Влияние машинного обучения на оптимизацию стратегий восстановления нефти

Введение: изменение, обусловленное данными, в восстановлении нефти

Нефтегазовая промышленность долгое время полагалась на физические модели и человеческий опыт для руководства стратегиями восстановления. Однако растущая доступность данных в подповерхностном состоянии с высоким разрешением, датчиков питания и производственных историй открыла дверь к новому подходу: машинному обучению. Применяя алгоритмы, которые учатся непосредственно из данных, операторы могут обнаруживать закономерности, которые пропускают традиционные методы, что приводит к более точным прогнозам и более быстрым решениям. Этот сдвиг не только о постепенном улучшении - он представляет собой фундаментальное изменение в том, как понимаются резервуары и управляются.

Машинное обучение не заменяет знания в области; оно усиливает их. Когда геофизики и инженеры объединяют свое понимание физики резервуаров с силой распознавания шаблонов алгоритмов, результатом является более надежный, адаптивный план восстановления. Влияние измеряется: более высокие конечные коэффициенты восстановления, более низкие эксплуатационные расходы и снижение воздействия на окружающую среду. По мере ускорения энергетического перехода оптимизация каждого произведенного барреля становится как экономическим, так и императивом устойчивости.

Понимание машинного обучения в восстановлении нефти

Машинное обучение в контексте извлечения нефти включает в себя обучение вычислительных моделей на исторических и данных в реальном времени для выполнения таких задач, как классификация, регрессия, кластеризация и обнаружение аномалий. Эти модели изучают взаимосвязи между входными переменными, такими как пористость, проницаемость, скорость впрыска и давление, и целевыми показателями выхода, такими как темпы добычи нефти или сокращение воды. После обучения они могут делать прогнозы на новых, невидимых данных, что позволяет осуществлять проактивное, а не реактивное управление полями.

Ключевые методы машинного обучения, применяемые

Источники данных и проблемы предварительной обработки

Успех любого проекта машинного обучения зависит от качества и количества входных данных. При рекуперации нефти данные поступают из нескольких источников: 3D-сейсмологические исследования, журналы скважин, образцы ядра, истории производства, датчики давления и температуры и даже спутниковые снимки. Каждый источник имеет свое разрешение, частоту выборки и характеристики шума. Перед поступлением этих данных в модель инженеры должны очистить, нормализовать и выровнять его - шаг, который часто потребляет 60-80% времени проекта. Пробелы в значениях, непоследовательные единицы и дрейф датчиков должны быть решены.

Достижения в автоматизированных трубопроводах данных и облачном хранилище облегчают это, но это остается критическим узким местом.

Основные применения машинного обучения в восстановлении нефти

Машинное обучение затрагивает почти каждый этап жизненного цикла нефтеотдачи, от разведки до отказа. Ниже приведены наиболее эффективные области применения, каждая из которых поддерживается отраслевыми примерами и исследованиями.

Характеристика и моделирование водохранилища

Точные модели резервуаров являются основой оптимизации восстановления. Традиционно эти модели строятся геологами, которые вручную интерпретируют сейсмические горизонты и журналы скважин, затем заполняют статическую сетку оценками свойств. Машинное обучение ускоряет и уточняет этот процесс. Например, модели глубокого обучения могут с высокой точностью сегментировать сейсмические объемы в фации, сокращая время интерпретации с недель до часов. Исследование, опубликованное в журнале Общества инженеров-нефтяников (SPE), показало, что нейронная сеть, обученная на проводных журналах, может прогнозировать проницаемость с ошибкой менее 10% в гетерогенных карбонатных резервуарах.

(SPE Journal, 2022) .

Кроме того, генеративные состязательные сети (GAN) используются для создания реализаций свойств резервуара с высоким разрешением, что позволяет количественно определять неопределенность за долю времени, требуемого традиционными геостатическими методами. Это позволяет операторам запускать тысячи симуляций потока и выбирать наиболее надежный план развития.

Оптимизация производства и прогнозирование

После того, как месторождение находится на производстве, операторы должны принять решение о настройках удушья, скорости впрыска и графиках переработки. Модели машинного обучения могут прогнозировать темпы производства на месяцы или годы вперед, изучая исторические тенденции и текущие условия. Например, сеть с длинной краткосрочной памятью (LSTM), обученная ежедневным скоростям нефти, газа и воды, наряду с давлением в скважине, может прогнозировать события прорыва воды с временем свинца, достаточным для корректировки профилей впрыска. Несколько операторов сообщили о повышении коэффициента восстановления на 3-5% после развертывания приборных панелей оптимизации производства на основе ML.

