نوقشت رسالة الماجستير للباحث بسام عبدالحميد محمد في كلية الهندسة جامعة البصرة قسم هندسة الحاسبات وتحت اشراف الاستاذ المساعد الدكتور وسن عبدالرزاق والي والدكتور مصعب عادل علي بعنوان تقنيات الذكاء الاصطناعي للتنبؤ بالنفاذية باستخدام معلومات اللباب الصخري وقياسات المجسات البئرية وتتضمن 

يتناول هذا العمل تحدي تقدير النفاذية (Permeability) في مكامن الكربونات، والذي يتميز بتعقيد بنيوي مرتفع نتيجة عدم التجانس الشديد في الصخور، إضافة إلى الفجوة بين بيانات سجلات الآبار (Wireline Logs) وبيانات اللباب (Core Data)، وما يصاحب ذلك من تحديات في اكتمال  البيانات وجودتها داخل البيئات الهندسية الواقعية. 
ينطلق الإطار من منظور هندسة حاسوبية متقدمة، حيث تُعامل البيانات الجيولوجية والهندسية كنظام بيانات معقد (Complex EngineeringData System) يتطلب تكامل عمليات تنظيف البيانات، إعادة بنائها، وتحويلها إلى تمثيلات قابلة للتعلم عبر الذكاء الاصطناعي. ويبرز دورهندسة البيانات (Data Engineering) كطبقة أساسية لضمان جودةالبيانات واستقرارها قبل النمذجة.
تعالج المنهجية تحديات رئيسية تشمل فقدان ميزات الوايرلاين باستخدام نماذج تعلم آلة وتعلم عميق (Machine Learning & Deep Learning) لإعادة بناء البيانات المفقودة وتحسين اكتمالها، إضافة إلى تصنيف السحنات الصخرية (Facies / Rock Typing) عبر نماذج هجينة متقدمة(Hybrid Deep Learning Models) لتمثيل أدق للبنية الجيولوجية.
كما يتم دمج خصائص فيزيائية مستخلصة من بيانات اللباب ضمن إطارPhysics-Informed Feature Engineering، مع توظيف تقنياتOptimization متعددة المستويات لتحسين دقة النماذج وتقليل الخطأ عبر مراحل المعالجة. ويتم دعم ذلك بتحليل إحصائي متكامل عبر مراحل Pre-processing وTraining وPost-processing لضبط جودة البيانات واستقرار النتائج.
يعتمد النظام على Multi-Stage Training Pipeline يبدأ باستخدام بيانات MASTER كمرجع أساسي، مع فصل صارم بين التدريب والتشغيل(Leakage-Free Design). يبدأ التدفق بتقدير المسامية، ثم بناء خصائص مشتقة، وصولًا إلى تقدير النفاذية كنموذج أولي.
تُظهر النتائج تحسنًا تدريجيًا عبر المراحل، حيث حقق نموذج الأساس(logkbase) قيمة R² = 0.8991، ثم ارتفع إلى 0.955 بعد مرحلة التحسين الأولى (logkfinal)، وصولًا إلى 0.978 في المرحلة الثانية (logkfinal2)، مما يعكس قوة النمذجة متعددة المراحل.
يتم بعد ذلك تحسين الأداء عبر Residual Learning ودمج القيود الجيولوجية، مع تحسينات تكرارية (Iterative Optimization)، إضافة إلىتمثيل عدم اليقين (P10 / P50 / P90) لدعم القرار الهندسي.
وفي مرحلة النشر، يعمل النظام ضمن بيئة نماذج ثابتة (Frozen Models) مع تطبيق نفس خط المعالجة على بيانات غير موسومة، مما يضمن الاستقرار وإمكانية إعادة الإنتاج.
يمثل هذا الإطار نموذجًا متكاملًا لدمج الذكاء الاصطناعي مع الفيزياء الجيولوجية (Physics-Constrained AI Systems)، لتحويل البيانات المعقدة إلى معرفة قابلة للتفسير تدعم اتخاذ القرار في صناعة النفط والغاز.
كما يحقق هذا الإطار فوائد مالية وفنية مباشرة عبر خفض التكاليف التشغيلية، تحسين الكفاءة الهندسية، وتعزيز أمن البيانات وسرية المعلومات ضمن بيئة تشغيلية موثوقة.