نقش هوش مصنوعی در پیش بینی عملکرد بازیابی حرارتی

بررسی بهبود حرارتی در تولید سنگین نفت

بهبود روغن حرارتی (EOR) یک تکنیک سنگ بنای برای استخراج نفت خام و بیتن سنگین است که نمی تواند به طور طبیعی در شرایط مخزن جریان یابد. روش هایی مانند تخلیه با کمک بخار (SAGD)، تحریک بخار چرخه (CSS)، و سیل بخار متکی به تزریق گرما – به طور معمول در شکل بخار – برای کاهش ویسکوزیته نفت و بهبود فرآیندهای تحرک این فرایندها توسط جریان چند مرحله ای، و انتقال مایع پیچیده، و تغییرات غیر مکانیکی، و انتقال آنها.

به طور دقیق پیش بینی عملکرد بازیابی حرارتی - از جمله نرخ تولید، نسبت بخار- نفتی (SOR)، و عامل بازیابی - برای پایداری اقتصادی و روش های شبیه سازی مخزن سنتی حیاتی است، در حالی که قوی، به طور محاسباتی گران است و اغلب نیاز به هفته های کالیبراسیون است.این جایی است که هوش مصنوعی (AI) ارائه می دهد یک جایگزین تحول، فعال کردن پیش بینی های سریع، داده محور است که می تواند به اندازه گیری های جدید در زمان واقعی سازگار شود.

تکنیک های AI برای پیش بینی حرارتی

هوش مصنوعی، به ویژه یادگیری ماشینی (ML) و یادگیری عمیق (DL)، به عنوان یک ابزار قدرتمند برای پیش بینی عملکرد بازیابی حرارتی ظهور کرده است.این مدل ها از داده های زمینه تاریخی، خروجی های شبیه سازی مصنوعی یا ترکیبی از هر دو برای شناسایی الگوهایی که مدل های تحلیلی سنتی به راحتی نمی توانند ضبط شوند، یاد می گیرند.

آموزش عالی برای وظایف بازگشتی

الگوریتم های یادگیری نظارت شده رایج مورد استفاده در پیش بینی حرارتی شامل جنگل های تصادفی، دستگاه های تقویت کننده گرادیان (XGBoost، LightGBM)، و پشتیبانی از جهش معکوس.این مدل ها ویژگی های ورودی مانند دمای تزریق، بهره وری مخزن، اشباع اولیه نفت و تاریخ عملیاتی را برای پیش بینی متغیرهای مداوم مانند تولید نفت تجمعی یا SOR فوری، به عنوان مثال، یک مدل تصادفی جنگل آموزش دیده شده در مورد استفاده از نرخ های تولید روغن SAG کمتر از میزان دقیق می تواند پیش بینی کند.

یادگیری عمیق و شبکه های عصبی در حال حاضر

از آنجا که داده های بازیابی حرارتی به طور ذاتی بر اساس زمان ( پروفیل های دما، کاهش فشار، نرخ تزریق در طول زمان)، شبکه های عصبی مکرر (RNNs) و حافظه کوتاه مدت (LSTM) عملکرد برتر را نشان داده اند. مدل LSTM می تواند توالی های اندازه گیری های روزانه و خروجی پیش بینی پاسخ به مخازن یا ماه های پیش رو را مصرف کند.

شبکه های عصبی کانویال برای داده های فضایی

شبکه های عصبی کانولو (CNNs) به طور فزاینده ای به داده های زمین شناسی و ژئوفیزیکی اعمال می شوند - مانند 3D لرزه، تصاویر مقاومت یا آرایه های به خوبی-log - برای شناسایی ناهمگنی مخزن که بر سازگاری بخار تأثیر می گذارد. A CNN می تواند پیش بینی کند که در آن پیشرفت بخار ممکن است رخ دهد، اجازه می دهد اپراتورهای برای تنظیم پروفایل های تزریقی فعال.

