תפקיד Analytics הנתונים בזיהוי אפשרויות שחזור שחזור

תעשיית האנרגיה עוברת טרנספורמציה עמוקה המונעת על ידי הדלפק של נתונים הזרמת מבארות, חיישנים, מערךים סיסמיים, ומכשירים תפעוליים.במשך עשרות שנים, מהנדסים וגאו-מדעיסטים התלויים בלוגים מלוחים, דגימות ליבת מוגבלות, ומודלים של מאגרים פשוטים כדי להעריך גורמי התאוששות משופרים ואסטרטגיות של ניהול פרויקטים.

היקף השינוי הזה הוא מזעזע.באר לא קונבנציונלית אחת יכולה לייצר יותר ממטר אחד של נתונים בשנה מ- סיבים אופטיים חישה לבד.כאשר מכפילים אלפי בארות בתיק, נפח, מהירות ומגוון של נתונים ליצור אתגר והזדמנות. המפעילים נתונים אלה יכולים לחשוף את ההתאוששות לצד מיליוני חביות, בעוד אלה שעוזבים את הערך הגדול ביותר של גזיסטרציה במהירות, הופכים את היכולת המצטברת של פחמן, ולהגדיל את רמת הפחתת הקרקע.

מה זה מילואים ולמה זה משנה?

התאוששות מילואים מתייחסת למידת הפחמימנים במקור במקום שניתן להפיק מבחינה טכנית וכלכלית ממאגרים.שיעורי ההתאוששות הראשונים משיטות המחיקה הראשוניות – תוך שימוש בלחץ המאגר הטבעי – בטווח כפול מ-5% עד 20% לנפט ועד 70% לגז.עם זאת, נפח משמעותי של שמן וגז נשאר לכוד בחלל הנקבובי לאחר מכן, עקב כוחות קפריזניים, גרוטניות, ו- 20% ליחסי חממה (Fredit) נוסף, כמו התאוששות, למשל, ירידה של דלק מ-1, ירידה של מים ו-2, ירידה) ו- 10% נוספים, ירידה של מים זורמים, ירידה של מים, ירידה של 27% נוספים, כמו התאוששות (ירידה של מים נוספים, ירידה של 2.

ביטול חביות נוספות אלה אינו רק אתגר טכני; הוא חיוני כלכלי.עם ירידה בשיעורי הגילוי ועלויות החיפוש ההסלמה, פחמימנים היעילים ביותר נמצאים לעתים קרובות בתחומים שכבר כבר בייצור.הסוכנות הבינלאומית לאנרגיה העריך כי כל 1% עלייה בגורם ההתאוששות הממוצע הגלובלי יכול להוסיף יותר מ 80 מיליארד חביות של רזרבות נפט נוספות - שווה ערך לכמה שנים של צריכת נתונים ברחבי העולם.

מעבר לנפח העצום של משאבים נוספים, שיפור יעילות ההתאוששות מפחית את טביעת הרגל הסביבתית לחבית המיוצרת.מעט יותר בארות חדשות, פחות הפרעות פני השטח, ועוצמת פליטות נמוכות יותר הן תוצרי לוואי טבעיים של שחזור יותר מהנכסים הקיימים.תועלת הכלכלית והסביבתית הזו הופכת את אופטימיזציה של מילואים לאחד ההזדמנויות המשכנעות ביותר בתחום האנרגיה כיום.

מערכת המידע ב-Modern Oilfields

פעילות הנפט והגז המודרנית מייצרת קטבים של נתונים מובנים ולא ממובנים מדי יום.מערכת אקולוגית זו כוללת:

  • (FLT:0)Subsurface נתונים: FLT:1אנדרה 1D ו 4D סקרים סיסמיים, יומני טוב (gamma ray, התנגדות, NMR), ניתוח ליבה ותוצאות בדיקות טרנספורמטיביות.
  • (FLT:0) נתוני ייצור: שערי זרימה:1; לחץ על חור תחתית, קיצוץ מים, יחס גז-נפט, ורשומות הקצאה שנאספו על ידי מערכות SCADA.
  • (FLT:0) ,Equipment חיישן נתונים: FLT:1 טמפרטורה, רטט וחתימות אקוסטיות של משאבות, דחוסים ו-Sparators, לעתים קרובות זרמו באמצעות פלטפורמות IIoT.
  • (ב) עיין ב-[[1924]]:0]], [[1924]], [[1924]]]], [[1924]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]
  • (FLT:0) נתונים חיצוניים: מחירים של סחורות 1:1, דפוסי מזג אוויר, הגשת רגולטורית ונתוני שדה אנלוגי ממאגרי נתונים ציבוריים.

