Öljy- ja kaasuteollisuus on historiallisesti luottanut laskukäyräanalyysiin (DCA) arvioidakseen tulevaa hyvin tuotantoa ja ohjatakseen varastonhallintapäätöksiä. Perinteiset menetelmät vaativat analyytikoita manuaalisesti suunnittelemaan tuotantotietoja, valitsemaan laskumalleja ja iteratiivisesti mukauttamaan parametreja. Prosessi ei ole vain aikaa vievä vaan myös altis ihmisen harhalle ja virheille. Tekoälyn ja koneoppimisen viimeaikaiset edistysaskeleet (ML) muuttavat tätä työvirtaa automatisoimalla laskukäyrän asentamisen, mikä mahdollistaa nopeammat, tarkemmat ja skaalautuvat tuotantoennusteet.

Mikä on automaattinen alasajokäyrän sovittelu?

Automatisoitu laskukäyrän asennus soveltaa AI- ja ML-algoritmeja historiallisiin tuotantotietoihin, jotta voidaan tunnistaa optimaalinen laskumalli ja parametrit ilman jatkuvaa ihmisen valvontaa. Järjestelmä syö raakatuotantonopeutta, painetietoja ja toimintatapahtumia, sitten iteratiivisesti testata useita laskumalleja.Näin voidaan esimerkiksi testata Arps hyperbolic, eksponentiaalinen, harmoninen tai kehittyneempiä malleja, kuten venytetty eksponentiaalinen tai logistinen. Ja valitsee parhaan sopivan käyttäen objektiivisia virhemittareita. Toisin kuin manuaalinen asennus, automatisoidut järjestelmät voivat arvioida satoja ehdokasmalleja hyvin ja säätää ohumpia malleja, dataaukkoja ja virtausjärjestelmän muutoksia.

Nämä algoritmit yhdistävät usein perinteisiä kaarre-sovitustekniikoita hermoverkkoihin tai kaltevuusparannus, jolla voidaan kaapata epälineaarisia suhteita. Esimerkiksi toistuva hermoverkko (RNN) voi oppia aikasarjan tuotantotiedoista ja ennustaa laskutrajektoreita, jotka selittävät monimutkaisia säiliön käyttäytymistä. Tuloksena on vankka, toistettavissa oleva ennusteprosessi, joka tuottaa johdonmukaisia tuloksia tuhansien kaivojen läpi.

Tekoälyn ja koneoppimisen keskeiset edut

Tarkkuuden lisääntyminen

Algoritmeilla voidaan käsitellä monimutkaisia monimuuttujasuhteita, jotka perinteinen manuaalinen asennus usein unohdetaan. Sisällyttämällä muuttujat kuten pohjareikä paine, viimeistelyparametrit, ja kompensoimalla hyvin häiriöitä, ML algoritmit tuottavat laskukäyriä, jotka heijastavat paremmin todellinen säiliön dynamiikka. [Tutkimukset ovat osoittaneet, että automaattinen DCA vähentää ennustevirhe 20.40% verrattuna manuaalisiin menetelmiä[, erityisesti epätavanomaisissa säiliöissä, joissa monivaihevirta ja transientti käyttäytyminen hallitsevat.

Aikatehokkuus

Mitä pieneen salkkuun kerran kului päiviä tai viikkoja, voidaan nyt tehdä tunnissa. Automaattiset järjestelmät käsittelevät raakadataa, puhdistavat sitä, sopivat mallit ja tuottavat raportteja mahdollisimman vähäisellä käyttäjävuorovaikutuksella. Tämän kiihdytyksen ansiosta insinöörit voivat käyttää enemmän aikaa tulosten tulkitsemiseen ja strategisten päätösten tekemiseen sen sijaan, että tekisivät toistuvia manuaalisia muutoksia.

Johdonmukaisuus ja objektiiveja

Ihmisanalyytikot usein ottaa käyttöön hienovaraisia ennakkoluuloja.Suosivat tuttuja malleja, liikaa korjaavaa melua tai huomiotta varhaisen datan. Koneoppimisen algoritmeja sovelletaan samoja matemaattisia kriteerejä jokaiseen kaivoon, tuottaa vertailukelpoisia ennusteita, jotka ovat vailla subjektiivista tulkintaa. Tämä johdonmukaisuus on erityisen arvokasta arvioitaessa omaisuuden salkkuja eri joukkueissa tai alueilla.

