نقش بازیابی حرارتی در استخراج مدرن هیدرو کربن

فرآیندهای بازیابی حرارتی از جمله موثرترین روش ها برای استخراج روغن سنگین، bitumen و هیدروکربن های باقی مانده از مخازن معمولی تخلیه شده است. تکنیک هایی مانند زهکشی گرانش بخار (SAGD)، تحریک بخار چرخه ای (CSS)، و احتراق در مورد تزریق گرما به مخازن پیشرفته برای کاهش ویسکوزیته، به ویژه کاهش سرعت تولید جریان در مناطق سنگین روغن، و یا فشار دقیق جهانی، به خصوص مناطق کنترل دقیق نفت، و دقیق، و در مناطق کنترل دقیق تر از جمله مناطق دقیق تر، و دقیق تر، و دقیق تر، به طور دقیق تر از مناطق سوخت های سوخت های سوخت های سوخت های روغن، و دقیق، و دقیق، به طور دقیق، و دقیق، و دقیق، و دقیق، به طور دقیق، و دقیق، به طور دقیق، و دقیق، به طور دقیق، به طور دقیق، به طور دقیق، به طور دقیق، و یا آلودگی هوا بستگی دارد.

پرونده نظارت بر زمان واقعی در عملیات حرارتی

نظارت بر زمان واقعی بهبود حرارتی را از یک عمل عمدتا تجربی به یک نظم مبتنی بر داده ها تبدیل می کند.با ثبت دما، فشار و جریان داده ها در وضوح زمانی بالا، مهندسان می توانند ناهنجاری هایی مانند کانال بخار، نقاط داغ یا تخریب گاز در عرض چند دقیقه را تشخیص دهند، به جای اینکه این بی مدیا تنظیمات پیشگیرانه را فعال کند - تعدیل نرخ تزریق بخار، بهینه سازی دقیق، و یا نظارت بر درآمد واقعی را کاهش دهد.

آناتومی یک سیستم سنسور هوشمند برای بازیابی حرارتی

یک سیستم سنسور هوشمند مدرن که برای بهبودی حرارتی طراحی شده است بسیار بیشتر از یک کاوشگر منفرد است.این شامل لایه های متعدد سخت افزار و نرم افزار است که در کنسرت کار می کنند.

  • گره های گران شکاف یا در امکانات سطحی که دمای، فشار، سرعت جریان، ترکیب مایع و گاهی اوقات آکوستیک یا خواص الکتریکی را اندازه گیری می کنند، قرار می دهند.
  • واحدهای خرید داده های پرکال که سیگنال های آنالوگ را دیجیتالی می کنند و فیلترینگ اولیه یا فشرده سازی را برای کاهش حجم داده ها انجام می دهند.
  • زیرساخت های ارتباطی - اغلب شبکه های بی سیم، کابل های فیبر نوری، یا شبکه های گسترده ای (LPWAN) - که داده ها را به اتاق های کنترل سطح یا سیستم عامل های ابر منتقل می کند.
  • ماژول های محاسباتی {{FLT:1] که مدل های یادگیری ماشین سبک را اجرا می کنند تا ناهنجاری ها یا پیش بینی شکست ها را در زمان واقعی بدون انتظار پردازش ابر تشخیص دهند.
  • سیستم عامل های تجزیه و تحلیل متمرکز که جمع آوری داده ها از صدها یا هزاران سنسور، الگوریتم های پیشرفته را اعمال می کنند و بینش های عملی را از طریق داشبورد یا هشدار ارائه می دهند.

هر جزء باید در برابر شرایط شدید ضعف مقاومت کند، به عنوان مثال، مسکن های سنسور اغلب از پوشش های داخلکونل یا سرامیک برای مقاومت در برابر خوردگی و دما بالا استفاده می کنند، در حالی که الکترونیک با مدارهای کم انرژی برای گسترش عمر باتری یا تولید انرژی حرارتی طراحی شده اند.

تکنولوژی های سنسور کلیدی در جزئیات

دمای توزیع شده (DTS)

DTS با استفاده از کابل های فیبر نوری به یک سنگ نظارت حرارتی تبدیل شده است.با اندازه گیری Raman یا Brillouin backscatter در طول طول کل طول فیبر نوری، DTS پروفایل های دمای مداوم را در فواصل چند کیلومتر فراهم می کند. این نشان می دهد رشد اتاق بخار، تلفات گرما به Overburden، و ارتباطات بین مولکولی با وضوح فضایی به 1 متر پیشرفت های هیبریدی اخیر که شامل یک تصویر جامع تر (ارزیابی همزمان) است.

فشار بالا- ⁇

سنسورهای فشار متعارف بالای 150 درجه سانتیگراد شکست می خورند، اما طرح های جدید بر اساس یاقوت کبود یا سیلیکون-استولاتور (SOI) می توانند به طور قابل اعتماد تا 350 درجه سانتیگراد عمل کنند، این مبدل ها از اصول خازن یا پازوالکتریک استفاده می کنند و الگوریتم های جبران دما را برای حفظ دقت نسخه های بی سیم با برداشت برق ساخته شده از گرما محیط یا لرزش در حال حاضر در حال ظهور هستند، از بین بردن نیاز به تعویض عمیق در باتری به خوبی.

Multi phase Flow ft

اندازه گیری دقیق جریان در بهبودی حرارتی به شدت دشوار است زیرا مایعات تولید شده حاوی بخار، آب، روغن و گاز در نسبت های مختلف است. متر جریان چند فاز هوشمند ترکیب بخش های تهویه، چگالی اشعه گاما و سنسورهای مایکروویو برای نتیجه گیری بخش های فاز فردی بدون جدایی. داده های زمان واقعی از این متر اجازه می دهد تا اپراتورهای به اختصاص تولید از مناطق مختلف، تشخیص یا بهینه سازی استراتژی های فرسایش و آسانسور.

