כיצד טכנולוגיות בינה מלאכותית הן שעושות את תהליך ההנדסת הנפט

כיצד AI מעצב מחדש את תפקידים הנדסה ואת אחריות

מקצוע הנדסת הנפט עובר שינוי מבני כאינטליגנציה מלאכותית נעה מכלים ניסיוניים לסטנדרטים תפעוליים.מהנדסים שפעם התבססו בעיקר על חישובים ידניים, מודלים פיזיים ואינטואיציה המבוססת על ניסיון פועלים כעת לצד מערכות למידה ממוחשבות שממעבדות טרה-בייט של נתונים תת-קרקעיים בתוך דקות.מעבר זה אינו מבטל את הצורך בשיפוט הנדסי; במקום זאת, שינויים שבהם שיפוט זה מוחל.

AI ב- Exploration and Moving Operations

חקר וקידוח נושאים היסטורית את הסיכון הפיננסי הגבוה ביותר בפעילות הנפט והגז. חור יבש אחד יכול לעלות מיליונים, והחלטות קידוח גרועות יכולות להוביל לציוד אבוד, נזק סביבתי או למקרים של טכנולוגיות בינה מלאכותית להתמודד עם סיכונים אלה על ידי שיפור הדיוק של תחזיות תת-קרקעיות ולספק אינטליגנציה מבצעית בזמן אמת.

פרשנות סיסמית ודעות חתרניות

פרשנות סיסמית מסורתית דורשת גיאו-מדעיסטים לזהות באופן ידני מלכודות מבניות, קווי אשמה ותכונות סטריפיות מ 2D ו 3D כרכים סיסמית'.תהליך זה הוא זמן-רגיש וכפוף להטיה אישית.מודלים למידה עמוקה מאומן על נתונים סיסמיים מתוייגים כעת לזהות דפוסים שמתרגמים אנושיים עלולים להחמיץ.

ההשפעה המעשית של מהנדסי הנפט היא שינוי לקראת אימות ושילוב במקום איסוף ידני.מהנדסים מבלים פחות זמן בפירושים ויצרו יותר זמן להעריך את ההשלכות הכלכליות וההנדסיות של מה שהבינה המלאכותית.

קידום אופטימיזציה עם Machine Learning

פעולות קידוח לייצר זרמים רצופים של נתונים מחיישנים על מיתר הקידוח, מערכת בוץ וציוד משטח.מודלים למידת מכונות מקיפים את הנתונים האלה כדי לחזות קצת ללבוש, היווצרות שינויים, ואירועים פוטנציאליים תקועים לפני שהם מתרחשים. מערכות אופטימיזציה בזמן אמת אופטימיזציה של אופטימיזציה להתאים פרמטרים כגון משקל על bit, מהירות, וזרימה בוץ כדי למקסם את קצב החדירה תוך שמירה בתוך גבולות תפעוליים בטוחים.

מקרה אחד המתועד מהאגן הפרסי הראה כי מערכת מייעצת של AI מונעת מקוצר ראייה מופחתת זמן אבוד ב -35 אחוזים וחתכה זמן לא פרודוקטיבי על ידי כמעט מחצית.מהנדסים המפעילים את המערכות הללו מפתרון בעיות תגובתיות לתכנון פרואקטיבי, הם מציבים את המגבלות המדריכות את ההמלצות של AI והתערבות כאשר התנאים הגיאולוגיים נופלים מחוץ למשטח האימונים של המודל.

חיקוי וסימולציה

הנדסה Reservoir תלויה באופן מסורתי סימולטורים מספריים לפתרון משוואות שונות חלקית המייצגות זרימה נוזלים באמצעות מדיה ⁇ . סימולטורים אלה דורשים משאבים חישוביים נרחבים ומומחיות דומיין כדי לבנות, calibrate, ולנהל. טכנולוגיות AI להשלים מודלים אלה המבוססים על פיזיקה עם גישות מונעות נתונים הפועלים מהר יותר ושילוב של סוגי נתונים נוספים.

