Optimisation du lift de gaz dans l'ère des champs intelligents

Les systèmes de levage de gaz sont une méthode de levage artificielle primaire utilisée dans les ressources en eau profonde et mature à l'échelle mondiale. Le principe est simple : le gaz à haute pression est injecté dans le puits pour réduire la densité de la colonne de fluide, réduire la pression du fond du trou et permettre aux fluides de réservoir de s'écouler à la surface.

L'optimisation traditionnelle repose fortement sur l'analyse nodale et les tests périodiques de puits. Les ingénieurs construisent des modèles à l'état stationnaire et les utilisent pour identifier les taux d'injection cibles, ajuster les étouffements manuellement ou par des changements de consigne dans un système de contrôle distribué (DCS).Cette approche a des limites importantes. Elle suppose des conditions à l'état stationnaire, lutte contre l'incertitude d'écoulement multiphase et ne peut réagir rapidement à des événements transitoires comme le lardage, les déplacements de compresseurs ou la percée d'eau.

L'intégration de l'IA ne consiste pas à remplacer le jugement technique, mais plutôt à l'augmenter par la reconnaissance des modèles surhumains et la vitesse de réaction. Cet article examine les méthodologies spécifiques en cours de déploiement, l'architecture de données requise, les obstacles pratiques de la mise en œuvre sur le terrain, et la valeur commerciale en cours de déverrouillage à mesure que les systèmes de levage de gaz évoluent des actifs optimisés manuellement aux composants intelligents entièrement autonomes du champ pétrolier numérique.

Fondations de la performance du système de levage à gaz

Pour comprendre où l'IA fournit le plus de valeur, il est important de passer d'abord en revue les mesures et la mécanique opérationnelle spécifiques qui définissent les performances de levage de gaz. L'optimisation ne consiste pas seulement à maximiser la production de pétrole; elle nécessite un équilibre entre la production totale de liquides, les coûts d'injection de gaz, les contraintes de retrait des réservoirs et la fiabilité de l'équipement.

Indicateurs de rendement clés pour le télésiège à gaz

Les principaux objectifs techniques de l'optimisation de la levée de gaz sont centrés sur la courbe de performance de la levée de gaz. Cette courbe représente généralement le taux de production d'huile ou de liquide par rapport au taux d'injection de gaz. La réponse classique montre une augmentation initiale de la production à mesure que l'injection commence, suivie d'un aplatissement ou d'un pic, et éventuellement d'un déclin si la surinjection se produit en raison d'une augmentation de la friction dans les tubes.

  • Production Uplift: Le taux d'huile différentiel est attribué à l'injection optimale.
  • Efficience d'utilisation du gaz:[ Le rapport entre le pétrole produit et le gaz injecté, souvent mesuré en pieds cubes standard par baril (scf/bbl).
  • Pression de gaz d'injection:[ Maintenir une pression de collecteur suffisante pour alimenter les soupapes d'injection les plus profondes.
  • Gestion des prélèvements:[ Éviter les prélèvements excessifs qui pourraient entraîner des dommages à la production de sable, à l'aération ou à la formation.

L'optimisation traditionnelle utilise un logiciel d'analyse nodale pour simuler cette courbe. L'ingénieur ajuste manuellement des paramètres comme la coupe d'eau, le rapport gaz-huile (GOR) et l'indice de productivité (PI) sur la base de tests périodiques de puits.

Les limites des flux de travail d'optimisation manuelle

La fréquence des tests de puits dans la plupart des domaines est insuffisante pour maintenir un modèle précis. Un atout peut tester un puits une fois par mois, laissant 29 jours de fonctionnement guidé par des hypothèses. De plus, l'interaction entre puits partageant un collecteur commun est complexe. L'ajustement du taux d'injection d'un puits modifie la pression du collecteur, affectant tous les autres puits dans le système. Ce comportement couplé est difficile à optimiser manuellement.

Architectures d'IA et d'apprentissage automatique pour le télésiège

L'AI appliquée à l'optimisation de l'ascenseur à gaz n'est pas une technologie unique, mais une suite d'architectures d'apprentissage automatique, adaptées à un aspect spécifique du problème.

Apprentissage supervisé pour la modélisation par procuration

Le point d'entrée le plus courant pour l'IA dans le transport de gaz est la création de modèles de remplacement. Au lieu d'utiliser un simulateur physique, un modèle de réseau neuronal ou de l'arbre à gradient est formé sur des données historiques sur le terrain pour prédire les performances du puits.