תוך שימתם של מקורות נתונים אלה לפלטפורמת ניתוח מאוחדת היא הצעד הראשון לקראת מחיקת תובנות ניתנות לפעולה באופן היסטורי, נתונים אלה חיו בסילוס - מדעי הטבע בפטרל, ייצור ב- Excel להפיץ גליונות, הנדסה בהיסטוריונים SCADA - ביצוע ניתוח חוצה תחומי של נתונים, אשר לעתים קרובות נבדקים על פני נתונים, כולל מחסני נתונים מבוססי ענן, מודלים סטנדרטיים ומוכרים (כגון PPD) מאפשר קבוצות הפעלה מבודדות של נתונים, אשר לעתים קרובות, אשר ניתן לשלב נתונים בודדים.

דוגמה מעשית של שילוב זה בעבודה מגיעה ממפעיל ים צפון, אשר שילב 30 שנים של נתוני ייצור עם נפח של זמן סיסמית 'סם זמן-חלוף 4D. על ידי עיכוב שינויים של משקעים מפגעים סיסמיים עם ייצור מצטבר היטב על ידי טוב-על, הצוות זיהה תא שלא ניתן להפרדה של 500 מטר על ידי שרידים.

טכניקות נהיגה בשיקום

ניתוח נתונים בשיקום מילואים משתרע מסטטיסטיקות תיאוריות להמלצות מרשם.הטכניקות המשפיעות ביותר כוללות:

Analytics תיאורי ואבחון

שיטות אלה לענות על מאות בארות יכול להדגיש את המידות יחסית לגרסאות של לוחות נתונים מסוגים: לדוגמה, ניתוח עקומה (DCA) החל על פני מאות בארות יכול להדגיש את המידות יחסית לגרסאות של לוחות נתונים מסוגים. אלגוריתמים זיהוי דפוס יכולים לקשור טיפות ייצור עם אירועים ספציפיים - כגון תקלות משאבה, ירידה בקנה מידה, או פריצת דרך מים מוקדמת - ניתוח שורש פשוט אך רב עוצמה, תיאורי לעתים קרובות יכול להתגלות במהירות של ניתוחים מהירים ל-עשר הזדמנויות אלה, כי ניתן לשלם את הפחתת הפחתת עלויות מצטברות גבוהה יותר מאשר תריסר תכונות אלה.

טכניקה נוספת אבחון רב עוצמה היא העלילה לורנץ, הנגזרת ממערכות אחסון של קיבולת אחסון של קיבולת זרימה.על ידי ניתוח התפלגות חד-משמעית של נתונים ליבת ולוג, מהנדסים יכולים לזהות את מידת הטרוגניות של מאגר ואת השבריר של המאגר שתורמים למעשה לזרימה. Reservoirs עם מזהמים לורנץ לעתים קרובות יש חלקים משמעותיים של נפח הפוד נשאר ללא-מפוס, באופן ישיר על ידי ניתוח הון סיכון של הפחתת הון סיכון, כאשר הם יכולים לשפר את הפחתת כמות מסוימת של הפחתת הפחתת ההתערבות שלהם.

Analytics ולמידה של מכונות

מודלים של למידת מכונות מצטיינים בזיהוי מערכות יחסים עדין, לא לינאריות בין הפרמטרים של המאגר וביצועי התאוששות.אלגוריתמים למידה סופר-ביאוד, כגון ⁇ -boosted עצים ורשתות עצביות, מאומן על נתוני ביצועים היסטוריים כדי לחזות פרופילים עתידיים וגורמי התאוששות האולטימטיביים.מודלים אלה יכולים לזהות אשר במקומות קידוח אפיל צפויים להיתקל תאים בלתי מוטבעים או להאיץ את ההתאוששות באמצעות ספאק מותאם אישית.

