エネルギーセクターはデジタル変革の途上にあり、現代の人工知能（AI）は上流部門の操業において重要な資産へと進化を遂げています。貯留層特性評価の最適化から掘削リスクの軽減まで、AIは技術的意思決定のための戦力増強要因として機能します。
これらのプロンプトは、ChatGPT、Gemini、Claude、DeepSeekを含む主要な大規模言語モデル（LLM）全体での導入に向けて、厳密にテストされ最適化されています。特定のモデルは固有の強み（例えば、DeepSeekの論理的思考能力やClaudeの大規模な技術的文脈の処理能力など）を示しますが、以下のライブラリは、事務所と現場の両環境における効率性と精度の向上を求める石油技術者に対して、普遍的な基盤を提供します。
1. 履歴整合戦略の最適化
最適モデル： DeepSeek または Claude（複雑な論理ワークフローに対する高い推論能力のため）。
履歴整合は、反復的で時間がかかることで悪名高い作業です。このプロンプトを使用して、不一致パラメータに基づく構造化された感度分析計画を生成します。
シニア貯留層シミュレーション技術者として行動してください。私は[砂岩/炭酸塩]貯留層で[水/ガス]駆動機構を用いた履歴整合を行っています。シミュレーションモデルは現在、圧力データはよく一致していますが、井戸[X、Y、Z]のブレークダウン段階における含水率を大幅に過小評価しています。
相対浸透率曲線と帯水層流入パラメータに基づき、水の突破遅延の原因となるパラメータを特定するための段階的な感度分析戦略を提案してください。影響の可能性が高い順にパラメータをランク付けし、相対浸透率の端点（Krw、Kro）と指数値に対する具体的な調整を提案してください。
利点： 特定の不一致症状に合わせて調整されたパラメータの優先順位リストを提供することで、試行錯誤の段階を劇的に削減します。
2. 掘削流体プログラムの設計
最適モデル： ChatGPT（化学的特性と操業上の制約を総合するのに汎用的）。
泥水プログラムの作成には、抑制性、レオロジー、コストのバランス調整が必要です。このプロンプトは、困難な地層に対する堅牢な流体システムの概要作成を支援します。
掘削流体スペシャリストとして行動してください。膨潤・崩壊しやすい反応性シェール層を通過する斜め坑区間（角度[X]度）の予備的泥水プログラムが必要です。推定ボトムホール温度は[X]度摂氏です。
抑制性と孔内洗浄を最大化する水ベース泥水（WBM）の処方を推奨してください。主要な添加剤（抑制剤、増粘剤、濾過制御剤）と推奨濃度範囲をリストアップしてください。差圧付着に関する簡潔なリスク評価と、提案される緩和策を含めてください。
利点： 泥水系設計の包括的な出発点を生成し、すべての重要な化学的相互作用と孔壁安定性リスクが早期に対処されることを保証します。
3. 減退曲線分析（DCA）解釈の自動化
最適モデル： DeepSeek（数学的論理とパターン認識において優れた性能）。
AIは標準的なDCAソフトウェアに取って代わることはできませんが、生産履歴に基づいて双曲線フィットと指数フィットを提案し、あなたの論理を検証することができます。
生産技術者として行動してください。私は破砕されたタイトオイル井戸の生産データを持っています。データは、初期の高い減退率を示し、その後境界支配流動への遷移が見られます。
この流動様式に対して、修正Arps双曲線減退モデルとStretched Exponential Production Decline（SEPD）モデルの使用に関する理論的含意を分析してください。どちらのモデルがより保守的な推定最終回収率（EUR）をもたらす可能性が高いかの数学的根拠を提供し、長期予測における過大評価を避けるために'b-factor'をどのように制約すべきかを説明してください。
利点： 埋蔵量推定方法論に関する理論的な「セカンドオピニオン」を提供し、非在来型鉱区におけるEURの過大評価という一般的な落とし穴を防ぐのに役立ちます。
4. 水中ポンプ（ESP）故障のトラブルシューティング
最適モデル： Claude（詳細な技術的文脈の処理と複雑なシステムの診断に優れている）。
坑内故障の迅速な診断は、生産の早期回復につながります。このプロンプトは診断チェックリストとして機能します。
人工リフト技術者として行動してください。高GOR井戸のESPが『アンダーロード』でトリップしました。トリップ前の吸入圧力チャートは周期的な「のこぎり歯」パターンを示しています。駆動周波数は[X]Hzに固定されています。
記載された電流値と圧力特性に基づいて、この故障の最も可能性の高い原因（例：ガスロッキング、ポンプオフ、シャフト破損）を診断してください。根本原因を確認するためのトラブルシューティング手順を概説し、再起動時に井戸を安定させるための可変速駆動装置（VSD）に対する3つの具体的なパラメータ変更を提案してください。
利点： 人工リフト故障の根本原因分析を加速し、生産遅延を最小限に抑え、繰り返しのトリップを防止します。
5. PVT状態方程式回帰戦略の生成
最適モデル： Gemini（多変数データの概念と総合化を扱うのに強い）。
状態方程式（EOS）の調整は、正確なシミュレーションにとって重要です。このプロンプトは回帰アプローチの構造化を支援します。
PVTスペシャリストとして行動してください。揮発性油サンプルのPeng-Robinson状態方程式モデルを調整する必要があります。実験室データには、CCE（定組成膨張）実験とDLE（微分脱離）実験が含まれています。
回帰戦略を概説してください。重質分画（C7+）と軽質分画のどちらに対して、どの成分特性（Tc、Pc、Omega、またはVolume Shift）をグループ化して回帰すべきかを指定してください。熱力学的整合性を維持しながら、まず飽和圧力、次に液体密度とGORを一致させるための操作順序を説明してください。