מודלים של טיהור וצמצום הזמנות

סימולציות מאגר מלא יכולות לקחת שעות או ימים כדי להפעיל תרחיש יחיד. מהנדסים לעתים קרובות זקוקים למאות או אלפי ריצות עבור ההיסטוריה התאמה, אי ודאות קוונטית או מחקרי אופטימיזציה. AI Proxy מודלים מאומן על סימולציה קלט- ⁇ זוגות יכול להיות קרוב לתוצאות זהה בשניות. פונדקאים אלה מאפשרים למהנדסים לחקור תרחישים נרחבים יותר, לזהות אסטרטגיות פיתוח אופטימליות, ולהכמת סיכון עם חומרים סטטיסטיים שהיה בעבר לא אימפולסיבי.

זרימת העבודה משתנה באופן משמעותי.במקום להגדיר סימולציה אחת והמתנה לתוצאות, מהנדסים מנהלים דגמים של פרוקסי, רגישות במבחן לאורך עשרות פרמטרים בו זמנית, ולהשתמש אלגוריתמים אופטימיזציה כדי למצוא פתרונות חזקים.המאמץ ההנדסי עובר מבנייה מודל לבעיה להטפת ותוצאה פרשנות.

ניתוח הפקה ודצמבר Curve Analysis

ניתוח עקומה Decline הוא אבן הפינה של estimation במשך עשרות שנים. מהנדסים להתאים משוואות אמפיריות לנתונים ייצור היסטוריים וביצועים עתידיים נוספים של Machine Learning מביאים תחכום נוספים על ידי שילוב של מספר משתנים כגון פרמטרים של השלמת, מאפיינים גיאולוגיים, ומגבלות המתקן. רשתות עצביות חוזרות ועצים מהונדסים יכול לחזות פרופילי ייצור מדויקים יותר מאשר סוגים מסורתיים, במיוחד עבור מיקומים מורכבים, במיוחד עבור מחסנים לא מקיפים.

מהנדסים אשר מאמצים כלים אלה חייבים להבין את הנחות סטטיסטיות ומגבלות של כל מודל.הטכנולוגיה אינה תחליף את הצורך להבין את הפיזיקה של המאגר, אבל היא עושה מעקב שגרתית של שותפים אוטומטי מתאים זיהוי דפוס, שחרור מהנדסים להתמקד במקרים שבהם הנתונים מתפזרים לציפיות.

אוטומציה, בטיחות ומצוינות תפעולית

תעשיית הנפט והגז פועלת בחלק מהסביבות הגורמות למניעה פיזית ומסוכנות ביותר על פני כדור הארץ.אוטומציה המונעת על ידי AI מפחיתה את החשיפה האנושית לסיכונים אלה תוך שיפור העקביות התפעולית.

מערכות קידוח אוטונומיות

מערכות קידוח אוטומטיות מלאות פועלות כעת על השקיות בבחירת, לשלוט בתהליך הקידוח כולו מטיפול בצנרת להיגוי כיוון.מערכות אלה משתמשות בראייה מכונה כדי לפקח על מיקום הצינור, חיישנים אקוסטיים כדי לזהות שינויים, ואלגוריתמים מתאימים כדי לשמור על הפרמטרים אופטימליים של קידוח.תפקידו של המקדחר משליטה ידנית פיקוח ידני, ניטור של מספר השקועים אוטומטיים ממרכז פיקוד מרכזי.

טרנספורמציה זו יש השלכות על הרכב כוח העבודה.אדם יחיד מנוסה יכול לפקח על פעולות על פני כמה השקיות בו זמנית, צמצום דרישות כוח אדם וסטנדרט שיטות הטובות ביותר. עבור מהנדסי נפט, זה אומר פחות זמן נסיעה למקומות מרוחקים יותר זמן ניתוח נתונים תפעוליים כדי לשפר את תוכניות קידוח עתידיות.