שיטות לא מבוקרות כמו ניתוח רכיב אשכולות וראשי לעזור לגלוגים לטבול מאגר לתוך המשרות או יחידות זרימה בהתבסס על תגובות יומן, המאפשר מודלים סטטיים מדויקים יותר אשר משקפים טוב יותר קישוריות.לדוגמה, AFLT:0study על ידי החברה של מהנדסי נפט תחליפיים 1 , הראו כי התאמות ארוכות טווח עם kmeans שיפור של heterogeneity מזוהה ו -2.3 מיליון נוספים של תחזיות למחזור מים קוסמטיקה (כגון תחזיות) מתאימים לדגמים קצרים, כולל תחזיות זמן יעילות במיוחד.

אזור מתפתח הוא השימוש של למידה עמוקה עבור פרשנות סיסמית 'רשתות עצביות מהפכת (CNN) יכול באופן אוטומטי לסווג את הפארסי סיסמי לזהות פגמים, להאיץ באופן משמעותי את בניית מסגרות המאגר. כאשר בשילוב עם הסתנות פטרופיות מלוגים טובים, מודלים אלה להפחית את אי הוודאות בחישובים מורכבים ומדגישים צבירת פוטנציאלים שעשוי להתעלם מהיכולת לרכבת CNN גיאולוגית על תכונות שדה ירוקות במיוחד עבור תכונות שדה ירוקות.

מעבר לגישות סטנדרטיות של ML, רשתות עצביות בעלות מידע פיזיקלי (PINN) צוברות מצעים בהנדסה של מאגרים. PINNs להטביע את המשוואות השונות החלקיות של זרימת הנוזל ישירות לתוך תפקוד אובדן של הרשת העצבית, ומאפשרות לדגם ללמוד משני הנתונים והמגבלות הפיזיות. גישה היברידית זו היא בעלת ערך מיוחד בתרחישים שבהם נתונים הם חסוכים, אך הפיזיקה הבסיסית מובנת היטב.

Analytics ומנועי אופטימיזציה

ניתוח מרשם הולך צעד נוסף על ידי המלצה על פעולות להשגת מטרות ספציפיות - כגון למקסם את הערך הנוכחי הנקי או צמצום עלויות טיפול במים. אלגוריתמי אופטימיזציה, לעתים קרובות משולב עם סימולטורים מאגרים, יכול להעריך אלפי תרחישים עבור דפוסי הזרקת סוכן EOR, מיקום טוב, או הרמת פרמטרים מלאכותיים של בדיקות אופטימיזציה גנטית ולמידה חיזוק כבר הוחלו כדי לקבוע את הרצף הרווחי ביותר של פעילות קידוח ועבודה תחת מחירים לא בטוחים, לדוגמה, אופטימיזציה של נתונים אופטימיזציה של תרופות מודרניות של ניתוחי נתונים.

אחד יעיל במיוחד עבור זרימת עבודה מרשם כרוך אופטימיזציה רב-אובייקטיבי כי בו זמנית רואה התאוששות שמן, יכולת טיפול במים, תפעול הוצאות. על ידי יצירת חזית Pareto מול הרכישות, מנהלי נכסים יכולים לראות בדיוק כמה התאוששות הם חייבים להקריב כדי להישאר בתוך תקציב OPEX נתון, או לעומת זאת, כמה הוצאות נוספות נדרשים כדי להשיג יעד התאוששות מסוים.

איכות נתונים וממשל: הקרן של Analytics

אין כמות של ניתוחים מתוחכמים יכולה להתגבר על נתונים עניים.מוסכמות שמות לא עקביות, מטא-נתונים חסרים, סחף חיישן וטעויות היערכות זמניות מתפשטות במאגרי שמן וגז.ניתוח יקר הופך ללא ערך אם נתוני הקלט אינם אמינים ולכן, מסגרת ניהול נתונים חזקה היא תנאי הכרחי לכל יוזמה.

