلول متخصصة وقابلة للتعميم قائمة على المحوّلات من أجل تحسين عملي وفعّال للمكامن.

English Abstract

Field development optimization (FDO) in hydrocarbon reservoirs is a complex and computationally demanding problem that requires balancing well placement, production strategy, and reservoir uncertainty to maximize economic and technical objectives. Recent advances in artificial intelligence (AI) have created new opportunities to support this process through data-driven and generative approaches. This research investigates the role of AI in automated field development planning and develops transformer-based generative models for well placement optimization in hydrocarbon reservoirs. The research begins with a comprehensive review of recent advancements in AI-based techniques for FDO. The review identifies the main AI techniques applied in the literature, highlights their roles in different field development tasks, and identifies key research gaps related to scalability, automation, and generalization. Building on this foundation, the research explores the applicability of generative AI through an assessment of large language models (LLMs) in reservoir management tasks. Using in-context learning (ICL) on reservoir simulation data, the research evaluates the ability of a foundation model to forecast reservoir properties, predict production behavior, and support well placement decisions. This preliminary investigation demonstrates the promise of generative AI while also identifying important limitations of LLMs in handling spatially structured reservoir optimization problems. Motivated by these findings, the research then develops a transformer-based generative model specifically designed for automated well placement optimization. The proposed architecture learns from numerical simulation data to generate probability maps for well locations and control maps for operating settings, enabling near-instant prediction of optimized future development plans. The model is validated on benchmark reservoir cases and shows strong agreement with optimization results obtained from differential evolution (DE) coupled with full-physics simulation. The research is then extended to a cross-reservoir setting through the development of a multi-reservoir transformer (MR-FDO-Transformer) architecture capable of learning across reservoir models with different sizes, properties, and complexities. By incorporating patch-and-stride spatial encoding, multi-embedding of static and dynamic features, and a composite loss formulation, the model demonstrates improved scalability and generalization, including application to previously unseen reservoirs. Overall, this research provides a progressive development of an AI-driven framework for automated FDO, moving from literature review and exploratory generative AI assessment to specialized and generalizable transformer-based solutions for practical reservoir optimization.