תחזוקה ותחזוקת ציוד

לא מתוכנן עלויות זמן השבת נפט וגז מיליארדים מדי שנה.מערכות תחזוקה חיזוי מבוססות בינה מלאכותית מנתחות את הרטט, הטמפרטורה, הלחץ, הנתונים האקוסטיים של משאבות, דחוסים, ומכשירים מסתובבים לכשלים ימים או שבועות מראש.מערכות אלה לומדות את החתימה התפעולית הרגילה של כל נכס וסטיות דגל שקדמו להתמוטטות מכנית.

מהנדסים האחראים לפעילות הייצור מקבלים כעת המלצות תחזוקה קודמות המבוססות על סיכון והשפעה הייצור. לוח הזמנים של תחזוקה משתנה מרווחים מבוססי לוח שנה להתערבות מבוססת תנאים.שינוי זה מקטין תחזוקה מיותרת תוך לכידת כישלונות פוטנציאליים לפני שהם גורמים להפסדים של ייצור או למקרים בטיחותיים.

זמן אמת-זמן Anomaly Detection

דליפות פיפיריות, טיולי לחץ, ותקלות בציוד לעתים קרובות לייצר אותות התראה מוקדמים כי מפעילי אנוש לא יכולים לזהות רעש תפעולי רגיל.מודלים AI מאומן על נתונים תפעוליים רגילים יכולים לזהות את האנומליות הללו בזמן אמת ולזהיר מהנדסים לפני שהמצב יגבר.חלק מהמערכות משיגות את זמני זיהוי תוך שניות ולא השעות או הימים שבהם ניטור ידני עשוי לדרוש.

עבור מהנדסי שדה, כלים אלה מספקים מכפיל כוח במקום לפקח על תצוגות בודדות עבור מספר רב של בארות או מתקנים, הם מקבלים התראות קודמות עם מידע אבחון מצביע על הסיבה הסבירה ותגובה המומלצת.המומחיות של המהנדס מקבל ליישם היכן שהוא מוסיף את הערך ביותר: על המצבים הקריטיים או הערריים ביותר.

טרנספורמציה כוח העבודה ודרכים קריירה חדשות

מאחר ש-AI אוטומטי משתפת פעולה עם משימות אנליטיות ותפעוליות שגרתיות, המיומנות הנדרשת להנדסת נפט משתנה.מומחיות טכנית ביסודות של הנדסת נפט עדיין חיונית, אבל עכשיו יש לקשור אותה עם חשיבה מדעית של מדע נתונים ומערכות.

פיתוח תפקידים ותפקידים עבודה

תפקידים חדשים מופיעים בתוך חברות נפט וגז המשלבות ידע בתחום ההנדסה עם מיומנויות חישוביות. מדעני נתונים הנפט בונים ושומרים על דגמי למידת המכונה התומכים בחקר, קידוח והחלטות ייצור. מהנדסי יישום AI מגשרים על הפער בין צוותי מדע נתונים ופעולות שדה, ומבטיחים כי מודלים פועלים באופן אמין בתנאים בעולם האמיתי.מומחים תאומים דיגיטליים יוצרים ומאמתים את ייצוגים וירטואליים של מאגרים, בארות, מתקנים שמשרתים כמו גם בדיקות לקבלת החלטות תפעוליות.

התפקידים האלה לא היו קיימים לפני עשור.הם פיקדו על פיצויי פרמיה ומציעים נתיבי קריירה שלא בהכרח מובילים מעבודת טכנית בניהול.מהנדסים שמשקיעים בפיתוח מיומנויות ב- Python, בהנדסת נתונים ובמסגרות למידה של מכונות מציבים עצמם להזדמנויות אלה.

שינויים בחינוך להנדסה והכשרה

תוכניות להנדסה של נפט משלבות מדעי נתונים ו- AI הקורסים לתוכניות הלימוד שלהם.יש תוכניות עכשיו דורשים קורסים בלמידה מכונה, מודלים סטטיסטיים ושיטות חישוביות לצד קורסים מסורתיים של הנדסת מאגר ותרגול. תוכניות הכשרה ארגונית מציעים גם מסלולים להפקת מהנדסים מנוסים הזקוקים לבניית יכולות דיגיטליות.