Эти модели также помогают в выявлении неэффективных скважин. Путем кластеризации скважин на основе кривых снижения добычи и свойств резервуара инженеры могут быстро определить кандидатов на вмешательство, такие как стимуляция кислотой или гидравлический разрыв пласта, без необходимости полного ручного обзора.

Прогнозное обслуживание оборудования для скважин

Неисправность оборудования является основным источником незапланированных простоев и потери производства. Особенно восприимчивы электрические погружные насосы (ESP), клапаны подъема газа и заглушки скважин. Модели машинного обучения, обученные на исторических журналах отказов и данных датчиков в реальном времени (вибрация, температура, ток), могут прогнозировать неизбежные сбои за несколько дней или даже недель. Это позволяет планировать техническое обслуживание во время запланированных отключений, а не аварийных вмешательств. Один оператор в Пермском бассейне снизил частоту отказов ESP на 40% после реализации модели обнаружения аномалий на основе увеличения градиента.

(McKinsey, 2021) .

Оптимизация параметров бурения

Бурение — это дорогостоящая, рискованная деятельность, где каждый час имеет значение. Модели машинного обучения могут рекомендовать оптимальный вес на бит, скорость вращения и свойства грязи для максимизации скорости проникновения при минимизации износа и риска застрявшей трубы. Особенно перспективным здесь является обучение с подкреплением: алгоритм учится на данных бурения в режиме реального времени, непрерывно корректируя параметры для поддержания оптимальной производительности. Пилотный проект в Северном море достиг 20% сокращения времени бурения с использованием нейронной сети, обученной офсетным данным скважин и измерениям скважин.

Улучшенный контроль процесса извлечения нефти (EOR)

Методы EOR, такие как наводнение, инъекция CO2 и наводнение полимеров, включают сложную динамику жидкости, которую трудно оптимизировать вручную. Машинное обучение может моделировать реакцию жидкостей резервуара на схемы впрыска, а затем рекомендовать скорости впрыска и модели скважин, которые максимизируют эффективность зачистки. Например, рекуррентная нейронная сеть, обученная на данных трассера и межлунной связи, может обнаруживать ранние признаки ченнелинга или вязкой пальцевой обработки, что вызывает корректировки до того, как наводнение потеряет эффективность. Полевые испытания в зрелых полях показали постепенное восстановление увеличивается на 2-8% от исходного масла на месте.

Количественные выгоды и принятие отрасли

Преимущества машинного обучения в нефтеотдаче не являются теоретическими — они реализуются на месторождениях по всему миру. Всестороннее исследование Accenture показало, что нефтегазовые компании, которые вложили значительные средства в ИИ, достигли 15%-го сокращения операционных расходов и 5%-го увеличения добычи углеводородов в среднем. Экологические выгоды следуют из более высокой эффективности: меньше буровых скважин, меньше воды и энергии, потребляемой за баррель, и сокращение выбросов парниковых газов.

Тематическое исследование: использование Equinor ИИ на поле Йохана Свердрупа

Equinor интегрировала машинное обучение в свою деятельность на гигантском месторождении Йохан Свердруп в Северном море. Используя прогностические модели для добычи песка и прорыва воды, компания оптимизировала размещение скважин и темпы производства, способствуя коэффициенту восстановления, превышающему 70% — одному из самых высоких в мире для карбонатного резервуара. Модели постоянно поглощают новые данные, позволяя плану разработки месторождения адаптироваться с течением времени. .

Пример: программа предварительного обслуживания Chevron

Chevron развернула платформу машинного обучения для мониторинга ESP на своих месторождениях в бассейне Мидленда. Платформа сократила незапланированные простои на 30% и расходы на техническое обслуживание на 20%. Предсказывая сбои на ранней стадии, Chevron избежал более 100 000 баррель-эквивалентов потерянной добычи за один год.

Проблемы и ограничения

Несмотря на эти успехи, широкое внедрение машинного обучения в нефтеотдачу сталкивается с несколькими препятствиями. Решение их имеет важное значение для раскрытия полного потенциала технологии.

Качество данных и интеграция

Многие устаревшие поля десятилетиями хранят данные в непоследовательных форматах и изолированных базах данных. Даже современные поля генерируют огромные объемы сенсорных данных, которые должны быть агрегированы, очищены и правильно отпечатаны по времени. Без высококачественных данных даже самая продвинутая модель будет давать ненадежные прогнозы. Рамки управления данными и автоматизированные проверки качества становятся стандартной практикой, но первоначальные инвестиции могут быть значительными.

