התפקיד של בינה מלאכותית בחיזוי ביצועי ההתאוששות הירומית

בסביבה הקרובה של Thermal Recovery in Heavy Oil Production

התאוששות שמן מוגברת תרמית (EOR) נותרה טכניקה אבן הפינה של תמצית גס כבד ו bitumen כי לא יכול לזרום באופן טבעי בתנאי המאגר.שיטות כגון ניקוז כוח הכבידה אדים (SAGD), גירוי קיטור מחזורי (CSS), ושיטפונות קיטור קיטור מסתמכים על הזרקת חום - באופן זמני בצורת קיטור - כדי להפחית את הסטיות שמן ולשפר את התהליכים האלה נשלטים על ידי זרימה מסיבית וזרימה, תוך כדי שינוי גיאוגרפי מורכב, באופן לא טהור, וזרימה, באופן חד-כיבית.

באופן צפוי ביצועים של התאוששות תרמי - כולל שיעורי הייצור, יחס שמן קיטור (SOR), וגורם התאוששות - הוא קריטי עבור אחריות כלכלית ותכנון תפעולי. שיטות סימולציה של המאגר המסורתי, בעוד חזק, הם יקרים חישובי ולעתים קרובות דורשים שבועות של כיבוד.זה המקום שבו בינה מלאכותית (AI) מציעה חלופה טרנספורמטיבית, המאפשרת תחזיות מהירות, המונעות נתונים שיכול להתאים לדידידות חדשות בזמן אמת.

טכניקות AI יישומיות לחיזוי התאוששות

אינטליגנציה מלאכותית, במיוחד למידת מכונה (ML) ולמידה עמוקה (DL), התפתחה ככלי רב עוצמה לחיזוי ביצועי התאוששות תרמיים.מודלים אלה לומדים מהנתונים ההיסטוריים בתחום השדה, סימולציות סינתטיות, או שילוב של שניהם כדי לזהות דפוסים שמודלים אנליטיים מסורתיים לא יכולים בקלות ללכוד.

למידה על אודות Regression Tasks

אלגוריתמי למידה מבוקרים המשמשים חיזוי התאוששות תרמי כוללים יערות אקראיים, מכונות דחיפה ⁇ (XGBoost, LightGBM), ותמיכה ותגובה וקטורית.מודלים אלה לוקחים תכונות קלט כגון טמפרטורת הזרה, יכולת אחסון, פורוזיות, שחיקה שמן ראשונית, והיסטוריה תפעולית כדי לחזות משתנים רצופים כמו ייצור שמן מצטבר או מיידי SOR. לדוגמה, מודל אקראי על נתונים מאומן על ידי ניתוח שמן SAGI נמוך מ חיזוי עם פחות משיעורי שמן עם טמפרטורות ייצור פחות מ טמפרטורות ייצור עם טמפרטורות ייצור עם הנדסת שמן חיזוי טמפרטורות חול.

עמוק למידה ורשתות נזליות חוזרות

מכיוון שנתוני התאוששות תרמיים הם חד-משמעיים המבוססים על זמן (פרופילי זמן, ירידה בלחץ, קצב ההזרקה לאורך זמן), רשתות עצביות חוזרות ונשנות (RNN) וזיכרון לטווח קצר ארוך (LSTM) הראו ביצועים מעולים.מודל LSTM יכול להזיז רצף של מדי יום של מדידות מבצעיות ופלט של שבועות תגובה או חודשים קדימה.

רשתות ערפיליות אבולוציה עבור נתוניםספאטיים

רשתות עצביות מהפכתיות (CNN) מוחלות יותר ויותר על נתונים גיאולוגיים וגיאופיזיקה - כגון כרכים סיסמיים 3D, תמונות התנגדות, או מערךי לוגי היטב - לאפיין את הטרוגניות של מאגר המשפיע על התאמה אדים.אן יכול לחזות היכן פריצת דרך אדים עלולה להתרחש, ומאפשר למפעילים להתאים פרופילים של הזריקה באופן יזום.

דרישות נתונים ואתגרי פיפיר

בניית מודלים בינה מלאכותית יעילים לשיקום תרמי דורשת נתונים איכותיים, נציגים.התמונים המינימליים בדרך כלל כוללים:

• זריקת יומי ושיעורי ייצור (נפט, מים, קיטור)
• טמפרטורה של חור ולחץ
• תכונות Reservoir (porosity, Permeability, נטו תשלום עובי)
• פרטים נוספים (well Spacing, Perforationרווחs)
• תכונות פלוריד (viscosity, צפיפות, כוח הכבידה של API בתנאי מאגר)

עם זאת, שדות שמנים רבים סובלים מהנתונים ספאריים או רועשים.פסים הנגרמים על ידי כשל כלי או שגיאות הקלטה ידניים חייבים להיות מואשמים באמצעות שיטות של מודעות דומיין.יתר על כן, הפצת הנתונים היא לעתים קרובות לא מחזורית - התנהגות בלתי משתנה לאורך שנים כמו תאי קיטור לגדול ולחץ depletes.

מחקרים: AI in thermal Recovery Field Applications

כדי להמחיש את ההשפעה של העולם האמיתי, לשקול פרויקט SAGD בתצורת מקמורי, קנדה.מהנדסים השתמשו היסטורית סימולטור סופי-דיף שלקח שלושה שבועות כדי לבנות ולגדול עבור כל אחד חדש היטב.לאחר פריסת מודל ML ⁇ -boosted תחליפי על הפלט ההיסטורי של סימולטור, זמן צנח מתחת לדקה עם דיוק דומה אפשר שיפור מהיר של עשרות שנים של הערכה אדים על ידי תרחישים קיטור.