המהנדסים שמתאימים בהצלחה ביותר הם אלה שמטפלים ב-AI לא כאיום על המקצוע שלהם, אלא ככלי שמגביר את המומחיות שלהם.היכולת לשאול את השאלות הנכונות, בעיות המבנה של פתרונות למידת מכונה, והערכה ביקורתית של מודלים מודלים הופכת למיומנות המבדלת.

קיימות וביצועים סביבתיים

חששות סביבתיים מעצבים מחדש את תעשיית הנפט והגז, ו-AI מספק כלים כדי להפחית את טביעת הרגל הסביבתית של פעולות הנפט.

אישורים למעקב וניכוי

מערכות בינה מלאכותית פרוסות באתרים טובים ובמעבדי עיבוד עוקבות באופן רציף אחר פליטות מתאן באמצעות מצלמות הדמיה גז אופטי, חיישנים אקוסטיים וגלאי גלאי גישה קבועים. אלגוריתמים של למידת מכונות להבחין בין פליטות תפעוליות נורמליות לבין דליפות ממריצים, תוך עדיפויות פעולות תיקון המבוססות על גודל פליטה ודרישות רגולטוריות.חלק מהמפעילים מדווחים על שיעורי זיהוי של מתאן השתפרו ב-90% בהשוואה לבדיקות ידניות.

מהנדסים העובדים בציות סביבתי ומבצעים יש כעת כלים המונעים על נתונים לכמת פליטות, לאמת יעילות מייגציה, ולחתום על תאימות רגולטורית.התפקיד נע מדיווח תקופתי ועד אופטימיזציה מתמשכת של ביצועים סביבתיים.

ניהול מים והפקה של אופטימיזציה למים

טיפול במים מייצג עלות תפעולית גדולה ואתגר סביבתי עבור פעולות נפט וגז רבות.מודלים של AI לייעל את החלטות מחזור המים על ידי חיזוי נפח מים באיכות המיוצר על בסיס תחזיות ייצור ונתונים גיאולוגיים. Reinforcement Learning קובעים את סיכוני המים האופטימליים ואסטרטגיות שימוש חוזר המפחיתים את התנועה, להפחית את צריכת המים המתוקה, והורדת לחץ הזרקתי טוב.

מהנדסי הנפט המעורבים בניהול מים עובדים כעת עם מודלים של אופטימיזציה דינמיים ולא בגליונות סטטיים.הם מעריכים את החילופים בין אסטרטגיות טיפול במים שונים תחת שינוי תנאי תפעולי, ומקבלים החלטות שמאזן עלויות, השפעה סביבתית וציות רגולטוריות.

אנרגיה וטביעת רגל

אופטימיזציה המונעת על ידי AI של דחיסה, משאבה וציוד עיבוד מפחיתה את צריכת האנרגיה על פני ייצור ותפעול תחבורה.מודלים למידת מכונות לזהות את נקודות התפעול היעילות ביותר עבור כל נכס והתאמה מתמדת של נקודות כדי לשמור על ביצועים אופטימליים כמו שינוי. חלק מהמפעילים מדווחים על צמצום אנרגיה של 10 עד 20 אחוזים במתקנים בודדים ללא השקעה הון בציוד חדש.

יישומים אלה מיישרים את תמריץ כלכלי להפחית את עלויות האנרגיה עם הצורך הסביבתי להפחית פליטות פחמן.מהנדסים שיכולים לשלב אופטימיזציה אנרגיה לתוך זרימת העבודה שלהם לתרום ישירות לרווחיות התפעולית ומטרות קיימות.

הטמעת אתגרים ושיקולים מעשיים

השינוי המונע על ידי AI בהנדסת נפט אינו ללא מכשולים, הבנת האתגרים האלה מסייעת למהנדסים להעריך כלים חדשים באופן מציאותי ולתמיכה בגישות יעילות ליישום.