利点： EOS調整ワークフローを形式化し、シミュレーション流体モデルが物理的に整合性があり、計算的に安定していることを保証します。
6. 穿孔作業のためのHSEリスク評価作成
最適モデル： Claude（安全プロトコルと専門的文書作成に対する微妙な理解）。
安全文書は絶対条件です。このプロンプトは、厳格な作業安全分析（JSA）の基盤を作成します。
掘削・坑井完成HSEマネージャーとして行動してください。高圧海洋リグでのワイヤライン穿孔作業に対する具体的なリスク評価と作業安全分析（JSA）を作成してください。
以下の3つの重大な危険に焦点を当ててください：1) 無線沈黙失敗による意図しない爆発、2) 孔内挿入中の圧力制御装置（PCE）の故障、3) ガン組立中の落下物。それぞれについて、API RP 67規格で要求される『潜在的な結果』、『初期リスク評価』、具体的な『管理措置』を提供してください。
利点： 業界標準に沿った高コンプライアンスの安全文書草案を生成し、何時間もの事務作業を節約します。
7. 増進原油回収法（EOR）スクリーニング
最適モデル： ChatGPT（幅広い知識の検索と比較分析に優れている）。
EORへの適合性について貯留層をスクリーニングするには、油田特性と回収方法を一致させる必要があります。
貯留層技術者として行動してください。私は成熟油田の増進原油回収法（EOR）をスクリーニングしています。貯留層パラメータは以下の通りです：深度[X]フィート、浸透率[X]mD、原油粘度[X]cP、温度[X]°C。地層水の塩分濃度は高く（[X]ppm）。
これらの特定のパラメータに対して、ポリマーフラッディングとCO2混相フラッディングの技術的実現性を評価してください。高塩分濃度と温度制約を考慮して、各手法の長所、短所、致命的欠陥を強調した比較表を作成してください。
利点： 実行不可能な回収方法を迅速に除外し、技術者が最も有望なEOR技術に絞って実現可能性調査に集中できるようにします。
8. 裸孔検層異常の解釈
最適モデル： DeepSeek または Gemini（地質学的論理を相互参照できる能力）。
検層データが曖昧な場合、AIは地質学的仮説を提供できます。
岩石物理学者として行動してください。私はシェーリー砂岩層序の裸孔検層を分析しています。密度孔隙率が中性子孔隙率よりも著しく高いが、ガンマ線も高い（シェールを示唆）という『クロスオーバー』効果を観察しています。
この特定の検層特性に対する3つの地質学的または鉱物学的説明（例：重鉱物の存在、ガス効果によるマスキング、緑泥石対イライトなどの特定の粘土鉱物タイプ）を提案してください。岩相を確認するための追加の検層ツールまたはコア分析試験を1つ推奨してください。
利点： 標準的な解釈モデルが「ガスクロスオーバー」や「不良孔」と誤解する可能性のある、複雑な岩相やツールのアーティファクトの特定を支援します。
9. 油田開発のための経済的感度分析
最適モデル： Gemini（財務モデリングのための変数構造化に効果的）。
プロジェクト経済性は変動する入力値に依存します。このプロンプトは、CAPEX/OPEXストレステストの構造を整えます。
石油経済学者として行動してください。私たちは、CAPEXが$[X]百万ドルのグリーンフィールド海洋開発プロジェクトを評価しています。
スパイダー図感度分析の構造を作成してください。NPVとIRRに通常最も大きな影響を与える上位5つの変数（例：原油価格、1井戸あたりの掘削日数、施設稼働率）を特定してください。各変数について、現在の業界の変動性に基づいて合理的な不確実性範囲（+/- %）を定義し、これらの感度を投資関係者にどのように提示すべきかを説明してください。
利点： 経済モデルが最も重要な財務ドライバーを考慮に入れることを保証し、より堅牢な最終投資決定（FID）につながります。
10. ケーシング設計のバースト・コラプス検証
最適モデル： DeepSeek（工学的制約と荷重ケースに対する精密性）。
ケーシング設計論理の検証は、最悪ケースシナリオ下での坑井健全性を保証します。
掘削技術者として行動してください。私は[X]フィートTVDに設置される9-5/8インチ中間ケーシングストリングの設計を検証しています。
API 5C3規格を満たすために、バーストとコラプスの両方に対して計算されなければならない必須の荷重ケースをリストアップしてください。具体的に、「循環喪失を伴うガスキック」荷重ケースに関する内部および外部圧力プロファイルの仮定を詳細に説明してください。ケーシングシューにおける結果的な差圧を計算するための公式の概念を提供してください。
利点： 技術的安全策として機能し、ケーシング設計段階で重要な荷重ケースが見落とされないことを保証します。
プロのヒント：技術的精度のための文脈注入
これらのモデルを最大限に活用するには、文脈注入を実践してください。単に「詰まりパイプをどう直すか？」と尋ねるのではなく、特定の孔内形状、BHA（ボトムホールアセンブリ）構成、および事故に至る一連の事象を注入してください。
例： 「私は[深度]で詰まっています。BHAには[ツールリスト]が含まれます。トルクが急上昇したとき、私たちは[スライディング/回転]していました。現在の循環圧は[圧力]です。これに基づいて、詰まりメカニズムを判断してください。」
この生データを提供することで、AIは検索エンジンのようにではなく、あなたと共にドッグハウスに座っているシニア技術コンサルタントのように機能することができます。
石油工学へのAI統合は、技術的判断を置き換えることではなく、それを増強することです。これらのプロンプトを利用することで、計算上および管理上の重労働を合理化し、高価値な貯留層管理を定義する複雑な意思決定のための精神的余裕を生み出します。より機敏でデータ駆動型の操業を構築するために、今日からこれらのワークフローの実装を開始してください。