Skaalattavuus omaisuuserien eri portfolioissa

Automatisoitu järjestelmä voi samanaikaisesti analysoida tuhansia kaivoja, joista jokaisella on tuhansia päivittäisiä tietueita. []Pilvipohjaiset arkkitehtuurit mahdollistavat rinnakkaiskäsittelyn kokonaisten altaat minuuteissa[], jolloin yritykset voivat päivittää ennusteita kuukausittain tai jopa viikoittain uusien tietojen saavuttua. Tämä skaalautuvuus tukee salkun optimointia, budjetointia ja varausraportointia ennennäkemättömillä nopeuksilla.

Mukautuva oppiminen ja jatkuva parantaminen

ML-malleja voidaan kouluttaa uudelleen, kun saadaan uutta tuotantotietoa, jonka avulla ne voivat sopeutua muuttuviin varastoolosuhteisiin, stimulointivaikutuksiin tai laitoksen asettamiin rajoituksiin. Malli, joka alun perin ennakoi hyvin pienenemisen, voi itse korjata muutaman kuukauden todellisen tiedon jälkeen. Tämä suljettu oppiminen takaa ennusteiden tarkentumisen koko käyttöomaisuuden elinkaaren ajan.

Vaikutus operatiiviseen päätöksentekoon

Automatisoitu laskukäyrän asentaminen syöttää suoraan keskeisiin operatiivisiin työvirtoihin. Tuotantoinsinöörit käyttävät lähes reaaliaikaisia ennusteita tunnistaakseen huonosti suoriutuvat kaivot, jotka voivat hyötyä interventiosta. Olipa kyse keinohissin optimoinnista, uudelleenkäynnistyksestä tai ylityöstä. []Arviointiin osallistuvat konservointi-insinöörit luottavat yhdistettyihin laskusuuntauksiin parantaakseen varastomalleja, jakaakseen tuotantomääriä ja suunnitellakseen porauskampanjoita [. Taloudellisella puolella nopeammat ja tarkemmat ennusteet parantavat kassavirtaennusteita, vähentävät varantojen arviointia koskevaa epävarmuutta ja tukevat sääntelyn noudattamista SEC:n kaltaisten elinten kanssa.

Lisäksi integroituminen IoT-antuureihin ja SCADA-järjestelmiin mahdollistaa automaattisen DCA-järjestelmän hälytyksen käynnistämisen, kun todellinen tuotanto poikkeaa merkittävästi ennustetusta laskusta. Tämä varhaisvaroitusjärjestelmä auttaa operaattoreita minimoimaan tulonmenetykset ja ylläpitämään optimaalisia palautumiskertoimia.

Haasteet ja näkökohdat

Hyödyistään huolimatta automaattinen laskukäyrän asennus ei ole ihmelääke. Tietojen laatu on edelleen suurin haaste. Epätäydellinen, meluisa tai väärin merkitty tuotanto-aineisto voi johtaa harhaan ML-algoritmeja, jotka tuottavat epärealistisia käyrät. Vahva tietojen esikäsittely. Myös outlier-tunnistus, aukon täyttäminen ja normalisointi on välttämätöntä ennen kuin mikään automaattinen asennus alkaa.

Mallin tulkintakelpoisuus on toinen huolenaihe. Monet korkean tarkkuuden ML-mallit, kuten syvät hermoverkot, toimivat ...mustana laatikona, ...joten insinöörien on vaikea ymmärtää, miksi tietty laskupolku valittiin. []Ala on yhä enemmän ottamassa käyttöön selitettäviä AI (XAI) -tekniikoita[, jotka tarjoavat tärkeitä tuloksia ja osittain riippuvaisia tonteista rakentaa luottamusta automaattisiin lähtöihin.

Lopuksi, organisaatiomuutosten hallintaa ei voida jättää huomiotta. Siirtyminen luotetuista manuaalisista prosesseista automatisoituihin järjestelmiin edellyttää koulutusta, työnkulun uudelleensuunnittelua ja kulttuurista siirtymistä datalähtöiseen päätöksentekoon. Sekä teknologiaan että ihmisiin investoivat yritykset hyötyvät eniten automaation avulla.

Reaalimaailman sovellukset ja tapaustutkimukset

Useat suuret operaattorit ovat raportoineet merkittäviä voittoja automaattisten DCA. Yksi Permian Basin operaattori otti käyttöön pilvipohjaisen ML-alustan analysoidakseen yli 5 000 vaakakaivoa. Järjestelmä vähensi kuukausittaisten reserviraporttien tuottamista kolmesta viikosta kahteen päivään, ja lisäsi ennusteiden tarkkuutta 18 prosentilla verrattuna manuaaliseen asentamiseen. Toinen riippumaton operaattori käytti automatisoitua DCA-järjestelmää osana Bakkenin muodostusta varten integroitua digitaalista kaksosta, mikä mahdollisti reaaliaikaisen hyvin priorisoinnin ja vähensi suunnittelematonta alasajoaikaa 12%.

