שילוב של אינטליגנציה מלאכותית בגז החזרת אלגונדרית

גזים מעלים אופטימיזציה בעידן השדה החכם

מערכות הרמת גז הן שיטת מעלית מלאכותית ראשונית המשמשת נכסים בוגרים ועמוקים בעולם.העיקרון הוא פשוט: גז בלחץ גבוה מוזר מוזר מוזר מוזר מוזרק לתוך ה- Wellbore כדי להוריד את צפיפות העמודה הנוזלית, צמצום לחץ השבר התחתון ומאפשר לנוזלי מאגר לזרום אל פני השטח. בעוד הפיזיקה מובנת היטב, האתגר התפעולי של קביעת שיעור ההזרקה האידיאלי עבור כל רשת מורכבת תחת תנאי מאגר דינמיים הוא אפשרי עבור חישובים חישוביים.

אופטימיזציה מסורתית מסתמכת במידה רבה על ניתוח נלאה ובדיקות מצוינות תקופתיות.מהנדסים בונים מודלים יציבים של המדינה ומשתמשים בהם כדי לזהות את שיעורי הזרקת היעד, התאמת חנק באופן ידני או באמצעות שינויים ב-Satepoint במערכת בקרת דיסוטציה (DCS) גישה זו יש מגבלות משמעותיות.זה מניח תנאים יציבים של מצב, מאבקים עם אי הוודאות של זרימת ה-ML מרובה-זמן, ולא יכול להגיב באופן קבוע לאירועים טרנסנדנטליגנטיים כמו דחוסים, נסיעות, או פריצת דרך, או פריצת דרך, כדי לחשוף את הגרסאות אלה (AI) כדי להפעיל אלגוריתמיות, כדי להפעיל אלגוריתמיות, כדי להפעיל אלגוריתמיות, כלומר, כדי להפעיל אלגוריתמיות יותר ויותר, כדי להפעיל אלגוריתמיות, כדי להתאים יותר ויותר, כדי להפעיל אלגוריתמיות, כדי להפעיל אלגוריתמיות, כדי להפעיל אלגוריתמיות, כלומר, אלגוריתמים מלאכותיות, כדי להפעיל אלגוריתמים מלאכותיות, כלומר, כדי להפעיל אלגוריתמים, כדי להפעיל אלגוריתמים מבוססי שיטות למידה, באופן קבוע, כדי להפעיל אלגוריתמים, כדי להפעיל אלגוריתמים, באופן קבוע, כלומר, כדי להפעיל אלגוריתמים, כלומר, כדי להפעיל אלגוריתמים מבוססי-מציאותיים (AI-מציאותיים (AI)

השילוב של בינה מלאכותית אינו על החלפת שיפוט הנדסי אלא הגדלתו עם זיהוי דפוס על-אנושי ומהירות התגובה. מאמר זה בוחן את המתודולוגיות הספציפיות שפורסות, ארכיטקטורת הנתונים הנדרשת, את המכשולים המעשיים של יישום שדה, ואת הערך העסקי שנחשף כמערכות הרמת גז להתפתח מנכסים אופטימיזציה ידנית לרכיבים אוטונומיים לחלוטין של שדה הנפט הדיגיטלי.

ראשי התיבות של Gas Lift System Performance

כדי להבין היכן AI מספק את הערך ביותר, חשוב קודם לבדוק את המדדים הספציפיים ואת מכניקה התפעולית המגדירה ביצועי הרמת גז.אופטימיזציה אינה רק על מנת למקסם את ייצור הנפט; היא דורשת איזון ייצור נוזלי הכולל, עלויות הזרקת גז, מגבלות של מאגרים ואמינות ציוד.

מדדי ביצועים מרכזיים לגזום

המטרות הטכניות העיקריות באופטימיזציה של גז הן ממוקדות על עקומת ביצועי הגז.עקום זה בדרך כלל משיל שמן או קצב ייצור נוזלי נגד קצב הזרקת גז.התגובה הקלאסית מראה עלייה תלולה ראשונית בייצור כפי שמתחילה הזריקה, ואחריו מתפתל או שיא, ובסופו של דבר ירידה אם ההזרקה מוגזמת מתרחשת עקב חיכוך מוגבר באמבטיה.

• (ב) שיעור הנפט המחודש (ב"ג) הוא שיעור ההפחתה של הדליפה (הההתחילה) המיוחס להזרקה אופטימלית.
• (ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (ב) לחץ הגז:0) מניעת דלק: 1FLT: שמירה על לחץ חד-פעמי הולם על מנת לספק את השסתומים העמוקים ביותר.
• (ב) ,0) ניהול: 1FLT: להימנע מעודף של משיכה שיכול להוביל לייצור חול, מים זורמים או נזקי היווצרות.

