صنعت نفت و گاز از لحاظ تاریخی بر تجزیه و تحلیل منحنی کاهش (DCA) برای برآورد تولید و هدایت تصمیمات مدیریت مخازن متکی است. روش های سنتی نیاز به تحلیلگران برای طرح داده های تولید دستی، انتخاب مدل های کاهش و تنظیم پارامترهای تنظیم آن به طور غریزی - یک فرایند است که نه تنها زمان بر کاهش، بلکه مستعد سوگیری و خطا انسان است.

دانلود بازی Auto Decline Curfix چیست؟

منحنی کاهش خودکار الگوریتم های AI و ML را به داده های تولید تاریخی اعمال می کند تا مدل و پارامترهای کاهش بهینه را بدون نیاز به نظارت مستمر انسان شناسایی کند. سیستم نرخ تولید خام، داده های فشار و رویدادهای عملیاتی را مصرف می کند، سپس تست های چند مدل کاهش می یابد - مانند Arps hyperbolic، eatic، هارمونیک، یا مدل های پیشرفته تر مانند کشیده شده یا logistic - و بهترین خطا برای استفاده از سیستم های جریان خودکار و سازگار با استفاده از سیستم های دستی می تواند معیارهای پردازش داده های دستی را تنظیم کند.

این الگوریتم ها اغلب تکنیک های سنتی مناسب با شبکه های عصبی یا تقویت گرادیان را برای جذب روابط غیر خطی ترکیب می کنند، به عنوان مثال، یک شبکه عصبی تکراری (RNN) می تواند از داده های تولید سری زمان یاد بگیرد و پیش بینی کند که مسیرهای کاهش که برای رفتارهای پیچیده مخزن حساب می کنند. نتیجه یک فرایند پیش بینی قوی و قابل تکرار است که خروجی های سازگار را در سراسر هزاران چاه ارائه می دهد.

مزایای کلیدی استفاده از هوش مصنوعی و یادگیری ماشین

افزایش دقت

مدل های AI می توانند روابط پیچیده چند متغیر را که معمولاً دستی سنتی را نادیده می گیرد، با ترکیب متغیرهایی مانند فشار پایین، پارامترهای تکمیل و جبران مداخله خوب، الگوریتم های ML منحنی های کاهشی را ایجاد می کنند که منعکس کننده دینامیک واقعی مخزن است. Studies نشان داده اند که DCients نشان داده است که پیش بینی پیش بینی شده توسط 20-40٪ در مقایسه با روش های دستی [F1، به ویژه در جریان چند منظوره]

قابلیت بهره وری زمان

آنچه که یک بار برای یک نمونه کارها کوچک در روز یا هفته ها طول کشید، اکنون می تواند در ساعاتی تکمیل شود که سیستم های خودکار داده های خام را پردازش می کنند، آن را تمیز می کنند، مدل های مناسب را تمیز می کنند و گزارش هایی را با کمترین تعاملات کاربر ایجاد می کنند.این شتاب به مهندسان اجازه می دهد تا زمان بیشتری را صرف تفسیر نتایج و تصمیم گیری های استراتژیک کنند تا به جای انجام تنظیمات تکراری دستی.

سازگاری و اعتراض

تحلیلگران انسانی اغلب تعصبات ظریف را معرفی می کنند – مدل های آشنا، سر و صدای بیش از حد اصلاح شده، یا نادیده گرفتن داده های اولیه. الگوریتم های یادگیری ماشین همان معیارهای ریاضی را برای هر خوب، تولید پیش بینی های قابل مقایسه که از تفسیر ذهنی آزاد هستند، به ویژه ارزشمند است زمانی که ارزیابی نمونه کارها در تیم ها یا مناطق مختلف.

مقیاس پذیری در سراسر سبد دارایی

یک سیستم خودکار می تواند به طور همزمان هزاران چاه را تجزیه و تحلیل کند، هر کدام با هزاران رکورد روزانه (FLT:0) معماری مبتنی بر Cloud امکان پردازش موازی کل حوضه ها را در عرض چند دقیقه فراهم می کند.[۱۰] ، اجازه می دهد شرکت ها پیش بینی های ماهانه یا حتی هفتگی را به روز کنند، این مقیاس پذیری از نمونه کارها، بودجه و گزارش ها در سرعت های بی سابقه ای پشتیبانی می کند.