Une fois formé et validé, ce modèle mandataire sert de substitut à action rapide pour le modèle basé sur la physique. Il peut évaluer des milliers de scénarios "quoi-si" en quelques secondes, identifiant le taux d'injection qui maximise la production dans les conditions d'exploitation actuelles. Un avantage clé est que le modèle apprend implicitement le comportement réel du puits, y compris des nuances comme les effets de température et la dégradation des valves qui sont difficiles à capturer dans une analyse nodale théorique.

Renforcement de l'apprentissage pour le contrôle en boucle fermée

Dans un cadre de RL, un « agent » apprend à prendre des décisions séquentielles en interagissant avec son environnement. Dans le contexte de la levée de gaz, l'environnement est l'installation de puits et de surface. L'agent prend des mesures (ajuster la valve d'injection de gaz) et reçoit une rétroaction sous forme de signal de récompense (p. ex. +1 pour une augmentation du débit d'huile, -1 pour un dépassement d'une limite de pression).

Par exemple, lors d'un événement de luge, un agent RL peut apprendre à réduire temporairement l'injection pour empêcher l'inondation du séparateur, puis à remonter de façon autonome. Ce niveau de contrôle dynamique automatisé est impossible à atteindre avec la logique traditionnelle PID ou la logique fondée sur des règles. Deep Deterministic Policy Gradient (DDPG) et Proximal Policy Optimization (PPO) sont des algorithmes RL communs appliqués dans ce domaine.

Réseaux neuronaux formés en physique (RINP)

Un risque reconnu de modèles purement fondés sur les données est leur tendance à échouer lorsqu'ils sont confrontés à des données en dehors de leur distribution d'entraînement (p. ex., un essai de puits à une nouvelle pression de réservoir inférieure).

Le modèle est pénalisé non seulement pour des inexactitudes par rapport aux données historiques, mais aussi pour des violations des lois physiques comme le bilan massique, l'équilibre de l'élan et l'équilibre énergétique. Le résultat est un modèle hybride qui combine la flexibilité de l'apprentissage machine avec la robustesse de la physique.

Infrastructure de données et intégration des technologies opérationnelles

Le déploiement d'algorithmes d'IA dans un environnement de levage à gaz nécessite un pipeline de données robuste. Le modèle le plus performant est inutile s'il est alimenté par des données caduques, bruyantes ou manquantes. L'infrastructure doit s'étendre du capteur de trou d'aval jusqu'au nuage (ou au bord) et revenir à la vanne de commande.

Acquisition de données à haute fréquence et contrôle de la qualité

La résolution temporelle des données est critique. Les systèmes traditionnels SCADA qui votent chaque minute peuvent manquer la pression transitoire qui précède une limace ou une défaillance de la valve. L'optimisation de l'IA nécessite souvent des données de 1 seconde ou de sous-seconde pour la pression du trou et les débits de surface.

La qualité des données est le plus grand obstacle pratique. La dérive des capteurs, les émetteurs gelés et les décrochages de communication sont courants. Un pipeline d'IA doit comprendre des modules de validation de données automatisées.

Architectures de calcul en nuage

Pour le contrôle en boucle fermée (où l'IA ajuste directement l'étouffement), le modèle doit fonctionner sur site ou sur un périphérique de bord pour assurer des temps de réponse en sous-seconde et un fonctionnement sûr. Le Cloud computing, tout en étant puissant pour la formation de modèles complexes et la réalisation de simulations à grande échelle, introduit des risques de latence et de connectivité inacceptables pour le contrôle en temps réel.

Une architecture commune implique la formation de modèles dans le cloud à l'aide de données historiques, puis le déploiement du moteur d'inférence formé sur un périphérique de bord (comme un IPC robuste ou un RTU intelligent) situé à la tête de puits ou sur la plate-forme.

Intégration numérique jumelée pour la simulation et la validation

Avant qu'une recommandation d'IA ne soit adoptée sur un puits vivant, il est prudent de la tester contre un jumeau numérique. Le jumeau numérique est un modèle de simulation dynamique haute fidélité qui reflète l'état actuel de l'actif physique. L'algorithme d'IA propose un nouveau taux d'injection. Le jumeau numérique simule le résultat, en vérifiant les violations des limites d'exploitation (p. ex. pression maximale du boîtier, débit minimal pour les hydrates) avant que la recommandation ne soit automatiquement actionnée.