אופטימיזציה מסורתית משתמשת תוכנת ניתוח nodal כדי לדמות את העקומה הזו.המהנדס מאמת באופן ידני פרמטרים כגון חיתוך מים, יחס גזי שמן (GOR), ואינדקס הפרודוקטיביות (PI) בהתבסס על בדיקות תקופתיות.המודל המתקבל הוא תמונה, לעתים קרובות מיושנת בתוך ימים או שבועות כמו תנאי מאגר מתפתחים.

מגבלות של אופטימיזציה ידנית

תדירות הבדיקות הטובות ברוב התחומים אינה מספיקה כדי לשמור על מודל מדויק. נכס עשוי לבדוק היטב פעם בחודש, משאיר 29 ימים של פעולה מודרך על ידי הנחות.יתר על כן, האינטראקציה בין בארות שיתוף של אדם משותף מורכבת.מתאים קצב ההזרקה של אחד טוב לשנות את הלחץ הכפול של האדם, המשפיע על כל אחד טוב במערכת.

AI ו- Machine Learning Architectures for Gas Lift

ה"AI" המופעל באופטימיזציה של גז הוא לא טכנולוגיה אחת, אלא חבילת ארכיטקטורות למידת מכונה, כל אחת מתאימה לפן ספציפי של הבעיה.בחירת המודל הנכון ושילובו ללוגיקה שליטה חזקה היא האתגר הנדסי הליבה.

למידה מבוססת על מודלים של proxy

נקודת הכניסה הנפוצה ביותר עבור AI במעלית גז היא יצירת מודלים Proxy.במקום להשתמש סימולטור פיזי, רשת עצבית או מודל עץ מודבק ⁇ -boosted מאומן על נתונים שדה היסטורי כדי לחזות את הביצועים של טוב. הציפואים כוללים לחץ זריקה, קצב הזריקה, צ'קוזי לחץ ראש, חיתוך מים, ו GOR.המפתח הוא משתנה שמן או ירידה.

לאחר אימון ואומת, מודל Proxy זה משמש כפונדקאית מהירה עבור המודל מבוסס הפיזיקה.זה יכול להעריך אלפי תרחישים "מה אם" בשניות, זיהוי קצב ההזרקה הממקסמים את הייצור בתנאים הנוכחיים התפעוליים. יתרון מפתח הוא כי המודל לומד באופן בלתי נמנע את ההתנהגות של העולם האמיתי של הטוב, כולל קצבאות כמו טמפרטורות והשפלה שקשה ללכוד את רמת הדיוק של Xotramegicial שלהם.

Reinforcement Learning for Closed-Loop Control

Reinforcement Learning (RL) מייצג התקדמות משמעותית על מודלים Proxy בפיקוח.במסגרת RL, לומד "מרוץ" לקבל החלטות ⁇ על ידי אינטראקציה עם הסביבה שלה. בהקשר של הרמת גז, הסביבה היא המתקן היטב ומשטח.הסוכן נוקט פעולות (תיקון שסתום הזרקת גז נחנק) ומקבל משוב בצורת אות (למשל, +1, עבור עלייה של לחץ על פני שמן 1-1).

באמצעות סימולציה חוזרת וטרור, סוכן ה-RL לומד מדיניות אופטימלית לשליטה בחנק בתנאים שונים.זה מאוד חזק לניהול אירועים טרנספורמטיביים.לדוגמה, במהלך אירוע מחוספס, סוכן RL יכול ללמוד להפחית באופן זמני את ההזרקה כדי למנוע הצפה של ה-Sparator, ואז להשתול מחדש באופן אוטונומי.

רשתות ערפיליות מתקדמות (PINNs)

סיכון מוכר של מודלים מונעים נתונים טהור הוא הנטייה שלהם להיכשל כאשר הם מתמודדים עם נתונים מחוץ להתפלגות האימונים שלהם (למשל, מבחן טוב בלחץ חדש, נמוך יותר של מאגרים).

המודל הוא מעניש לא רק עבור אי דיוקים נגד נתונים היסטוריים, אלא גם על הפרת חוקים פיזיים כמו איזון המוני, איזון תנופה, איזון אנרגיה.התוצאה היא מודל היברידי המשלב את הגמישות של למידת מכונה עם העוצמה של הפיזיקה. pINNs יכול להסגר יותר אמין מאשר רשתות עצביות סטנדרטיות ודורש פחות הכשרה נתונים כדי להגיע לרמת דיוק גבוהה.

תשתיות נתונים ושילוב טכנולוגיות תפעוליות

אלגוריתמים AI בסביבת הרמת גז דורשים צינור נתונים חזק.מודל המניב הגבוה ביותר הוא חסר ערך אם הוא ניזון מזחלות, רועשות או חסרות נתונים.התשתית חייבת לעבור מ חיישן החורב אל הענן (או קצה) ובחזרה לשסתום הבקרה.

