Table of Contents

Оптимизация газовых лифтов в эпоху интеллектуальных полей

Системы подъема газа являются основным методом искусственного подъема, используемым в зрелых и глубоководных активах во всем мире. Принцип прост: газ под высоким давлением вводится в скважину для снижения плотности токопроводящего столба, снижения давления в донных скважинах и обеспечения возможности потока пластовых жидкостей на поверхность. Хотя физика хорошо понятна, оперативная задача определения идеальной скорости впрыска для каждой скважины в сложной сети в динамических условиях резервуара является огромной вычислительной задачей.

Традиционная оптимизация в значительной степени опирается на узловой анализ и периодические тесты скважин. Инженеры строят модели устойчивого состояния и используют их для определения скорости впрыска цели, регулируя удушья вручную или через изменения в заданной точке в распределенной системе управления (DCS). Этот подход имеет значительные ограничения. Он предполагает условия устойчивого состояния, борется с многофазной неопределенностью потока и не может быстро реагировать на переходные события, такие как вялость, поездки компрессора или прорыв воды. Признавая эти ограничения, индустрия все чаще обращается к искусственному интеллекту (ИИ) и машинному обучению (ML) для создания алгоритмов оптимизации, которые работают непрерывно, адаптируются в режиме реального времени и обнаруживают шаблоны, невидимые для традиционных моделей на основе физики.

Интеграция ИИ заключается не в замене инженерного суждения, а в его дополнении сверхчеловеческим распознаванием образов и скоростью реакции. В этой статье рассматриваются конкретные методологии, которые внедряются, требуемая архитектура данных, практические препятствия на пути реализации месторождения и ценность бизнеса, которая раскрывается по мере развития систем подъема газа от вручную оптимизированных активов до полностью автономных интеллектуальных компонентов цифрового нефтяного месторождения.

Основы эффективности системы газоподъемной системы

Чтобы понять, где ИИ обеспечивает наибольшую ценность, важно сначала изучить конкретные показатели и операционную механику, которые определяют производительность подъема газа. Оптимизация заключается не только в максимизации добычи нефти; она требует балансирования общего объема добычи жидкости, затрат на впрыск газа, ограничений на просадку резервуаров и надежности оборудования.

Ключевые показатели эффективности для газового лифта

Основные технические задачи оптимизации подъема газов сосредоточены на кривой производительности подъема газа. Эта кривая обычно отображает скорость добычи нефти или жидкости против скорости впрыска газа. Классический ответ показывает начальный крутой рост производства по мере начала впрыска, за которым следует уплощение или пик, и в конечном итоге снижение, если чрезмерная инъекция происходит из-за повышенного трения в трубке. Цель состоит в том, чтобы работать каждой скважине вблизи или на пике ее конкретной кривой. Ключевые показатели включают:

  • Производственный подъем: Повышенная скорость масла, приписываемая оптимальному впрыску.
  • Эффективность использования газа: Отношение добываемой нефти к впрыскиваемому газу, часто измеряемое в стандартных кубических футах на баррель (scf/bbl).
  • Давление на впрыск: Поддержание достаточного давления коллектора для подачи самых глубоких впрыскных клапанов.
  • Управление затягиванием: Избегание чрезмерных ничьих, которые могут привести к производству песка, конусов воды или повреждению образования.

Традиционная оптимизация использует программное обеспечение для анализа узлов для имитации этой кривой. Инженер вручную корректирует такие параметры, как разрез воды, соотношение газойля (GOR) и индекс производительности (PI) на основе периодических испытаний скважин. Полученная модель представляет собой снимок, часто устаревший в течение нескольких дней или недель по мере развития условий резервуара.

Ограничения рабочих процессов ручной оптимизации

Частота испытаний скважин в большинстве областей недостаточна для поддержания точной модели. Актив может тестировать скважину один раз в месяц, оставляя 29 дней работы, руководствуясь предположениями. Кроме того, взаимодействие между скважинами, совместно использующими общий коллектор, сложно. Коррекция скорости впрыска одной скважины изменяет давление в коллекторе, влияя на каждую другую скважину в системе. Это связанное поведение трудно оптимизировать вручную. Операторы часто соглашаются на консервативную скорость впрыска, которая избегает риска, но оставляет значительный подъем производства на столе. Алгоритмы ИИ разработаны специально для решения этих высокоразмерных, динамических и связанных задач оптимизации.

