重油生産における熱回収の概要

熱膨張油回収(EOR)は、貯水池条件で自然に流れない重甲および瀝青を抽出するための角質技術を維持します。蒸気を伴った重力排水(SAGD)、循環蒸気刺激(CSS)、蒸気の浸水などの方法は、蒸気の形態で、油粘度を低下させ、移動性を改善します。これらのプロセスは、多相流体の流れ、熱伝達、地形およびそれらの複雑な変更を厳格に維持し、それらを保存し、それらを保存し、複雑にするために、それらを再保存します。

生産性、蒸気油比(SOR)、および回復因子を含む、正確に熱回復性能を予測することは、経済の生存と運用計画に不可欠です。 従来型の貯水池シミュレーション方法が、堅牢で、計算的に高価であり、多くの場合、校正の週を必要とします。 これは、人工知能(AI)が変革的な代替手段を提供し、リアルタイムで新しい測定に適応できる迅速でデータ主導的な予測を可能にします。

サーマルリカバリ予測に応用したAI技術

人工知能、特に機械学習(ML)、深層学習(DL)は、熱回復性能を予測するための強力なツールとして登場しました。これらのモデルは、歴史的なフィールドデータ、合成シミュレーションの出力、または伝統的な分析モデルが簡単にキャプチャできないパターンを識別するための組み合わせから学びます。

回帰タスクの学習を監督

熱回復予測で使用される一般的な指示された学習アルゴリズムには、ランダムな森、勾配ブースティングマシン(XGBoost、LightGBM)、およびサポートベクターの回帰が含まれます。これらのモデルは、射出温度、貯水池透過性、気孔率、初期油飽和、および稼働歴などの入力機能を利用して、累積油生産や瞬間SORなどの連続的変数を予測します。例えば、ランダムな森林モデルは、SAGDの動作からデータを訓練されたAbathsの動作速度が、より5%未満のエラーが発生する可能性があります。

ディープラーニングと再発ニューラルネットワーク

熱回復データは、本質的にタイムシリーズベースの(温度プロファイル、圧力低下、時間経過時の注射率)であるため、再稼働ニューラルネットワーク(RNN)および長期のメモリ(LSTM)ネットワークは、優れた性能を示している。 LSTMモデルは、日常的な運用測定のシーケンスを摂取し、より先日、リザーバー応答の週または月を出力することができます。 そのようなモデルは、現在、に統合されています。 リアルタイム監視ダッシュボード:]は、性能を低下させるときに、重要なエンジニアが予測されると判断します。

空間データのための複雑なニューラルネットワーク

従来のニューラルネットワーク(CNN)は、蒸気適合に影響を与えるリザーバールの異質性を特徴付ける3D地震の容積、抵抗画像、または井戸ログ配列などの地質および地質学データにますますます応用されます。 CNNは、蒸気ブレークスルーが起こる可能性がある場所を予測し、オペレータは注射プロファイルを積極的に調整することができます。

データの要件とパイプラインの課題

高品質の代表的なデータセットを要求する熱回復のための効果的なAIモデルの構築。 最小限の生存可能なデータセットは、通常以下を含みます。

  • 毎日の注入および生産率(オイル、水、蒸気)
  • 最下の温度および圧力
  • 貯水池の特性(気孔率、透過性、純ペイの厚さ)
  • 完成詳細(ウェル・スパシング、パーフォレーション間隔)
  • 流体特性(粘度、密度、貯水池条件でのAPI重力)

しかし、多くの油田は、スパースやノイズデータに苦しんでいます。 機器の故障や手動の記録エラーによるギャップは、ドメインアウェアメソッドを使用して妨げられる必要があります。 さらに、データ分布はしばしば非静止状態であり、蒸気チャンバーが成長し、圧力が不足しているにつれて、さまざまな変化が起こります。 予測精度を維持するためには、モデルは定期的に再訓練され、オンライン学習アルゴリズムで更新する必要があります。 ]Thermal EORプロジェクトは、現在、AIFATバイトを生成します。 [FLTF] [FLTF] [F] [FLT] [F] [F] [F] [FLT] [F] [F] [F] [F] [FLT] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F]

事例:熱回復分野応用におけるAI

実際のインパクトを記述するには、McMurrayフォーメーション、カナダでSAGDプロジェクトを検討してください。 エンジニアは、これまで、各新しい井戸パッドのために3週間のビルドとキャリブレーションを行う有限差シミュレータを使用していました。 勾配ブームのMLサロゲートモデルをデプロイした後、シミュレータの過去の出力で訓練された予測時間は、比較可能な精度で1分未満に低下しました。 このモデルは、蒸気ボイルのシナリオを12%改善するという迅速な評価を可能にしました。