  • (ב) ,0) קטלוג נתונים: מיפוי 1:1 (ההוכחה, פורמט ומשמעותו של כל מקור נתונים, כולל כאשר הוא עודכן אחרון ומי הבעלים שלו.
  • (FLT:0) בדיקות איכות מובחנות:FLT:1 , יישום כללים כדי לזהות את הזקנים, ערכים חסרים, וחוסר עקביות הגיונית (למשל, שיעור הזריקה עולה על יכולת הצנרת, או קיצוץ מים מעל 100%).
  • ניהול נתונים של המאסטר:0) ניהול נתונים: FLT:1, הקמת גרסה אחת של אמת עבור שמות, מעמקים וגופים קריטיים אחרים כדי למנוע הפצת רשומות כפולות או סותרות.
  • (FLT:0) בקרת גישה: ההרחבה 1 (מבטיח כי הנתונים זמינים למשתמשים מורשים תוך שמירה על אבטחה וציות לדרישות רגולטוריות.
  • (ב) ⁇ :0) מעקב אחר נתונים: FLT:1 שומר תיעוד של כל שינוי החל על נתונים גולמיים כך שניתן יהיה לעקוב אחר כל חריגה למקורה.

מפעילים רבים אימצו את פלטפורמת הנתונים של OSDU כדי להתאים את פורמטי הנתונים ואת שילוב הזרקורים.יוזמה קוד פתוח זו, נתמך על ידי חברות גדולות וספקי ענן, מספק מודל נתונים משותף המפחית את המאמץ הנדרש כדי לשלב נתונים מיצרנים שונים. בפועל, המציין 30–40% מתקציב ניתוח נתונים של ניתוח נתונים לניקוי נתונים וממשל אינו יוצא דופן, אבל ההשקעה משלמת על דיוק ובעלי אמון מיומים 1824 חודשים אמינים יותר מאשר שמירה על דיוק קפדניים על מודלים אלה.

דוגמה קונקרטית מהאגן הפרסיאני ממחישה את העלות של ממשל עני.מפעיל ניסה להכשיר מודל חיזוי ייצור באמצעות נתונים מ-2,000 בארות, אך גילה כי 40% מהבארות היו קודים בעלי מעמד לא עקביים על פני מסדי נתונים שונים.חלק מהרשומות הראו בארות כמו הפקתן של 8 מיליון דולר, בעוד שאחרים היו בעלי מרווחי זמן שלא התאימו את הסקרים של 800,000 דולר, לאחר ששילמו עלות של 0.

שחזור נתונים-Driven Reservoir Modeling ו- Digital Twins

מודלים מסורתיים של מאגר מסתמכים על מושגים גאולוגיים, מתפרשים היטב, ונתונים ליבה לאוכלוסיות מודלים המבוססים על 3D ברשת, אשר אז זה תואם היסטוריה לייצור נתונים.תהליך זה הוא זמן רב, ולעתים קרובות מניב פתרונות שאינם לא אחידים. ניתוח נתונים מעצב מחדש את זרימת העבודה מודל בשני דרכים עיקריות:

  • (FLT:0) היסטוריה מותאמת: FLT:1 algorithms כמו פילטרים של Kalman ו Bayesian תוך הקצאה במהירות פרמטרים מודל להתאים ללחצים ושיעורים צפופים, צמצום דרסטי של ההסרה ידנית.חלק מפעילי חתכו זמן השווה היסטוריה מחודשיים עד ימים, תוך שיפור נאמנות המודל באחד ממפרץ מקסיקו, גישה בייסינדית שמוערך בירידה בירידה של 40% מההתאוששות של חוסר ודאות, כך שתאפשרה של 40% מ- 200 מיליון דולר לפני כן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, כך שהפכה בטוחה, לאחר מכן, לאחר שיפור פירעישהו של צוות בטוח היה שיפור פירעישהו של 40%, לאחר מכן, לאחר מכן, בשל שיפור פירעישהו של 40%, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, בשל שיפור נאמנות מודל של 40%, בשל שיפור פירעישה של חוסר ודאות גבוהה של חוסר ודאות גבוהה של חוסר ודאות גבוהה של 40%, בשל ירידה של 40%, בשל ירידה של 40%, לאחר מכן, בשל ירידה של 40%, בשל ירידה של חוסר ודאות גבוהה של חוסר ודאות גבוהה של 40%, לאחר מכן, בשל ירידה של 40%, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן,
  • מודלים של פרופואקסי ותאומים דיגיטליים: FIRLT:1 מודלים של למידת מכונות מאומן על אלפי סימולציה ריצות יכול להיות משוער סימולטור מלא פיזיקלי במילות שניות.מודלים פונדקאיים אלה מוטבעים בתוך תאומים דיגיטליים - חיים, העתקי נשימה של הנכס הפיזי שמצית נתונים בזמן אמתיים וחיזוי התנהגות עתידית של מאגר שלם יכול לחזות כיצד תאומים מרוחקים ישפיעו על סימולציה מרחוק, כדי לספק סימולציה של ימינו של פונקציות, ללא הפעלת תאים מתקדמים של פעולות.