الزامات داده ها و چالش های خط لوله

ساخت مدل های موثر AI برای بهبود حرارتی نیاز به کیفیت بالا، مجموعه داده های نماینده است. حداقل مجموعه داده های قابل دسترس به طور معمول شامل:

• تزریق روزانه و نرخ تولید (روغن، آب، بخار)
• دمای پایین و فشار
• خواص Reservoir (porosity، Permeability، ضخامت پرداخت خالص)
• جزئیات تکمیل (شکاف خوب، فواصل سوراخ)
• خواص مایع (viscosity، چگالی API در شرایط مخزن)

با این حال، بسیاری از میدان های نفتی از داده های کم ارتفاع یا پر سر و صدا رنج می برند (با خرابی ابزار یا خطاهای ضبط دستی باید با استفاده از روش های آگاه دامنه به طور منظم تکان داده شوند، علاوه بر این، توزیع داده ها اغلب غیر ایستگاهی است – تغییرات اهرمی در طول سال ها به عنوان اتاق های بخار رشد می کند و فشار برای حفظ دقت پیش بینی، مدل ها باید به صورت دوره ای آموزش داده شوند یا الگوریتم های یادگیری به روز شده است.

مطالعات موردی: AI در برنامه های بازیابی حرارتی

برای نشان دادن تاثیر دنیای واقعی، یک پروژه SAGD را در شکل گیری مک موریری در نظر بگیرید، مهندسان کانادا از لحاظ تاریخی از یک شبیه ساز محدود-difference استفاده کردند که سه هفته طول کشید تا برای هر پد جدید به خوبی تنظیم و کالیبره شود، پس از استقرار یک مدل سورروgate گرادیان که در خروجی های تاریخی شبیه ساز آموزش داده شده بود، زمان پیش بینی برای یک دقیقه با دقت قابل مقایسه با سرعت چند برابر سرعت کاهش یافته است.

یک برنامه دیگر در یک میدان تحریک بخار چرخه (CSS) در کالیفرنیا رخ داد.یک شبکه LSTM در 15 سال از داده های عملیاتی از 200 چاه آموزش داده شد. مدل پیش بینی شده نرخ های روغن اوج و عمر چرخه، اپراتورهای را قادر به بهینه سازی تعداد چرخه ها در هر چاه و جلوگیری از تزریق بخار غیر ضروری به مناطق تخلیه شده است.

مزایای و محدودیت های پیش بینی های AI-Driven

مزایای کلیدی

• سرعت: مدل های AI هزاران سناریو را در ثانیه ارزیابی می کنند، در حالی که شبیه ساز های مبتنی بر فیزیک نیاز به ساعت یا روز دارند.
• قابلیت بهره برداری: مدل ها را می توان با داده های جدید بدون بازسازی از ابتدا به روز رسانی کرد.
• ] [ AI] روابط و تعاملات غیر خطی را که برای رمزگذاری در معادلات فرم بسته دشوار است، ثبت می کند.
• اندازه گیری قطعی: روش های AI Probabilistic (به عنوان مثال، شبکه های عصبی zi) فواصل اطمینان در مورد پیش بینی ها، کمک به تصمیم گیری های مبتنی بر ریسک فراهم می کند.

محدودیت ها برای در نظر گرفتن

AI یک گلوله نقره ای نیست که تنها در داده های تاریخی آموزش دیده باشد[۳] ممکن است نتواند به طور فزاینده ای به شرایط مخزن ناشناخته یا تغییرات عملیاتی اضافه کند – مشکلی که به عنوان تغییر توزیع کننده آموزش داده می شود [به عنوان مثال، اگر یک الگوی تزریق بخار جدید معرفی شده است که در مجموعه آموزش نیست، پیش بینی های مدل می تواند غیر قابل اعتماد باشد، و یا مدل های پردازش دقیق (IPX) را در مورد تجزیه و پردازش اطلاعات فیزیکی (به طور ایده آل تفسیر می کند.

ادغام با Twins دیجیتال و سنسور IoT

مرز بعدی ترکیب مدل های پیش بینی AI با دوقلوهای دیجیتال - تکرارهای مجازی از دارایی های فیزیکی است که داده های سنسور زمان واقعی را از دستگاه های IoT مستقر در چاه ها، خطوط لوله و بخار ژنراتورهای تزریق دیجیتال برای یک عملیات SAGD می توانند اندازه گیری های حرارتی فیبر نوری (تولید کننده سن، DTS) را به طور خودکار تنظیم کنند و سیستم کنترل انسان به عنوان یک سیستم کنترل خودکار آن را تنظیم کنند.