Модель интерпретируемости и валидации

Нефтяные и газовые специалисты обучены доверять физическим моделям, которые можно объяснить с точки зрения фундаментальных законов. Модели машинного обучения, особенно глубокие нейронные сети, часто рассматриваются как «черные ящики». Это отсутствие интерпретируемости затрудняет получение одобрения регулирующих органов или участия инженеров. Такие методы, как SHAP, LIME и механизмы внимания, улучшают прозрачность модели, а гибридные модели, которые сочетают физические ограничения с обучением на основе данных, набирают силу. Например, нейронные сети, информированные физикой, встраивают дифференциальные уравнения в функцию потерь, гарантируя, что прогнозы уважают законы сохранения.

Организационные и профессиональные барьеры

Для создания эффективного потенциала машинного обучения требуется команда ученых-данных, инженеров-программистов и экспертов в области, которые могут работать вместе. Многие нефтегазовые компании сталкиваются с разрывом в талантах в этой области. Кроме того, необходим культурный сдвиг для перехода от детерминированного принятия решений к вероятностным, информированным о данных подходам. Пилотные проекты с четким, измеримым воздействием на бизнес оказались эффективными в создании внутренней поддержки и привлечении инвестиций.

Будущее и новые тенденции

Область машинного обучения для нефтеотдачи стремительно развивается. Несколько тенденций сформируют следующее десятилетие развития.

Интеграция с физическими моделями

Вместо того, чтобы рассматривать машинное обучение как отдельный инструмент, отрасль движется к гибридным моделям, которые сочетают сильные стороны основанного на физике моделирования и обучения, основанного на данных. Эти модели могут экстраполировать за пределы данных обучения, обучаясь из наблюдений для исправления систематических предубеждений. Например, гибридная модель может использовать симулятор резервуара с грубой сеткой для обеспечения физической базовой линии, а затем применять нейронную сеть для уточнения прогнозов в масштабе скважины. Этот подход, как было показано, сокращает время сопоставления истории на порядок.

Edge Computing и аналитика в реальном времени

По мере того, как датчики становятся дешевле и мощнее, способность обрабатывать данные на границе - на буровой установке или на скважине - увеличивается. Модели машинного обучения могут работать на встроенных устройствах для обеспечения немедленных предупреждений или действий управления, не полагаясь на облачное соединение. Это особенно ценно для удаленных или оффшорных активов, где пропускная способность ограничена. Модели на основе Edge для мониторинга ESP уже коммерчески доступны.

Автономные полевые операции на основе ИИ

Конечная концепция - это полностью автономное поле, где алгоритмы машинного обучения оптимизируют каждый аспект производства - бурение, завершение, впрыск и техническое обслуживание - в режиме реального времени. В то время как полная автономия все еще находится на расстоянии нескольких лет, появляется частичная автономия. Например, в Мексиканском заливе пилотируются системы управления замкнутым контуром, которые регулируют скорость подъема газа на основе производительности скважин в режиме реального времени. Такие системы уменьшают потребность в человеческом вмешательстве и быстрее реагируют на изменяющиеся условия резервуара.

Углеродная улавливание и хранение (CCS)

Машинное обучение также находит применение в улавливании и хранении углерода, технологии, которая разделяет многие физические принципы с извлечением нефти. Мониторинг миграции CO2 шлейфа, прогнозирование целостности капрока и оптимизация скорости впрыска - все это проблемы, хорошо подходящие для моделей, основанных на данных. Компании, которые строят сильные возможности ML для извлечения нефти, могут использовать их для CCS, обеспечивая их актуальность в будущем с низким уровнем выбросов углерода.

Заключение

Машинное обучение вышло за рамки экспериментальной фазы и в настоящее время обеспечивает ощутимые улучшения в оптимизации добычи нефти. От расширенного моделирования резервуаров до прогнозного обслуживания и управления процессами в режиме реального времени технология позволяет операторам извлекать больше ценности из существующих активов при одновременном снижении затрат и воздействия на окружающую среду. Ни одна модель или алгоритм не является серебряной пулей - успех зависит от тщательной подготовки данных, интеграции с экспертизой в области и приверженности постоянному совершенствованию.

Поскольку отрасль сталкивается с давлением, чтобы производить энергию более эффективно и устойчиво, машинное обучение предлагает мощный набор инструментов для решения этих проблем. Компании, которые инвестируют в создание правильных возможностей сейчас, будут лучше всего позиционированы для процветания в предстоящие десятилетия. Те, кто откладывает риск отстают в области, где каждый процентный пункт восстановления и каждый доллар операционных затрат имеет значение. Будущее добычи нефти зависит от данных, и время для принятия этой трансформации сейчас.