דוח של McKinsey:0 (McKinsey Report) מציין כי תאומים דיגיטליים משולבים כאלה יכולים להגדיל את ההתאוששות האולטימטיבית של 3% ל-5% בתחנות מים בוגרות על ידי התאמת הזרקות וההפקות המבוססות על לחץ חי ועל נתוני השטחה.האפשרות העיקרית היא לעדכן את התחזיות של התאומים לעתים קרובות, כזרמים חדשים בניגודים אלה עם סימולציה רגילה או בדרגה גבוהה ביותר של עבודה.

עמוד השדרה האדריכלי של תאפוס דיגיטלי מוצלח הוא צינור נתונים חזק המחבר חיישנים קצה לאנליזה מבוססת ענן.סי. טמפרטורה מבוזרת סיבי-אופטי מבוזרת חישה (DTS) וניתוק חישה אקוסטית מבוזרת (DAS) מספקים פרופילים רציף לאורך כל ה- Wellbore, ומייצרת מיליוני נקודות נתונים ליום.

Ihancing IOR / EOR באמצעות Analytics

התאוששות נפט משופרת (IOR) ופרויקטים משופרים של התאוששות נפט (EOR) הם הון רגיש ורגיש לתנאי המאגר.ניתוח נתונים מקטין את הסיכון ומשפר את התוצאות באמצעות:

ביקורת ובחירת מועמדים

סקרים אילו מאגרים או קטעים מתאימים לשיטות EOR – COVERFLT:0 [13]2FIRLT:1 הזרקת פולימר, שיטפונות, הזרקת קיטור, או זריקת קיטור - הסתמך היסטורית על קריטריונים של הכלל-של קידוד.מתאים למידת מכונות עוזרים כעת לצמצום פרויקטים של פיילוט עולמי יכול כעת לייצר הסתברות להצלחה טכנית עבור כל טכניקה.

לדוגמה, מפעיל במערב אפריקה השתמש במקבץ ⁇ -boosted אשר הוכשר על 1,200 פרויקטים של שיטפון פולימרים כדי להעריך 40 מאגרים מועמדים.המודל זיהה חמישה שדות עם הסתברות של הצלחה מנבאת מעל 80%, שאף אחד מהם לא נחשב למועמדים חזקים באמצעות קריטריונים בדיקות בדיקות בדיקות מסורתיות בשל מיצוי גבוה יחסית שלהם. שיטפון משמעותי בדיקות שימור פולימרים ושימור מולטי בתוך טווחים מקובלים עבור שלושה תחומים, שני שדות אלה, סבירים כבר מבחנים אלה הם כנראה דחו את הסיכויים לניסוי ללא מרשם.

מעקב בזמן אמת ובקרה הסתגלות

במהלך פעולות EOR, זרימת נתונים מטמפרטורה מבוזרת סיבים אופטיים ורגישות אקוסטית (DTS/DAS) ומדפי לחץ על חורב מספקים תובנה גבוהה של תנועה נוזלית. Analytics מעבד נתונים אלה כדי לזהות סימנים מוקדמים של בעיות התאמה - כגון ערוץ או override גישה זו - מומלץ התאמות להורדת נפח אחסון או ריכוזים כימיים.

מעבר COIRFLT:0.2IRFLT:1 ; פעולות שיטפון פולימרים ליהנות באופן משמעותי מניתוח בזמן אמת.הההתקפוזה והריכוז של פתרונות פולימרים יש לשמור בתוך סובלנות הדוקה כדי להבטיח חזיתות עקירה יציבה. inline rheometers יחד עם אלגוריתמי בקרה חיזוי יכול להתאים את המינון פולימרים על המטוס, מניעת זיהום אצבע יכול לפשרה יעילות פולימרונית ב 15% לאחר שיפור קליני של ניתוח.

אופטימיזציה ותחזוקת חיזוי

גם ללא EOR בקנה מידה גדול, ניתוח נתונים יכול לפתוח התאוששות מצטברת באמצעות מצוינות מבצעית יומיומית.