آزمایش های اولیه چنین سیستم های یکپارچه نشان داده است که تا 15٪ بهره وری حرارتی بالاتر در مقایسه با عملیات برنامه ریزی معمولی است.چالش کلیدی همچنان امنیت سایبری و تاخیر داده ها است؛ با این حال، راه حل های محاسباتی لبه این نگرانی ها را با پردازش داده ها به طور مستقیم در سایت خوب، کاهش می دهد. Fleet سیستم عامل های مدیریت داده مانند Directus به خوبی تنظیم شده اند تا موتورهای پردازش داده ها در هنگام ردیابی داده ها و ردیابی داده ها در هنگام نظارت بر پردازش داده ها در هنگام اجرای پردازش داده ها در هنگام پردازش داده ها در هنگام اجرای پردازش داده ها در هنگام اجرای پردازش داده ها در هنگام پردازش داده ها در هنگام اجرای پردازش اطلاعات پردازش اطلاعات پردازش داده ها در هنگام پردازش اطلاعات در هنگام اجرای پردازش اطلاعات در هنگام پردازش اطلاعات در مسیر های پردازش اطلاعات در هنگام اجرای پردازش اطلاعات در هنگام اجرای پردازش، تنظیم، تنظیم شوند.

دیدگاه های آینده: مدل های ترکیبی فیزیک-AI

محققان فراتر از رویکردهای داده محور خالص به سمت شبکه های عصبی آگاهانه از فیزیک (PINNs) که شامل معادلات تقسیم جزئی حاکم (PDE) جریان گرما و جریان مایع به طور مستقیم به عملکرد از دست دادن شبکه عصبی است. PINN می تواند پیش بینی های سازگار فیزیکی حتی با داده های محدود، و آنها به طور ضمنی به بهبود دقیق عددی که نشان می دهد، نشان می دهد که شبیه ساز می تواند مطابقت با استفاده از تجزیه و تحلیل های حرارتی.

یک جهت امیدوار کننده دیگر یادگیری تقویت کننده (RL) برای کنترل حلقه بسته بهینه است، در این پارادایم، یک عامل RL با شبیه ساز مخزن (یا یک دوقلو دیجیتال) تعامل می کند تا سیاستی را یاد بگیرد که تولید نفت تجمعی را به حداکثر می رساند در حالی که به حداقل رساندن استفاده از بخار، چنین عوامل در معیارهای علمی آزمایش شده و در حال حاضر در مورد داده های میدانی واقعی آزمایش شده است.

در نهایت، دموکرات سازی ابزار AI به این معنی است که اپراتورهای کوچکتر اکنون می توانند از طریق API های ابری یا دستگاه های لبه به مدل های آموزش دیده دسترسی پیدا کنند، و مانع ورود به آن شوند. ابتکارات بودجه دولتی [FLT 1] همچنان به انتشار مجموعه داده های باز و مدل های معیار برای بازیابی حرارتی، تسریع نوآوری در سراسر صنعت ادامه می دهند.

دانلود بازی Key Takeaways

• AI پیش بینی های سریع و دقیق عملکرد بازیابی حرارتی را فراهم می کند که امکان تصمیم گیری و بهینه سازی در زمان واقعی را فراهم می کند.
• مدل های یادگیری عمیق (LSTM، CNN) در ثبت وابستگی های زمانی و فضایی در داده های مخزن برتری دارند.
• استقرار موفق بستگی به کیفیت داده، اعتبار مدل و ادغام با زیرساخت های موجود دارد.
• مدل های هیبریدی فیزیک-AI و دوقلوهای دیجیتال نشان دهنده موج بعدی نوآوری هستند که حتی بهره وری و پایداری بیشتری را نوید می دهند.
• همانطور که تکنولوژی AI بالغ می شود، نقش آن در بهبود حرارتی از یک ابزار پیش بینی شده به یک جزء مرکزی مدیریت میدان مستقل گسترش می یابد.

اپراتورهایی که در ساخت خط لوله های داده قوی سرمایه گذاری می کنند، مدل های AI خاص دامنه را آموزش می دهند و نیروی کار خود را بالا می برند تا مزیت رقابتی قابل توجهی در انتقال به سمت استخراج دقیق تر و پایدار تر نفت به دست آورند.