یادگیری تطبیقی و بهبود مستمر

مدل های ML را می توان به عنوان داده های تولید جدید در دسترس قرار داد، و به آنها اجازه می دهد تا با تغییر شرایط مخزن، اثرات تحریک و یا محدودیت های امکانات سازگار شوند. مدلی که در ابتدا کاهش بیش از حد پیش بینی شده یک چاه می تواند پس از چند ماه از داده های واقعی خود اصلاح شود.این یادگیری حلقه بسته تضمین می کند پیش بینی دقیق تر در زندگی از دارایی.

تاثیر بر تصمیم گیری عملیاتی-Making

منحنی کاهش خودکار به طور مستقیم به جریان های عملیاتی کلیدی پردازش می کند. مهندسان تولید از پیش بینی های نزدیک به زمان واقعی برای شناسایی چاه های ضعیف که ممکن است از مداخله بهره مند شوند استفاده می کنند - چه از طریق بهینه سازی آسانسور مصنوعی، استراحت یا کاربرات، و یا پیش بینی دقیق تر جریان (FLT:0Reservoir مهندسین وابسته به روند کلی کاهش برای بهبود مدل های مخزن، نرخ های تولید و برنامه ریزی برای کاهش سرعت پردازش پول نقد، و اطمینان بیشتر در پردازش جریان دقیق تر،

علاوه بر این، ادغام با سنسورهای IoT و سیستم های SCADA اجازه می دهد تا DCA خودکار را تحریک کند تا هشدارها را هنگامی که تولید واقعی به طور قابل توجهی از کاهش پیش بینی شده منحرف می شود، این قابلیت هشدار اولیه به اپراتورهای کمک می کند تا از دست دادن درآمد و حفظ عوامل بهبود بهینه بهره مند شوند.

چالش ها و ملاحظات

علی رغم مزایای آن، منحنی خودکار کاهش یک پانادا نیست.کیفیت داده ها تنها بزرگترین چالش است.Incomplete، پر سر و صدا یا به اشتباه ثبت شده رکورد تولید می تواند الگوریتم های ML را گمراه کند، منحنی های غیر واقعی داده های پیش پردازش داده را تولید کند - از جمله تشخیص بیشتر، پر کردن شکاف و سرعت طبیعی - قبل از هر گونه اتصال خودکار ضروری است.

تفسیر مدل یکی دیگر از نگرانی ها است. بسیاری از مدل های ML با ثبات بالا، مانند شبکه های عصبی عمیق، به عنوان "جعبه های سیاه" عمل می کنند، و درک اینکه چرا یک مسیر کاهش خاص انتخاب شده است، دشوار است. صنعت به طور فزاینده ای در حال استفاده از تکنیک های AI قابل توضیح (XAI) است [F:1 که ارائه می دهد نمرات مهم و توطئه های وابستگی به ساخت خروجی خودکار.

در نهایت، مدیریت تغییر سازمانی را نمی توان نادیده گرفت.انتقال از فرآیندهای دستی قابل اعتماد برای سیستم های خودکار نیازمند آموزش، بازطراحی گردش کار و تغییر فرهنگی به سمت تصمیم گیری مبتنی بر داده است. شرکت هایی که در هر دو تکنولوژی سرمایه گذاری می کنند و مردم بیشترین بهره را از اتوماسیون به دست می آورند.

برنامه های کاربردی و مطالعات موردی

چندین اپراتور عمده پس از اجرای خودکار DCA. One Permian Logistics یک پلت فرم ML مبتنی بر ابر را برای تجزیه و تحلیل بیش از 5000 چاه افقی گزارش کرده اند. این سیستم زمان را برای تولید گزارش های ذخیره ماهانه از سه هفته به دو روز کاهش داده است، در حالی که افزایش دقت تا 18٪ در مقایسه با ابزار دستی، یکی دیگر از اپراتورهای مستقل استفاده از DCA خودکار و همچنین بخشی از یک مجتمع دیجیتال یکپارچه برای تشکیل مجدد، اجازه می دهد تا 12٪ زمان واقعی و کاهش یابد.