Défis et obstacles dans la mise en œuvre sur le terrain

Malgré le potentiel technique évident, le déploiement d'une optimisation des ascenseurs à gaz à l'IA n'est pas sans obstacles importants, autant d'organisation que de technique.

Épuisement des données et étiquetage

Si les données sur le terrain sont abondantes, les données de haute qualité sont rares. Un test de puits permet de mesurer avec précision les débits de phase, mais ces tests sont peu fréquents. Le reste du temps, les débits doivent être estimés ou déduits. La formation d'un modèle supervisé pour prédire le débit d'huile nécessite un ensemble de données robustes de tests de puits. Si le champ a un historique de test limité, construire un modèle précis devient difficile.

Modèle Interpretabilité et ingénierie Trust

Un réseau neuronal peut recommander une augmentation de la pression d'injection, mais si l'ingénieur ne voit pas la raison d'être de cette recommandation, il est peu probable qu'il y ait confiance, surtout si elle contredit son intuition. Il est essentiel de fournir une explication du modèle. Des outils comme SHAP (SHapley Additive exPlanations) et LIME (Local Interpretable Model-agnostic Explaintions) peuvent identifier les variables d'entrée ayant eu l'impact le plus significatif sur la production du modèle, montrant à l'ingénieur les moteurs spécifiques derrière la recommandation.

Intégration avec les systèmes de contrôle hérités

L'intégration d'un moteur d'inférence AI moderne avec ces systèmes nécessite souvent un développement personnalisé de middleware ou d'API. Les protocoles de cybersécurité doivent être strictement suivis pour éviter d'exposer le réseau opérationnel à des vulnérabilités. Le système d'IA doit être conçu comme une couche « consultative » au départ, fournissant des recommandations à l'opérateur dans un tableau de bord, avant de passer à « semi-autonome » (l'opérateur valide) et enfin à « autonome » (fermé) le contrôle.

Impact des entreprises et rendement des investissements

L'investissement dans l'optimisation des ascenseurs à gaz à l'IA se justifie par des améliorations opérationnelles mesurables qui ont une incidence directe sur le résultat.

Facteur de reprise et de reprise de la production

Les opérateurs signalent systématiquement une augmentation de 3 à 8 % de la production totale de liquides à partir de puits de levage à gaz optimisés par l'IA par rapport à l'optimisation manuelle traditionnelle. Cette augmentation provient de l'identification dynamique du véritable taux d'injection optimal, plutôt que de la mise en place d'un point de consigne statique.

Réduction des dépenses opérationnelles

L'optimisation de l'IA réduit directement les coûts d'exploitation. L'optimisation du volume d'injection réduit la quantité de gaz de levage nécessaire, réduisant la consommation de carburant du compresseur. Ce gaz est libéré pour la vente, ajoutant directement des revenus. De plus, l'optimisation automatisée réduit les interventions de puits en empêchant les conditions d'exploitation dommageables, en réduisant la fréquence des workovers et le remplacement des valves.

Performance et fiabilité environnementales

En stabilisant les taux d'injection et de production, l'IA réduit les éruptions et minimise l'évacuation des gaz à effet de serre. Les systèmes optimisés sont intrinsèquement plus sûrs parce qu'ils fonctionnent à des pressions stables avec moins d'événements transitoires.

Trajectoires futures dans le télésiège intelligent

L'intégration de l'IA dans le transport de gaz en est encore à ses débuts. La prochaine vague de développement visera à élargir le champ de l'autonomie et à intégrer l'optimisation du transport de gaz dans une stratégie de gestion plus large du terrain.

Nous nous dirigeons vers un puits entièrement autonome, où le système AI est chargé d'optimiser non seulement le taux d'injection de gaz, mais aussi le choix et l'activation de différentes vannes de levage, le contrôle des étranglements et la coordination avec les opérations de contrôle de puits. Ce niveau d'automatisation est particulièrement attrayant pour les puits sous-marins et les zones côtières éloignées, où l'intervention humaine est coûteuse et difficile.

De plus, les algorithmes AI optimiseront de plus en plus le gaz de levage au niveau du réseau, en conciliant l'allocation de gaz à haute pression limité à des dizaines ou des centaines de puits en temps réel pour maximiser le revenu total du terrain. Il s'agit d'un problème d'optimisation beaucoup plus complexe que l'optimisation à un puits, nécessitant des modèles d'apprentissage de renforcement qui peuvent gérer des centaines de variables de contrôle interagissantes.