רכישת נתונים גבוהה וניהול איכות

ההחלטה הזמנית של הנתונים היא קריטית.מערכות SCADA המסקרות כל דקה עלולות להחמיץ את הלחץ שמדכא מזחלות או כשל שסתום. אופטימיזציה של AI דורשות לעתים קרובות 1 שניות או תת-שני נתונים עבור לחץ מטה וקצבי זרימת פני השטח. . Multi-phase Flow ממטר (MPFMs) הם בלתי חוקיים עבור מתן שמן רציף, מים, ושיעורי גז, צמצום ההסתמכות על בדיקות הסתברות.

איכות הנתונים היא ההוריד המעשי הגדול ביותר.סחף חיישן, משדרים קפואים, ו טיפות תקשורת הם נפוצים. צינור AI חייב לכלול מודולים אוטומטיים של אימות נתונים.טכניקות כמו ממוצעי מתגלגל, Kalman סינון עבור היתוך חיישן, ו autoencoders עבור זיהוי אנומלי משמשים לנקות את זרם הנתונים לפני שהוא נכנס למנוע אופטימיזציה.

צוק מול ארכיטקטורות מחשוב

Latency היא החלטה עיצובית קריטית.עבור בקרת קופות סגורות (שם AI מתאים ישירות לחנוק), המודל חייב לפעול על-ידי תכנון מראש או על מכשיר קצה כדי להבטיח זמני תגובה תת- שנייה ופעולה לא בטוחה.ענן מחשוב, בעוד חזק לאימון מודלים מורכבים והפעלה של סימולציות בקנה מידה גדול, מציג סיכונים לעקביות וקישוריות שאינם מקובלים על שליטה בזמן אמת.

אדריכלות נפוצה כוללת מודלים של הכשרה בענן באמצעות נתונים היסטוריים, ולאחר מכן פריסת מנוע הקצוץ המוכשר למכשיר קצה (כגון IPC או RTU חכם) הממוקם ב- Wellhead או פלטפורמה.המכשיר קצה מטפל אופטימיזציה בזמן אמת ובקרה, בעוד מערכת הענן מטפלת בגירסת נתונים, עיבוד מודל ודמיון עבור מהנדסים.

אינטגרציה דיגיטלית לסימפוציה ואימות

לפני המלצה של AI נחקק על חיים היטב, זה חשוף לבדוק אותו נגד תאום דיגיטלי.התאום הדיגיטלי הוא מודל סימולציה דינמי נאמנות גבוהה כי מראה את המצב הנוכחי של הנכס הפיזי. אלגוריתם AI מציע קצב הזריקה חדש.התאום הדיגיטלי מדמה את התוצאה, בדיקת הפרות של גבולות תפעול (למשל, לחץ מקסימלי, זרימה מינימלית עבור סימולציה אלקטרונית היא פעולה אוטומטית מאובטח.

אתגרים ומכשולים בשדה

למרות הפוטנציאל הטכני המובהק, פריסת יצרניות הגז המונעות על ידי AI אינה ללא מכשולים משמעותיים. אתגרים אלה הם ארגוניים רבים ככל שהם טכניים.

מחסור בנתונים ולייבל

בעוד נתונים שדה בשפע, שכותרתו נתונים באיכות גבוהה הוא בקושי.מבחן טוב מספק מדידה מדויקת של קצב זרימת שלב, אבל בדיקות אלה הם בלתי צפויים. שאר הזמן, שיעורי זרימה חייב להיות מוערך או מופרע.אימון מודל בפיקוח כדי לחזות שיעור שמן דורש איסוף נתונים חזק של בדיקות שדה היטב.אם השדה יש היסטוריה ניסוי מוגבל, בניית מודל מדויק הופך להיות קשה כמו העברה, כאשר הוא חיוני על ידי אימון מודל זה הוא מחוספס על נתונים מוגבל על ידי אימון, אז הוא מופעל על ידי אימון נתונים מוגבל על ידי אימון נתונים מוגבל על ידי אימון על ידי אימון נתונים מאופק על ידי אימון נתונים מאופקים על ידי בדיקות שדה.

מודל Interpretability והנדסת אמון

מהנדסי שדה ומפעילים הם לעתים קרובות ספקנים של אלגוריתמים "קופסא שחורה" (רשת עצבית עשויה להמליץ על לחץ הזריקה הגדל, אבל אם המהנדס לא יכול לראות את ההגיון מאחורי ההמלצה הזאת, הם לא סביר לסמוך עליו, במיוחד אם הוא סותר את האינטואיציה שלהם.ספקת הסבירות המודל היא חיונית. כלים כמו SHAP (SHLI Additive Explanations) ו-LIME (הסברים הבין-מודלים הבין-מסוגלים של מדענים) אשר יכולים לזהות את ההשפעה של המודלים החיוניים ביותר על מודלים של מדענים.

