Introduzione all'intelligenza artificiale e all'apprendimento delle macchine nella produzione di rifiuti non convenzionali

I serbatoi non convenzionali, comprese le formazioni di scialli, le sabbie strette e i depositi di metano carbonato, hanno rimodellato fondamentalmente il panorama energetico globale. Questi complessi sistemi geologici richiedono tecniche di estrazione avanzate come la fratturazione idraulica e la perforazione orizzontale per raggiungere la redditività. Tuttavia, ottimizzare la produzione da queste formazioni rimane una sfida persistente a causa della loro eterogeneità intrinseca, bassa permeabilità e complesse dinamiche di flusso.

L'applicazione di AI e ML nella gestione del serbatoio non convenzionale rappresenta un cambiamento di paradigma dagli approcci tradizionali di modellazione basati sulla fisica. Mentre la simulazione convenzionale del serbatoio si basa su modelli matematici deterministici che richiedono assunti e risorse computazionali, i metodi basati sull'intelligenza artificiale possono imparare direttamente dai dati, scoprire schemi sottili e relazioni non lineari che governano il comportamento del serbatoio.

Questo articolo esplora il ruolo trasformativo di AI e ML nell'ottimizzazione della produzione di serbatoi non convenzionali, coprendo l'integrazione e l'analisi dei dati, il monitoraggio in tempo reale e l'ottimizzazione, la modellazione predittiva, l'ottimizzazione delle fratture e le implicazioni economiche.

Il ruolo dell'intelligenza artificiale e dell'apprendimento automatico in Ingegneria del rispetto

L'ingegneria del Conservatorio si basa tradizionalmente su modelli analitici e numerici che risolvono equazioni differenziali parziali che descrivono il flusso fluido attraverso i mezzi porosi. Mentre questi modelli hanno servito bene l'industria per i serbatoi convenzionali, spesso lottano per catturare l'eterogeneità multi-scala e reti di frattura complesse caratteristiche di formazioni non convenzionali.

Le tecniche di apprendimento automatico comunemente applicate nell'ingegneria dei serbatoi includono metodi di apprendimento supervisionati come foreste casuali, aumento del gradiente e reti neurali per le attività di regressione e classificazione; metodi di apprendimento non supervisionati come clustering e analisi dei componenti principali per il riconoscimento dei modelli e la riduzione della dimensione; e l'apprendimento del rafforzamento per il processo decisionale sequenziale in applicazioni di controllo in tempo reale.

Integrazione e analisi dei dati

Uno dei contributi più significativi di AI e ML per la gestione del serbatoio non convenzionale è la loro capacità di integrare diversi set di dati che abbracciano più scale e discipline. Questi set di dati includono registri geologici, risultati di analisi del nucleo, sondaggi sismici, dati di monitoraggio microsesmatici, parametri di perforazione, disegni di completamento, storie di produzione e dati di trasmissione della pressione.

I modelli di apprendimento automatico possono quindi elaborare questi dati integrati per prevedere il comportamento del serbatoio in vari scenari. Ad esempio, le reti neurali addestrate ai dati storici di produzione e ai parametri di completamento possono identificare il numero ottimale di fasi di frattura, spaziatura del cluster e caricamento del proppant per i nuovi pozzi in un determinato campo. Analogamente, i modelli forestali casuali possono valutare l'importanza relativa di diversi fattori geologici e operativi che influiscono sulle buone prestazioni, aiutando gli ingegneri a privilegiare la raccolta dei dati di raccolta dati di riferimento.

Le tecniche di scrittura per l'integrazione e l'analisi dei dati nei serbatoi non convenzionali includono:

  • Pulitura e imputazione automatica dei dati:[[] Gli algoritmi AI rilevano e correggono gli errori nei dati dei sensori rumorosi, colmando le lacune utilizzando metodi statistici o modelli generativi.
  • Ingegnere e selezione della struttura:[ L'apprendimento automatico identifica le variabili più informative per la predizione dei risultati di produzione, la riduzione della complessità del modello e il miglioramento dell'interpretabilità.
  • Riduzione della dimensione:[] Tecniche come l'analisi dei componenti principali e gli autoencoders comprimere dati ad alta dimensione in rappresentazioni dimensionali inferiori, preservando al contempo informazioni essenziali.
  • Multi-modal fusion:[] I sistemi AI combinano dati da diverse modalità (ad esempio, immagini, serie di tempo, report di testo) per fornire una visione olistica delle condizioni di serbatoio.
  • L'apprendimento del trasferimento:[] I modelli pre-trainati sui dati provenienti da campi maturi sono adattati a nuovi campi con dati limitati, accelerando il processo di apprendimento e migliorando l'accuratezza delle previsioni.