  • (FLT:0)Gate Optimization: FLT:1 סימולטורים של זרימת Multiphase בשילוב עם ניתוח נתונים בזמן אמת לקבוע את קצב הזרקת גז אופטימלי עבור כל אחד טוב כדי למקסם את ייצור הנפט תוך צמצום צריכת האנרגיה של דחיסה. Algorithms יכול להתאים באופן רציף נקודות ללא התערבות אנושית, להגיב לשינוי לחץ וחתמי מים.
  • (FLT:0) ניתוחי מעלית מלאכותיים: FLT:1 משאבות תת-קרקעיות חשמל (ESPs) ומשאבות מוטות לייצר רטט, נוכחי וטמפרטורה נתונים כי מודלים למידת מכונה משתמשים כדי לחזות ימים מראש, הימנעות מעובד יחיד ESP יכול למנוע שבועות של ייצור למטה זמן ולשמור על עתיר כי עשוי להיות אבוד כדי ליצור נזק במהלך מסגור של משמן כבד דיווחו על ירידה של 35% ב 5.4 נסיעות ללא תכנון נוסף לאחר חיזוי של 200 קיבולת של 200 קיבולת של 200 חיזוי של קיבולת של 200 קיבולת של קיבולת של 200 7,000 $ בשנה.
  • (FLT:0) מעקב במים: FLT:1 הקצאה בזמן אמת וניתוח דפוס יכול לזהות חוסר איזון של פסולת של הזרקת-לייצור.התאמה של שיעורי ההזרקה המבוססים על התראות המונעות על נתונים הוכח כדי לשפר את תחזוקה של לחץ המאגר ולהחלים 1% נוסף ל-2% של שמן מקורי במקום על נכסים מכוסי מים בוגרים.
  • (FLT:0) ניהול יושרה: FLT:1 Casing ו צ'קוזיד צ'קוזי, בניית לחץ קונסולרי, וכישלונות ארז יכולים כל התאוששות פשרה.מודלים למידה מאומן על מגמות לחץ ראש ונתוני ניטור אננולוס יכולים לדגל שבועות לפני כישלון מתרחש.התערבות מוקדמת מאפשרת למפעילים לבצע ניתוח מכווץ או לחוץ לפני עבודה מלאה נדרש חיסכון של מיליוני דולרים, ולהימנע מהפסדים של דולרים.

אתגרים נוספים

למרות הפוטנציאל, ארגונים רבים נאבקים לעבור מפרויקטי טייס לאימוץ ניתוח בקנה מידה מלא.

(FLT:0Data Quality and administration: FLT:1 מוסכמות שמות בלתי עקביות, metadata לקוי, חיישן סחף לערער אמינות מודל.הקמה של מסגרות ניהול נתונים חזקות, עם בעלות נתונים ברורה ובדיקות איכות אוטומטיות, הוא תנאי מוקדם לכל יוזמה מוצלחת אנליטית.ללא זה, FLT:2garbage in אשפה 3 נשאר סיכון אמיתי שלב של סמכות - מתן תוקף לקביעת סטנדרטים מרכזיים של ניהול נתונים, לפני מתן הוכחה אישית של ניהולית.

מורכבות:0 [השילוב] מורכבות: אימוץ תוכנה של פרשנות סיסמית, מסדי נתונים לייצור וחיישנים בזמן אמת אחת נשאר אתגר טכני.אימוץ סטנדרטים פתוחים כמו פלטפורמת נתונים של מערכת ההפעלה OSDU מקל על שילוב על ידי מתן schema נתונים נפוצה, אבל הגירה מערכת מורשת דורשת זמן והשקעה.

(FLT:0Skill Gap:FLT:1) צומת של הנדסת נפט, מדעי נתונים ומומחיות התחום הוא נדיר.בני צוותים חוצה תפקוד המשלבים מהנדסי מאגר, טכנולוגיות ייצור ומדענים נתונים - וטיפוח תרבות של ניסויים - הוא חיוני.כמה מפעילי גדול ביססו אקדמיות דיגיטליות פנימיות כדי להגביר את המיומנות הקיימת עם אוניברסיטאות וחברות צד שלישי יכולות גם להאיץ את יכולת הניתוחים של צוות אחד, במקום לדווח על פרופיל מרכזי של צוות.