שילוב עם Legacy Control Systems

נכסים רבים של גז מרימה נשלטים על ידי מערכות PLC או DCS אשר הם עשרות שנים. integrating מנוע מודרני של AI הקצוץ עם מערכות אלה לעתים קרובות דורשות קודר מותאם אישית או פיתוח API.פרוטוקולים אבטחת סייבר חייב להיות במעקב בקפדנות כדי למנוע חשיפת הרשת המבצעית לפגיעות.מערכת AI חייבת להיות מתוכננת כשכבה "זיכרון" בתחילה, מתן המלצות למפעילה בלוחם, לפני התקדמות ל"שליטה סגורה" (סגורה) ו" (אוסטרומזומנים).

השפעה עסקית וחזרה על השקעות

ההשקעה ב- AI-oriented גז להורדת אופטימיזציה מוצדקת על ידי שיפורים תפעוליים הניתנים למדידה המשפיעים ישירות על השורה התחתונה.החזרות בדרך כלל נראות בתוך חודשים של פריסה.

הפקה: Uplift and Recovery Factor

המפעילים מדווחים באופן עקבי על עלייה של 3% עד 8% בייצור נוזלי הכולל ממאגרי גז AI-אופטימיים בהשוואה לאופטימיזציה ידנית המסורתית.ההעלאה הזו מגיעה מזיהוי קצב ההזרקה האופטימלי האמיתי באופן דינמי, ולא להסתמך על סטמנט סטטי.על ידי שמירה על ההפחתה אופטימלית לאורך השדה, גורמי ההתאוששות הכלליים משתפרים גם כן, שכן המאגר מרוקן בצורה יעילה יותר.

חידושים להפקה

אופטימיזציה AI מפחיתה ישירות עלויות התפעול.אופטימיזציה של נפח הזרקת מפחיתה את כמות הגז הנדרש, הורדת צריכת דלק דחוס.גז זה משוחרר למכירה, הוספת הכנסות ישירות.בנוסף, אופטימיזציה אוטומטית מפחיתה התערבות טובה על ידי מניעת תנאי הפעלה מזיקים, צמצום תדירות של עובדים ושסתום.ההפחתה בשעות ההנדסה בילה על אופטימיזציה ידנית ודיווח היא גם משמעותי, שחרור צוות מיומן עבור משימות אנליטיות גבוהות יותר.

ביצועים סביבתיים וגמישות

על ידי ייצוב הזרקת וקצב הייצור, AI מפחית אירועים מתפתל וממזער את האוורור של גזי החממה.מערכות אופטימיזציה הם בטוח מטבעם כי הם פועלים בלחץ יציב עם פחות אירועים טרנספורמטיביים. אבחון חיזוי, יתרון משני של ניטור רציף הנדרש עבור AI, לאפשר למפעילים לזהות בעיות כמו שסתום דליפות או הידרדרות חיישנים לפני שהם גורמים כשל, שיפור של אבטחה כללית ובטיחות.

« « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « «

השילוב של בינה מלאכותית למעלית גז עדיין בשלבים המוקדמים שלה.גל הפיתוח הבא יתמקד בהרחבת היקף האוטונומיה ושילוב אופטימיזציה של גז לאסטרטגיה רחבה יותר לניהול שדה.

אנו נעים לעבר הטוב האוטונומי המלא, שבו מערכת הבינה המלאכותית אחראית להתנתקות לא רק מקצב הזרקת גזי הגז, אלא גם את הבחירה וההפעלה של שסתוםי גז שונים, שליטה על חנקי חור, ותיאום עם מבצעים בדיקה טובה.רמת האוטומציה הזו אטרקטיבית במיוחד עבור בארות תת-ים ומרחק מרוחקת על כריות החוף, שם התערבות אנושית היא יקרה וקשה.

יתר על כן, אלגוריתמים של AI יייעלו יותר את רמת הגז ברמת הרשת, לאזן את הקצאת גז בלחץ גבוה מוגבל על פני עשרות או מאות בארות בזמן אמת כדי למקסם את ההכנסות של השדה הכולל.זו בעיה אופטימיזציה מורכבת משמעותית יותר מאשר אופטימיזציה חד-פעמי, הדורשת מודלים של למידה חיזוק שיכול להתמודד עם מאות משתנים שליטה אינטראקציה. כמו טכנולוגיות AI בוגר ואמון במערכות אוטונומיות גדל, להרים לשמש הוכחה עיקרית עבור נפט חכם, ממריץ את פני הקרקע.