Monitoraggio e ottimizzazione in tempo reale

I moderni pozzi non convenzionali sono dotati di una serie di sensori che monitorano continuamente la pressione del foro di scarico, la temperatura, i flussi di flusso e la composizione dei fluidi. Questi sensori generano flussi di dati di serie temporali che possono essere elaborati in tempo reale utilizzando algoritmi AI e ML. Il monitoraggio in tempo reale consente agli operatori di rilevare anomalie di sollevamento, prevedere guasti dell'attrezzatura e regolare i parametri operativi prima che i problemi si escalino in costosi tempi di ottimizzazione o incidenti di sicurezza.

L'apprendimento delle forze di forza, un ramo di machine learning focalizzato sul processo decisionale sequenziale, è emerso come uno strumento potente per l'ottimizzazione in tempo reale in serbatoi non convenzionali. In questo quadro, un agente dell'AI interagisce con l'ambiente del serbatoio, prendendo azioni come la regolazione della velocità della pompa o la posizione della valvola, e riceve feedback in forma di segnali di ricompensa relativi ai tassi di produzione, al consumo energetico, o all'usura delle attrezzature.

I vantaggi dell'ottimizzazione basata su AI in tempo reale includono:

  • Ridotto in tempo di inattività:[] Gli algoritmi di manutenzione predittivi rilevano i primi segni di degrado delle apparecchiature, permettendo che gli interventi siano programmati durante le interruzioni pianificate piuttosto che le riparazioni di emergenza.
  • Migliorato il recupero:[] Le regolazioni in tempo reale per l'iniezione e i parametri di produzione mantengono gradienti di pressione ottimali e spazzano l'efficienza durante il ciclo di vita del pozzo.
  • Consumo energetico ridotto:[[] I sistemi AI ottimizzano le operazioni di pompaggio e i tassi di iniezione di gas lift per ridurre al minimo l'utilizzo di energia durante l'incontro con gli obiettivi di produzione.
  • Sicurezza avanzata:[[] Sistemi di rilevamento di anomalie avvisano gli operatori a condizioni potenzialmente pericolose come perdite di involucro, guasti di tubazione, o punte di pressione inaspettate.
  • Operazioni autonome:[ In luoghi remoti o off-shore, i sistemi AI possono gestire la produzione con un minimo intervento umano, riducendo l'esposizione dell'equipaggio agli ambienti pericolosi.

Modellazione predittiva per la previsione di produzione

La previsione di produzione accurata è essenziale per le decisioni di gestione del serbatoio, tra cui il posizionamento, la progettazione di frattura e la valutazione economica. L'analisi tradizionale della curva di declino, mentre ampiamente utilizzata, spesso non riesce a catturare i comportamenti complessi di produzione osservati in serbatoi non convenzionali, come il flusso multifase, la chiusura di frattura e l'interferenza tra pozzi.

I modelli di previsione delle serie temporali, come le reti a breve termine (LSTM) e le unità recidive (GRU) sono stati applicati con successo per prevedere i tassi di produzione per i singoli pozzi e interi campi. Questi modelli possono catturare dipendenze temporali e tendenze non lineari che i metodi tradizionali di curva di declino mancano.

Ottimizzazione delle fratture utilizzando l'AI

La frattura idraulica è una tecnologia critica per sbloccare serbatoi non convenzionali, ma la progettazione di trattamenti ottimali di frattura rimane una sfida ingegneristica complessa. I parametri chiave di progettazione includono spaziatura scenica, spaziatura a grappolo, progettazione di perforazione, tipo e volume di fluido, tipo di proppant e concentrazione, e frequenza di pompa e pressione. Le interazioni tra questi parametri e la geometria di frattura risultante, conducibilità e infine la produzione sono altamente non lineari e specifici del sito.

Gli algoritmi genetici, l'ottimizzazione dei trucioli e l'ottimizzazione baiesia sono tra le tecniche utilizzate per cercare lo spazio di progettazione ad alta dimensione per i parametri di frattura che massimizzano il valore attuale netto o la produzione cumulativa. Questi metodi di ottimizzazione possono essere combinati con modelli surrogate, come le regressioni di processo gaussiana o le reti neurali, che si approssimano al rapporto tra parametri di progettazione e risultati di produzione utilizzando meno simulazioni computazionalmente costose.

