2010年4月20日：深水地平線鑽油平台發生漏油事件，11人死亡，2.1億加侖原油洩漏至墨西哥灣
2011年：官方報告指出水泥障礙失效是災難關鍵肇因，白宮委員會警告若無重大改革類似災難仍可能發生
現階段：AI模型雖能計算特定區域的孔隙壓力，但對新地點的精確建議仍缺乏足夠信任
團隊啟動：Tehmina Amjad教授帶領研究生團隊，以全球油井數據訓練AI預測地下流體壓力
工具開發：碩士生Tiago Monteiro開發WellBench工具，以內插法生成合成油井數據補足資料缺口
目標：為新油井設計安全的鑽探計畫，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
為避免類似深水地平線鑽油平台漏油事件重演，東北大學矽谷校區的科學家正運用人工智慧技術，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，對海洋生態造成難以估計的長期傷害。
根據官方在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教授也強調，此類災害的風險依然很高，這正是團隊投入研究的動機。
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，因為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。換句話說，模型在熟悉的區域表現不錯，但面對從未鑽探過的新地點，預測結果還不足以讓工程師放心採納。
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。這種真實數據加合成數據的組合，是突破資料稀缺瓶頸的關鍵設計。
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。這些地質參數是預測地下流體壓力的基礎，數據的品質直接決定了模型的準確度。
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。從被動的事後應變，轉向主動的事前預測，是這項研究最核心的價值。
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，等於為資料稀少的區域補上合理的推估值。
這套方法的另一個優勢是速度。傳統上要取得新區域的地下資訊，需要實際鑽探取得岩心樣本，耗時又昂貴；透過WellBench生成合成數據，團隊可以在短時間內為任何區域建立初步的機器學習模型，大幅縮短前期評估的時間。
從研究分工來看，Tehmina Amjad教授負責整體方向與模型優化，Muhammed Raiees Amjad協助提供巴基斯坦油氣井的地質數據，碩士生Tiago Monteiro則開發出WellBench工具，三人的分工正好對應了真實數據、合成數據與模型訓練三個環節。
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。
從更宏觀的角度來看，這項研究的意義不只在於提升鑽探效率，而是把AI變成環境保護的前線工具。當模型能夠提前預警高風險的鑽探條件，就有機會在悲劇發生之前踩下煞車。
當然，技術從實驗室走向實際鑽探現場還有很長的路要走。模型的預測需要經過更多真實油井的驗證，合成數據的可靠性也需要業界的檢驗。但至少，這條用數據守護海洋的路線，已經有了一個具體的起點。
後續值得關注的，是這套方法能否在更多地區、更多地質條件下證明有效。如果WellBench生成的合成數據真能可靠地補足資料缺口，那麼全球許多資料稀缺的鑽探區域，都可能因此獲得更安全的鑽探規劃。