カリフォルニアの循環型蒸気刺激(CSS)分野において、もう一つのアプリケーションが発生しました。LSTMネットワークは、200ウェルの運用データから15年間で訓練されました。このモデルはピークオイル率とサイクル寿命を予測し、オペレータが十分なサイクル数を最適化し、不要な蒸気を枯渇ゾーンに注入することを避けます。これにより、生産レベルを維持しながら、パーバレル蒸気コストの9%削減が達成されました。

AI主導予測のメリットと限界

主利点

  • スピード:]] AIモデルでは数千のシナリオを秒単位で評価し、物理ベースのシミュレータは時間や日を必要とします。
  • 適応性:] モデルは、ゼロから再構築することなく新しいフィールドデータで更新することができます。
  • パターン認識:]AIは、クローズドフォームの式でエンコードが困難である非線形関係と相互作用をキャプチャします。
  • []不確実性定量化:[確率的AIメソッド(ベイジアンニューラルネットワークなど)は、予測、リスクベースの決定に関する自信の間隔を提供します。

考慮すべき制限事項

AIは銀弾ではありません。モデルは歴史的データにのみ訓練されたため、未保守な条件や運用上の変化に比類しないといけないかもしれません。[の配布シフト]として知られる問題です。例えば、新しい蒸気注入パターンがトレーニングセットになかった場合、モデルの予測は信頼性が低い可能性があります。さらに、AIモデルは、盲目テストセットと、理想的に、LFIREXを理解するために、ARFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREFREF

デジタルツインとIoTセンサーとの統合

次世代AI予測モデルとAI予測モデルを組み合わせて、AIの予測モデルをのデジタルツイン—リアルタイムセンサーデータをIoTデバイスから配信する仮想レプリカが井戸、パイプライン、蒸気発生器に導入。SAGD操作用のデジタルツインは、光ファイバー温度測定(分散温度センシング、DTS)を摂取し、AIモデルを自動的に再構築して、その予測をSteam(自動蒸気遮断器)に変えることを可能にします。

そのような統合システムの早期試験では、従来のスケジュールベースの操作と比較して最大15%の高熱効率が実証されています。重要な課題は、サイバーセキュリティとデータレイテンシを維持します。しかし、エッジコンピューティングソリューションは、これらの懸念を、適切に処理することにより、これらの懸念を緩和しています。 ]]Directusのようなフリートデータ管理プラットフォームは、ガバナンスと監査のトレイルを維持しながら、AIの推論エンジンへのセンサーデータのフローをオーケストラに適しています。

未来の視点:ハイブリッド物理-AIモデル

研究者は、部分的な差動式(PDE)を熱と流体の流れに組み込むことにより、ニューラルネットワーク(PINN)の物理情報に基づいたニューラルネットワーク(PINN)を直接取り入れ、神経ネットワークの損失機能に直結する、純粋なデータ主導のアプローチを超えて移動しています。PINNは、限られたトレーニングデータでも、物理的に一貫した予測を生成し、保存法を暗黙的に評価することができます。初期結果は、合成熱と流体の比較結果が数値の同時進行状況を示すことができます。

もう一つの有望な方向は、最適なクローズドループ制御のための[の補強学習(RL)[です。 このパラダイムでは、RLエージェントは、蒸気の使用量を最小限に抑えながら、累積油生産を最大化するポリシーを学ぶために、貯水池シミュレータ(またはデジタルツイン)と相互作用しています。 このようなエージェントは、学術ベンチマークでテストされ、実際のフィールドデータに試用されています。

最後に、AIツールの民主化は、クラウドAPIやエッジデバイスを介して、以前のモデルにアクセスできる小規模なオペレータが、バリアをエントリに下げることを意味します。 []]ガバナンスファンドイニシアチブ[]]は、熱回復のためのオープンなデータセットとベンチマークモデルを公開し、業界全体の革新を加速します。

主要テイクアウトの要約

  • リアルタイムの意思決定と最適化を可能にし、熱回復性能の迅速で正確な予測を実現します。
  • ディープラーニングモデル(LSTM、CNN)は、リザーブデータを一時的かつ空間的な依存性をキャプチャーすることで加速します。
  • 導入の成功は、データ品質、モデル検証、既存フィールドインフラとの統合に依存します。
  • ハイブリッド物理AIモデルとデジタルツインは、次世代のイノベーションの波を象徴し、より効率的な持続性を発揮します。
  • AI技術が成熟するにつれて、熱回復における役割は、予測ツールから自動的なフィールド管理の中央コンポーネントまで拡大します。

堅牢なデータパイプラインの構築、ドメイン固有のAIモデルのトレーニング、およびワークフォーススタンドのアップグレードに投資するオペレーターは、よりスマートで持続可能な重油抽出への移行に大きな競争優位性を獲得します。