Le aree di attenzione dove l'IA contribuisce all'ottimizzazione della frattura includono:

  1. Stage e cluster spaziatura:[[ Modelli di apprendimento automatico formati su dati microsismici e registri di produzione identificano la spaziatura ottimale che massimizza il volume di roccia stimolata, minimizzando le interferenze e i costi di frattura.
  2. Selezione e posizionamento proppante:[] Gli algoritmi AI analizzano le simulazioni di trasporto di proppant e i dati di laboratorio per consigliare i tipi di proppant e le concentrazioni che raggiungono la conducibilità di frattura desiderata in determinate condizioni di serbatoio.
  3. Progettazione del sistema fluido:[] I modelli predittivi valutano le prestazioni di diverse formulazioni fluide di frazionamento, considerando fattori come viscosità, velocità di fuga e potenziale di danno di formazione.
  4. Ottimizzazione del programma di pompaggio:[[] Approcci di apprendimento di rinforzo ottimizzano la velocità della pompa e i piani di rampa di concentrazione di proppant per raggiungere la propagazione efficace della frattura e il posizionamento del proppant.
  5. Analisi diagnostica:[[] L'apprendimento automatico interpreta i dati diagnostici come le curve di caduta della pressione e le distribuzioni di eventi microsismici per inferire la geometria della frattura e identificare le aree per il miglioramento del design.

Vantaggi economici e operativi dell'AI e dell'Adozione ML

L'adozione delle tecnologie AI e ML nella gestione dei serbatoi non convenzionali offre benefici economici e operativi misurabili che vanno oltre i tassi di recupero migliorati. Le aziende che hanno implementato flussi di lavoro basati su AI a report di riduzioni significative dei costi di perforazione e di completamento, un miglioramento dell'utilizzo degli asset e una maggiore velocità e precisione decisionale.

Uno degli argomenti economici più interessanti per l'adozione di AI e ML è la riduzione dell'incertezza e del rischio. Fornendo previsioni più accurate delle prestazioni del serbatoio e identificando strategie operative ottimali, i sistemi AI aiutano gli operatori ad evitare errori costosi come la perforazione in posizioni suboptimali, trattamenti di frattura over o under-designing, o ritardando la manutenzione necessaria. L'effetto cumulativo di queste riduzioni di rischio può aggiungere un valore significativo sul ciclo di vita di un campo, soprattutto in condizioni di alta qualità.

Sintesi dei vantaggi chiave:

  • Precisione avanzata:[] I modelli predittivi migliorano la precisione delle simulazioni di serbatoio e delle previsioni di produzione, consentendo decisioni di investimento più affidabili.
  • Riduzione dei costi:[] Ottimizzate operazioni di foratura, completamento e produzione riducono le spese inutili per materiali, attrezzature e personale.
  • Faster Decision-Making:[] Analisi automatizzata e monitoraggio in tempo reale accelerano i tempi di risposta per cambiare le condizioni del serbatoio o le questioni di apparecchiatura.
  • Creazione aumentata:[ Una migliore comprensione delle dinamiche del serbatoio e del comportamento della frattura porta a fattori di recupero più elevati da ogni pozzo.
  • L'espansione della vita delle risorse:[] Manutenzione attiva e programmi di produzione ottimizzati prolungano la vita economica dei pozzi e riducono la frequenza degli interventi di workover.
  • Miglioramenti di sostenibilità:[] L'ottimizzazione guidata dall'IA riduce l'utilizzo dell'acqua e della sostanza chimica, riduce al minimo le emissioni di gas serra e riduce l'impronta ambientale delle operazioni.

Sfide e limitazioni dell'attuazione dell'AI e dell'ML

Nonostante il notevole potenziale di AI e ML per l'ottimizzazione dei serbatoi non convenzionali, diverse sfide ostacolano la loro diffusa adozione e l'efficacia.

Qualità e disponibilità dei dati

In molti serbatoi non convenzionali, i dati storici possono essere radi, incoerenti, o contaminati da errori di misura. Dati mancanti, intervalli di campionamento irregolari, e cambiamenti nei protocolli di misura nel tempo possono tutti degradare le prestazioni del modello. Inoltre, i dati provenienti da esperimenti di laboratorio e test di controllo pilota non possono rappresentare pienamente le condizioni di campo, portando a modelli di qualità che eseguono dati significativi.

Modello Interpretibilità e fiducia

Molti potenti modelli di apprendimento automatico, in particolare reti neurali profonde, sono spesso descritti come "scatole nere" perché i loro processi decisionali interni sono difficili da interpretare. In un'industria di sicurezza-critica come il petrolio e il gas, gli ingegneri e i regolatori richiedono spiegazioni per le predizioni del modello per costruire la fiducia e garantire la responsabilità.

Requisiti di competenza specializzati

Sviluppare, distribuire e mantenere i sistemi AI e ML nelle applicazioni di ingegneria dei serbatoi richiede una combinazione di competenze di dominio in ingegneria del petrolio e competenze tecniche in data science, ingegneria del software e cloud computing. Questo ibrido competenzeet è raro, e molte organizzazioni lottano per reclutare e mantenere il talento con le capacità necessarie.