شرکت های خدمات همچنین DCA خودکار را به برنامه های تجاری خود جاسازی می کنند.برای مثال، مجموعه تجزیه و تحلیل دیجیتال اسمیت ارائه می دهد منحنی کاهش خودکار مناسب به عنوان یک ماژول در یک پلت فرم مدیریت مخزن گسترده تر، چنین ابزار اجازه می دهد تا پیش بینی ها را با مدل های اقتصادی، تجزیه و تحلیل ریسک و سناریو در یک رابط واحد ترکیب کند.

آینده تجزیه و تحلیل خودکار Decline Curve

مرز بعدی برای DCA خودکار در ادغام عمیق تر با فن آوری های مجاور قرار دارد. پیش بینی کاهش با یادگیری ماشین در داده های طراحی تکمیل [ مدل های پیش بینی کننده را قادر می سازد که حتی قبل از اینکه آنها را با نظارت بر تولید زمان واقعی و محاسبات لبه تجزیه و تحلیل منحنی اجازه می دهد منحنی پویا برای تنظیم حوادث به طور خودکار اتفاق بیفتد - برای مثال خاموش کردن کار یا خاموش کردن خط لوله.

یکی دیگر از جهت های امیدوار کننده استفاده از شبکه های عصبی آگاه فیزیک (PINNs) است که فیزیک مخزن را به طور مستقیم به فرآیند آموزش جاسازی می کند، این مدل ها می توانند منحنی های کاهش فیزیکی مداوم را حتی از داده های پراکنده تولید کنند، شکاف بین روش های مبتنی بر داده و فیزیک را تقویت کنند. علاوه بر این، همانطور که هزینه های ابری همچنان به کاهش می رسد، اپراتورهای کوچک دسترسی به شرکت های DCA را از طریق ارائه های نرم افزار (aaS) به دست می رسانند.

در نهایت، منحنی کاهش خودکار تبدیل به یک جزء استاندارد از زمینه نفت دیجیتال، تغذیه یکپارچه به گزارش های ذخیره خودکار، داشبورد های بهینه سازی تولید و سیستم های برنامه ریزی شرکت ها خواهد شد.شرکت هایی که امروزه این ابزارها را اتخاذ می کنند، در دقت، سرعت و چابکی، مزیت رقابتی ایجاد می کنند.

بهترین روش ها

برای اجرای موفقیت آمیز DCA، سازمان ها باید با یک برنامه آزمایشی متمرکز بر یک زیرمجموعه از چاه ها با داده های تمیز و عمومی در دسترس شروع کنند.این به تیم اجازه می دهد تا عملکرد مدل را در برابر نتایج شناخته شده تأیید کند و اعتماد به نفس را قبل از مقیاس سازی ایجاد کند. برای هماهنگ کردن کارشناسان دامنه - مهندسینservoir، شناسان و دانشمندان داده - مدل و اطمینان از تولید است که با انتظارات فیزیکی.

خطوط لوله داده باید خودکار باشند تا سوابق تولید جدید را روزانه یا هفتگی مصرف کنند و سیاست های حکومتی باید مشخص کنند که چگونه اغلب مدل ها دوباره آموزش دیده و معتبر هستند و در نهایت نتایج را از طریق داشبورد های شهودی ارائه می دهند که پیش بینی های خودکار را با معیارهای دستی مقایسه می کنند و به ذینفعان کمک می کند تا ارزش را ببینند و تشویق به پذیرش کنند.

منابع برای یادگیری بیشتر شامل بخش فنی انرژی دیجیتال و ادبیات منتشر شده در یادگیری ماشین در مهندسی نفت، مانند مقالات کنفرانس تک پترورو ، این منابع ارائه مطالعات موردی، الگوریتم ها و معیارهای عملکرد برای تیم های در نظر گرفتن اتوماسیون.

منحنی کاهش خودکار با استفاده از AI و ML دیگر یک مفهوم آینده نگر نیست - این یک ابزار عملی و اثبات شده است که مزایای قابل اندازه گیری را در دقت، سرعت، ثبات و مقیاس پذیری ارائه می دهد.با در نظر گرفتن این تکنولوژی، شرکت های نفت و گاز می توانند داده های تولید را به یک دارایی استراتژیک تبدیل کنند، و تصمیمات بهتری از این زمینه به اتاق وارد کنند.