איכות נתונים וגישה

מודלים של למידת מכונות תלויים בנתונים איכותיים, מחוסנים היטב.חברות נפט וגז רבות מנהלים עשרות שנים של נתונים מורשת המאוחסנים בפורמטים לא נפרדים, מוסכמות שמות לא עקביות, ומאגרי נתונים מפורקים וארגון נתונים אלה הם לעתים קרובות החלק הממושך ביותר של כל מהנדסי יישום AI מעורבים בפרויקטים אלה חייב לתמוך בסטנדרטים של ממשל נתונים ולהשקיע בתשתיות הדרושות כדי להפוך נתונים ואמין.

מודל אי-אפשרות ואמון

מהנדסים האחראים על החלטות קידוח של מיליארדי דולרים באופן טבעי מהססים להאמין למודל שהם לא יכולים להבין.מודלים של מכונה שחורה-box Machine Learning החיזוי התנהגות של מאגר או כשל בציוד מבלי לספק הסברים למאבק בקבלת קבלה במסגרות תפעוליות.טכניקות כגון ערכי SHAP, LIME ומנגנוני תשומת לב משפרים את הפירוש, אך השקיפות נותרה תחום פעיל של פיתוח.מהנדסים צריכים לדחוף לדגמים ולאמת המלצות נגד הבנה פיזית לפני הפעלתם.

שילוב עם זרימת עבודה קיימת

כלים בינה מלאכותית הדורשים מהמהנדסים לשנות לחלוטין את האופן שבו הם פועלים מול התנגדות לאימוץ.היישומים המצליחים ביותר משלבים את התפוקה של AI לסביבות תוכנה קיימות ותהליכי החלטות במקום לדרוש זרימות עבודה חדשות לחלוטין.מהנדסים העובדים עם ספקי AI או צוותים פנימיים במדעי נתונים צריכים להתעקש על תכנון שילוב כנדרשת פרויקט ליבה, לא לאחר מחשבה.

הדרך קדימה נפט למהנדסים

חיזוי קצב הכיוון של שינוי טכנולוגי הוא תמיד לא ברור, אבל כמה מגמות מופיעות כנראה כדי לעצב את הנדסת הנפט בעשור הבא.

יכולות בינה מלאכותית ימשיכו להתרחב לאזורים שנחשבים כיום מורכבים מדי או בסיכון גבוה לאוטומציה.התרגילים במים עמוקים וסביבות מים אולטרה-עמיקות יראו אוטומציה מוגברת כאמינות חיישן ודיוק מודל משתפרים.דמיית Reservoir תמזג ככל הנראה גישות המבוססות על פיסיקה ומבוססות נתונים למודלים היברידיים המשלבים את נקודות הכוח של לכידת פחמן, ניצול ופרויקטי אחסון יאמצו את AI עבור בחירת אתר, ניטור, אופטימיזציה, ויצירה, תפקידים חדשים בתחום ההנדסה.

המהנדסים ששומרים על בסיס חזק בהנדסת נפט, תוך בניית מיומנויות במדעי נתונים, למידת מכונה ושילוב מערכות ימצאו את עצמם בביקוש גבוה.אלה שרואים ב-AI כמשהו שקורה להם ולא משהו שהם משתמשים בו, יתמודדו עם תחרות הולכת וגוברת מעמיתים אשר מחבקים את הכלים האלה.

מקורות חיצוניים לקריאה נוספת כוללים את הסקירה של ה-FLT:0 (הדגשה של משאבי הנפט של מהנדסי הנפט) 1 (FLT:2Department of Energy’s Review of AI in Oil and GassFLT 3:, and FLT:4Jour of Oil Technology’s MaintenanceFLT:5 of digitalטרנספורמציה דיגיטלית בתעשייה.

בינה מלאכותית אינה מחליפה מהנדסי נפט.זה מחליף משימות ספציפיות במקצוע, והיא יוצרת משימות חדשות שלא היו קיימות קודם לכן.מהנדסים שמבינים את ההבחנה הזו, שמשקיעים את הכישורים הנכונים, ואשר שומרים על סקרנות כיצד הטכנולוגיה יכולה להרחיב את יכולותיהם, ימצאו שהמקצוע מציע עבודה מעניינת יותר ומעניינת יותר מבעבר.