Costi di investimento iniziali elevati

I costi di upfront dell'implementazione AI e ML possono essere sostanziali, compresi gli investimenti in infrastrutture di dati (sensori, archiviazione dati, rete), piattaforme software, risorse di calcolo (on-premises o cloud), e personale.Per gli operatori più piccoli con budget limitati, questi costi possono essere proibitivi, in particolare quando il ritorno sull'investimento è incerto e può richiedere diversi anni per concretizzare.

Direzioni e tendenze emergenti

Il campo dell'ottimizzazione dei serbatoi non convenzionali AI e ML si sta evolvendo rapidamente, con diverse tendenze emergenti in grado di trasformare ulteriormente l'industria nei prossimi anni, che promettono di affrontare le limitazioni attuali, di ampliare la portata delle applicazioni e di accelerare l'adozione di approcci basati sui dati in tutto il settore a monte.

Imparare a macchina in forma fisica

Una delle direzioni più promettenti è l'integrazione della conoscenza fisica direttamente nei modelli di apprendimento automatico. Le reti neurali informatiche incorporano equazioni di governo come l'equazione di diffusione, le leggi di conservazione e le relazioni costitutive nella funzione di perdita utilizzata durante la formazione. Questo approccio assicura che le previsioni soddisfino i principi fisici noti, migliorando la generalizzazione alle condizioni di invio e riducendo la quantità di dati di formazione richiesti.

Edge Computing e Real-Time AI

I progressi nell'hardware di calcolo dei bordi e le architetture di rete neurali ottimizzate consentono di eseguire l'inferenza AI direttamente su sensori di downhole, apparecchiature di superficie o piattaforme remote, piuttosto che richiedere la trasmissione dei dati a un server centrale per l'elaborazione.

Apprendimento e privacy dei dati

L'apprendimento federato è un approccio emergente che consente di formare modelli di apprendimento automatico attraverso fonti di dati decentrate senza richiedere l'inserimento dei dati grezzi in un'ottica di protezione dei dati aggregata, ma gli aggiornamenti dei modelli sono condivisi tra i partecipanti, consentendo un apprendimento collaborativo preservando la privacy dei dati.

AI Generativo per la Modellazione di Conservazione

Le reti adversariali (GAN) e gli autoencoders variazionali vengono esplorati per generare modelli geologici realistici, reti di frattura e scenari di produzione. Questi modelli generativi possono produrre molteplici realizzazioni plausbili di proprietà di serbatoio che onorano i dati osservati mentre catturano la gamma completa di incertezza.

Collaborazione e flussi di lavoro aumentati

Invece di sostituire gli ingegneri umani, AI e ML sono sempre più progettati per aumentare le capacità umane, fornendo raccomandazioni, avvisi e visualizzazioni che migliorano il processo decisionale, lasciando decisioni finali nelle mani di professionisti esperti. I sistemi di machine learning interattivi consentono agli ingegneri di fornire feedback ai modelli, correggere gli errori o regolare le priorità, consentendo un miglioramento continuo e l'adattamento alle condizioni di campo cambianti.

Conclusioni

L'integrazione dell'intelligenza artificiale e dell'apprendimento automatico nella gestione del serbatoio non convenzionale rappresenta uno dei più significativi progressi tecnologici nell'industria a monte del petrolio e del gas negli ultimi decenni. Con l'obiettivo di consentire l'analisi efficiente di vaste e diverse impostazioni di dati, fornendo capacità di ottimizzazione in tempo reale, e migliorando l'accuratezza delle previsioni di produzione, queste tecnologie offrono il potenziale di migliorare notevolmente i tassi di recupero, ridurre i costi, e estendere la vita economica dei beni non convenzionali.

Tuttavia, la riuscita implementazione di AI e ML nell'ottimizzazione dei serbatoi non convenzionali non è senza sfide. I problemi di qualità dei dati, le preoccupazioni di interpretabilità dei modelli, la necessità di competenze specialistiche e gli alti costi iniziali di investimento rimangono barriere significative che devono essere affrontate attraverso la continua ricerca, la collaborazione e l'investimento in infrastrutture e capitale umano.

In prospettiva, le tendenze emergenti come l'apprendimento automatico, l'elaborazione dei bordi, l'apprendimento federato, l'intelligenza artificiale generativa e la collaborazione tra l'AI e l'uomo dovrebbero ulteriormente espandere le capacità e l'accessibilità dell'ottimizzazione dei serbatoi basati su AI, consentendo previsioni più accurate e affidabili, processi decisionali più rapidi e autonomi, e infine una produzione più efficiente e sostenibile da serbatoi non convenzionali.

Per ulteriori informazioni su questi argomenti, la Società di Petroleum Engineers (SPE) pubblica una vasta letteratura tecnica sulle applicazioni AI in ingegneria dei serbatoi, tra cui le carte presentate al SPE annuale conferenza tecnica e mostra.