(FLT:0) ניהול שינוי: ⁇ FLT:1 אפילו הפתרון הניתוח הטוב ביותר להיכשל אם אנשי שדה לא בוטחים בהמלצות Black-box.הצלחה דורש מודלים שקופה עם פלטים מפרשים, הדגמה של ניצחונות מהירים, וספונסרים מנהלים כי אותות ניתוח הוא עדיפות אסטרטגית, לא רק פרויקט R&D. מעורבים מהנדסי שדה בתהליך פיתוח מודל מגבירים את הבעלות והאימוץ הרגיל, אשר מסבירים את האבטחה מאחוריהם של שישה חודשים לאחר מכן, כי הם מאפשרים שיפור של שיטות אימון משופרות על גבי מודל אחד.

הדרך Ahead: AI, אוטומציה, ו-Loop Optimization

הגבול הבא לניתוח נתונים בשיקום הוא ניהול שדה אוטונומי לחלוטין.התקדמות ב- AI, חיזוק למידה, ומחשוב קצה הם שילוב כדי ליצור מערכות שיכולות ללמוד אסטרטגיות התאוששות אופטימליות על זבוב.דמיין מאגר שבו בארות הזריקה ובארות הייצור מתואמים ברציפות על ידי סוכן AI אשר למד את התגובה של המאגר באמצעות מיליוני פרקים, תוך שמירה בתוך מגבלות מכניות ובתחילת.

מחשוב קוונטי, למרות שעדיין בחיתוליו, מבטיח לפתרון בעיות אופטימיזציה מורכבות מאוד - כגון גם שיתוף פעולה ותזמון ייצור - כי overwhelm מחשבים קלאסיים.בינתיים, ההתפשטות של חיישנים סיסמית זולים ו ניטור אינSAR מבוסס לווייני יאכיל עוד נתונים לתוך מנוע הניתוח, המאפשר זיהוי של קומפקטיות מאגר עדינה או תנועה נוזלית.

שילוב של חומרים סביבתיים, חברתיים וממשל (ESG) מדדים לאופטימיזציה של התאוששות הוא גם צובר מתחים. ניתוח נתונים יכול לעזור איזון התאוששות מקסימליזציה עם עוצמת פחמן, המציע שיטות התאוששות כי לכידת יותר COREFLT:02FLT:1 או להשתמש פחות אנרגיה לחבית, יישר עם שאיפות של אפס רשת.

מחשוב צוק מייצג עוד מאפשר גדול.במקום להעביר את כל נתוני החיישן הגולמיים לענן לעיבוד, מכשירים מודרניים יכולים להפעיל אלגוריתמים הניתוק באופן מקומי, לשלוח רק חריגים ולסכמים לשרתים מרכזיים.זה מקטין את עלויות רוחב הפס וההנעה, ומאפשר פעולות בקרה אוטומטיות להילקח תוך שניות ולא דקות. בפרויקט טייס במזרח התיכון, ניתוח מבוסס על ESP על מוטציות מתפתחות ולהפחית את מהירות ייצור מהירה יותר מ-200 פעמים.

מסקנה

ניתוח נתונים שינה באופן יסודי את האופן שבו תעשיית הנפט והגז מזהה ומרוויחים מהזדמנויות התאוששות.על ידי הפיכת נתונים גולמיים לניתוחים חזטיביים ופעולות מרשם, מפעילי פותחים חביות שהיו נשארים בלתי ניתנות להשגה לפני דור.המסע דורש השקעה בתשתיות נתונים, כישרון בין-תחומי ותרבות שממלאת ראיות בעלות ערך על-ידי קבלת החלטות, אך חברות שביצועים ביעילות, הן יתרון ממשי יותר, כמו גם יכולת מעבר למחזורית אחת, היא בעלת יכולת מעבר למחזור אנרגיה אחת, כמו גם יותר.

החברות שהצלחה יהיו אלה שמטפלים בנתונים לא כתוצר לוואי של פעולות, אלא כנכס ראשוני הדורש את אותה השקיה וההשקעה כמו קידוח טוב או בניית פלטפורמה.הם ייצרו סביבות שבהן מדענים ומהנדסי נפט משתפים פעולה מדי יום, שם איכות הנתונים אינה ראויה להשגה, וכאשר התגובה ברירת המחדל לכל שאלה מבצעית היא להתייעץ עם הנתונים הראשונים.