Palveluyritykset myös upottavat automatisoidun DCA-järjestelmän kaupallisiin sovelluksiinsa. Esimerkiksi Smith Internationals digitaalinen analytiikkasarja[ tarjoaa automaattisen laskukäyrän asentamisen moduulina laajemman varastonhallintajärjestelmän sisällä. Näiden työkalujen avulla operaattorit voivat yhdistää laskuennusteet talousmalleihin, riskianalyysiin ja skenaariosuunnitteluun yhdessä käyttöliittymässä.

Automatisoitujen kaarianalyysien tulevaisuus

Seuraava raja-alue on integroitu syvemmälle vierekkäisiin teknologioihin. []Yhdistämällä laskuennusteet koneoppimiseen valmistumissuunnittelun tietojen [ avulla voidaan ennustaa malleja, jotka optimoivat tulevaisuuden kaivot jo ennen kuin niitä porataan. Integraatio reaaliaikaisen tuotannon seurannan ja reunalaskennan avulla laskukäyrät voivat säätää dynaamisesti tapahtumien ilmaantuessa, esimerkiksi automaattisesti uudelleenkalibroimalla työnteon tai putkiston sulkemisen jälkeen.

Toinen lupaava suunta on fysiikan tietoisten hermoverkkojen (PINN) käyttö, jotka upottavat varastofysiikan suoraan koulutusprosessiin. Nämä mallit voivat tuottaa fyysisesti johdonmukaisia laskukäyriä myös niukasta datasta, mikä kurvaa data-lähtöisten ja fysiikkapohjaisten lähestymistapojen välistä kuilua. Lisäksi pilvikustannusten pienentyessä pienet toimijat pääsevät käyttämään yritysmittakaavaisia DCA-valmiuksia ohjelmistopalvelun (SaaS) kautta.

Lopulta automaattisesta laskukäyrän asentamisesta tulee digitaalisen öljykentän vakiokomponentti, joka syöttää saumattomasti automaattisiin reserviraportteihin, tuotannon optimointiin kojelautaan ja yrityssuunnittelujärjestelmiin. Näitä työkaluja nykyään ottavat yritykset rakentavat kilpailuetua tarkkuudessa, nopeudella ja ketteryydessä.

Parhaiden käytäntöjen täytäntöönpano

Jotta automaattisen DCA-järjestelmän käyttöönotto onnistuisi, organisaatioiden olisi aloitettava pilottiohjelma, joka keskittyy kaivojen osajoukkoon puhtailla, julkisesti saatavilla olevilla tiedoilla. Näin tiimi voi validoida mallin suorituskyvyn tunnettujen tulosten perusteella ja rakentaa luottamusta ennen skaalautumista. []On ratkaisevan tärkeää ottaa mukaan verkkoalueen asiantuntijat.

Tietoputkistot on automatisoitava siten, että ne syövät uusia tuotantotietueita päivittäin tai viikoittain, ja hallintopolitiikassa olisi määriteltävä, kuinka usein malleja koulutetaan ja validoidaan. Lisäksi tulosten esittäminen intuitiivisten kojelautakuntien avulla, joissa verrataan automaattisia ennusteita manuaalisiin vertailuarvoihin, auttaa sidosryhmiä näkemään arvon ja kannustaa ottamaan sen käyttöön.

Lisäoppimiseen on käytettävissä SPE Digital Energy Technical Section[] -julkaisuja ja julkaistua kirjallisuutta koneoppimisesta öljytekniikan alalla, kuten OnePetro-konferenssipaperit[. Nämä lähteet tarjoavat tapaustutkimuksia, algoritmeja ja suoritusvertailuja automaatiota harkitseville joukkueille.

Automaattinen laskukäyrän asennus AI:n ja ML:n avulla ei ole enää futuristinen konsepti.Se on käytännöllinen, todistettu työkalu, joka tuottaa mitattavissa olevia etuja tarkkuuden, nopeuden, johdonmukaisuuden ja skaalautuvuuden suhteen. Ottamalla tämän teknologian öljy- ja kaasuyhtiöt voivat muuttaa tuotantodatan strategiseksi voimavaraksi, mikä mahdollistaa paremmat päätökset kentän ja johtoryhmän välillä.