انتقال داده ها و Analytics: از سنسورها گرفته تا تصمیمات

جمع آوری داده های سنسور خام تنها نیمی از نبرد است. حجم تولید شده توسط یک پد SAGD می تواند از چندین ترابایت در سال تجاوز کند تا این معماری مدرن یک رویکرد باند متصل را به کار گیرد، در حالی که میکروکنترلرهای ذخیره شده در حال اجرا در شبکه های عصبی یکپارچه هستند که پروفایل های درجه حرارت را در کمتر از 100 میلی ثانیه طبقه بندی می کنند، مشکلات بالقوه بخار را شناسایی می کنند.50 به طور خودکار داده های ذخیره شده را کاهش می دهند - بنابراین، و فقط در آن ها با استفاده از طریق سیستم های کنترل خودکار پردازش داده های پردازش داده های پردازش داده های پردازش داده های پردازش شده در حال انجام می شوند.

الگوریتم های یادگیری ماشین به ویژه برای تشخیص پیشرفت بخار موثر بوده اند – شرایطی که در آن انگشتان بخار به سرعت به سمت تولید تزریق می شوند، روغن را دور می کنند و باعث از بین رفتن بیش از حد گرما می شوند.دوربین های عصبی آموزش دیده بر فشار و گرادیان دما می توانند پیشرفت 30 تا 60 دقیقه قبل از وقوع آن را پیش بینی کنند و به اپراتورهای زمان برای کاهش نرخ تزریق یا چرخش بخار، به طور مشابه شبکه های عصبی زمان سری باقی مانده را تجزیه و تحلیل می کنند تا اجزای حیاتی را تخمین بزنند.

چالش های بعدی در محیط های هارش

علی رغم وعده های خود، استقرار سنسور های هوشمند در زمینه های بازیابی حرارتی چندین موانع را نشان می دهد. دوام سنسور در دما و فشار بالا، حتی با مواد پیشرفته، بسیاری از اجزای الکترونیکی افزایش پیری بالاتر از 200 ° C، منجر به حرکت و شکست نهایی محققان در حال بررسی سیلیکون (SiCEMS) نیمه هادی ها و سنسورهای حرارتی مبتنی بر M است که تنها می توانند سرعت انتقال انرژی پایدار را تولید کنند.

کیفیت و تفسیر داده همچنین موانع را ایجاد می کند. شرایط هارش نویز و حرکت را معرفی می کند، و نیاز به الگوریتم های کالیبراسیون پیچیده، علاوه بر این، فیزیک پیچیده جریان چند فاز در رسانه های متخلخل، خواستار مدل های بافیایی بالا برای تبدیل تصاویر سنسور خام به پارامترهای قابل اجرا است.

یک مانع برای پذیرش گسترده باقی می ماند.یک تکمیل هوشمند با فیبر نوری DTS، مبدل های فشار و دریچه های کنترل جریان می تواند بیش از 1 میلیون دلار هزینه داشته باشد، با این حال، به عنوان مقیاس تولید و افزایش رقابت، قیمت ها در سال 2023 کاهش می یابد.

مسیر های آینده: شبکه های مستقل و شخصی سازی

نسل بعدی سنسور های هوشمند احتمالاً خودمختاری بیشتری را در خود جای می دهند.[۱۰] شبکه های خود-شنج که می توانند یک گره شکست خورده را شناسایی کرده و مسیرهای ارتباطی دوباره پیکربندی شده را به طور چشمگیری انعطاف پذیری را بهبود بخشد؛ در مقیاس محاسباتی فوق العاده حساس در گره سنسور، با استفاده از مدارهای آنالوگ که بدون بهره برداری از داده های کربنی می توانند به طور بالقوه از مقادیر زیادی از آن بهره برداری کنند.

یکی دیگر از توسعه امیدوار کننده ادغام (FLT:0) دوقلوهای دیجیتال - تکرارهای مجازی از مخزن است که به طور مداوم به عنوان ترکیب داده های سنسور زمان واقعی است، یک دوقلو دیجیتال می تواند صدها سناریو را به طور موازی شبیه سازی کند، شناسایی استراتژی های تزریق بهینه تحت شرایط در حال تغییر. شبکه سنسور تبدیل به سیستم عصبی دوقلو می شود، ارائه بازخورد مداوم برای کنترل اولیه در زمینه 10 - 25٪ نشان داده شده است.

نتیجه گیری

توسعه سنسورهای هوشمند برای نظارت بر زمان واقعی فرآیندهای بازیابی حرارتی از کنجکاوی آزمایشگاهی به یک ضرورت زمینه ای پیشرفته منتقل شده است. ترکیبی از سنجش فیبر نوری توزیع شده، الکترونیک با دمای بالا، محاسبات لبه و یادگیری ماشین اپراتورهای را قادر می سازد تا در داخل مخزن خود با وضوح بی سابقه ای مشاهده کنند.در حالی که چالش های دوام، قدرت و هزینه باقی مانده است، مسیر روشن است: هر سال، سرعت بیشتری را به ارمغان می آورد، و سنسور های انرژی مقرون به صرفه تر در این نقش منابع کربن پایین تر است.

برای مطالعه بیشتر در مورد فن آوری های خاص و مطالعات موردی، منابع خارجی زیر عمق ارزشمندی را فراهم می کنند:

  • [[ویرایش] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۲] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱]
  • [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱]
  • وزارت انرژی تحقیقات بازیابی حرارتی [FLT 1 ]