יישום נוסף התרחש בתחום גירוי קיטור ציליאני (CSS) בקליפורניה.רשת LSTM הוכשרה על 15 שנים של נתונים תפעוליים מ -200 בארות.המודל חזה את שיעורי הנפט ואת חיי מחזור, המאפשר למפעילים לייעל את מספר המחזורים באופן טוב ולהימנע מזרקת קיטור מיותר לאזורים מדולקים.זה הביא לירידה של 9% בעלויות קיטור תוך שמירה על רמות הייצור.

יתרונות ומגבלות של תחזיות AI-Driven

יתרונות מפתח

• (FLT:0Speed:03:03: ⁇ ) מודלים של בינה מלאכותית מעריכים אלפי תרחישים בשניות, בעוד סימולטורים המבוססים על פיזיקה דורשים שעות או ימים.
• (ב) ניתן לעדכן מודלים של 1FLT עם נתונים חדשים של שדה ללא בנייה מחדש מאפס.
• (הידועה:0) ב-FLT:1 לוכדת מערכות יחסים לא לינאריות ואינטראקציות שקשה לקודש במשוואות סגורות.
• (FLT:0) אי-וודאות של הקוונטים:FLT:1 שיטות AI פרובביליסטיות (למשל, רשתות עצביות Bayesian) מספקות מרווחי ביטחון סביב תחזיות, סיוע בהחלטות המבוססות על סיכונים.

הגבלות לשקול

AI אינו כדור כסף.מודלים שהוכשרו אך ורק על נתונים היסטוריים עשויים שלא להחרים לתנאי מאגר בלתי נראים או שינויים תפעוליים – בעיה המכונה FLT:0;0) חלוקת שינוי החלפה של התפלגות 1:1 למשל, אם דפוס הזרקת קיטור חדש מוצג כי לא היה במערכת האימונים, התחזיות של המודל יכולות להיות בלתי אמינות.

שילוב עם גנטיקה דיגיטלית וחיישנים IoT

(הגבול הבא משלב מודלים של בינה מלאכותית עם מכשירי IoT:0 תאומות דיגיטליות של 1FLT:1 - העתקים וירטואליים של נכסים פיזיים המקבלים נתוני חיישן בזמן אמת ממכשירים IoT שמופצים על בארות, צינורות וגנרטורים קיטור.א.אם דיגיטלי עבור ניתוח SAGD יכול לזרז את מדידות הסיבים האופטיים (אך מטמפרטורות סינטוטפות, DTS) באופן אוטומטי כדי לאפשר לדגמי של מערכת בקרה אופטית של AIF2 סגורה.

ניסויים מוקדמים של מערכות משולבות כאלה הראו עד 15% יעילות תרמית גבוהה יותר בהשוואה לפעולות מבוססות לוח הזמנים המקובלות.האתגר המרכזי נשאר אבטחת סייבר ויציבות נתונים; עם זאת, פתרונות מחשוב קצה ממריצים את החששות הללו על ידי עיבוד נתונים ישירות באתר הטוב.FLT:0Fleet Data Management פלטפורמות כמו DirectusFLT:1 מתאימים היטב למיזוג של נתונים ל- AI בזמן שמירה על מסלולים של ניהול נתונים.

פרספקטיבה עתידית: מודלים היברידיים-AI

חוקרים נעים מעבר לגישות מבוססות נתונים טהורות לעבר FLT:0physics-מודע רשתות עצביות (PINNs)FLT:1 המשלבות את המשוואות החלקיות השולטות (PDEs) של חום ונוזל לזרום ישירות לתוך תפקוד האובדן של הרשת העצבית. PINNs יכול לייצר תחזיות עקביות פיזית אפילו עם נתונים מוגבלים, ומכבדים את חוקי השימור המוקדמים במקרים תרמיים של סימולציות.

כיוון מבטיח אחר הוא (FLT:0)reinforcement Learning (RLIRFLT) 1 עבור שליטה מושלמת-loop. בפרדיגמה זו, סוכן RL אינטראקציה עם סימולטור מאגר (או תאום דיגיטלי) כדי ללמוד מדיניות הממקסימה את ייצור הנפט המצטבר תוך צמצום השימוש בזיטור.

לבסוף, הדמוקרטיזציה של כלי בינה מלאכותית פירושה כי מפעילים קטנים יכולים כעת לגשת למודלים שהוכשרו מראש באמצעות מכשירי API בענן או קצה קצה קצה, הורדת המחסום לכניסה.FLT:0Government-funded InitiativeFLT:1 ממשיכים לפרסם נתונים פתוחים ומודלים של קריטריונים להחלמה תרמית, עלייה בחדשנות ברחבי התעשייה.

המונחים: key Takeaways

• AI מספק תחזיות מהירות ומדויקות של ביצועי התאוששות תרמית, המאפשר קבלת החלטות בזמן אמת ואופטימיזציה.
• מודלים למידה עמוקה (LSTM, CNN) מצטיינים בלכידת תלות זמנית ומרחבית בנתונים של מאגר.
• פריסה מוצלחת תלויה באיכות הנתונים, אימות המודל ושילוב עם תשתיות שדה קיימות.
• מודלים של פיזיקה היברידית ותיאומים דיגיטליים מייצגים את הגל הבא של חדשנות, ומבטיחים אפילו יותר יעילות וקיימות.
• כשטכנולוגיה מלאכותית מתבגרת, תפקידה בהחלמה תרמית יתרחב ממכשיר צפוי למרכיב מרכזי בניהול שדה אוטונומי.

מפעילי משקיעים בבניית צינורות נתונים חזקים, מאמנים מודלים AI ספציפיים לתחום, ומיומנות כוח העבודה שלהם לעמוד כדי להשיג יתרון תחרותי משמעותי במעבר לקראת מיצוי נפט חכם יותר, בר קיימא יותר.