Архитектура ИИ и машинного обучения для газового лифта

«ИИ», применяемый в оптимизации подъема газа, — это не одна технология, а набор архитектур машинного обучения, каждая из которых подходит для конкретного аспекта проблемы. Выбор правильной модели и интеграция ее в надежную логику управления является основной инженерной задачей.

Надзорное обучение для моделирования прокси

Наиболее распространенной точкой входа ИИ в газовый лифт является создание прокси-моделей. Вместо использования физического симулятора нейронная сеть или модель дерева с градиентным наведением обучается на исторических данных о поле для прогнозирования производительности скважины. Предикторы включают давление впрыска, скорость впрыска, давление в трубах, разрезание воды и GOR. Целевой переменной является скорость добываемого масла или жидкости.

После обучения и проверки эта прокси-модель служит суррогатом быстрого действия для модели на основе физики. Она может оценивать тысячи сценариев «что-если» за секунды, определяя скорость впрыска, которая максимизирует производство в текущих условиях эксплуатации. Ключевым преимуществом является то, что модель косвенно изучает реальное поведение скважины, включая нюансы, такие как температурные эффекты и деградация клапанов, которые трудно уловить в теоретическом узловом анализе. Алгоритмы, такие как XGBoost и Random Forest, широко используются для их высокой точности и надежности против шумных данных поля.

Обучение с подкреплением для контроля замкнутого цикла

Обучение с подкреплением (RL) представляет собой значительное продвижение по контролируемым прокси-моделям. В рамках RL «агент» учится принимать последовательные решения, взаимодействуя с окружающей средой. В контексте подъема газа среда является скважиной и поверхностным объектом. Агент предпринимает действия (регулируя клапан удушения газового впрыска) и получает обратную связь в виде сигнала вознаграждения (например, +1 для повышения скорости масла, -1 для превышения предела давления).

Посредством повторного моделирования и проб и ошибок RL-агент изучает оптимальную политику управления удушением в различных условиях. Это особенно эффективно для управления переходными событиями. Например, во время вялого события RL-агент может научиться временно уменьшать инъекцию для предотвращения затопления сепаратора, а затем автономно наращивать резервное копирование. Этот уровень автоматизированного динамического управления невозможно достичь с помощью традиционной PID или логики на основе правил. Deep Deterministic Policy Gradient (DDPG) и Proximal Policy Optimization (PPO) являются общими алгоритмами RL, применяемыми в этой области.

Физика-информированные нейронные сети (PINN)

Признанный риск чистых моделей, основанных на данных, заключается в их склонности к неудаче, когда они сталкиваются с данными вне их распределения обучения (например, тест скважины при новом, более низком давлении резервуара). Физики-информированные нейронные сети (PINN) решают эту проблему, встраивая физические уравнения, управляющие поднятием газа в функцию потери нейронной сети.

Модель наказывается не только за неточности в отношении исторических данных, но и за нарушение физических законов, таких как баланс массы, баланс импульса и энергетический баланс. Результатом является гибридная модель, которая сочетает в себе гибкость машинного обучения с надежностью физики. PINN могут экстраполировать более надежно, чем стандартные нейронные сети, и требуют меньше данных обучения для достижения высокого уровня точности. Они появляются в качестве ведущей методологии для создания надежных цифровых двойников систем подъема газа.

Инфраструктура данных и интеграция операционных технологий

Для развертывания алгоритмов ИИ в среде подъема газа требуется надежный конвейер данных. Самая высокопроизводительная модель бесполезна, если ее подают несвежие, шумные или отсутствующие данные. Инфраструктура должна охватывать от датчика скважины до облака (или края) и обратно к управляющему клапану.

Высокочастотное приобретение данных и контроль качества

Временное разрешение данных имеет решающее значение. Традиционные системы SCADA, опрашивающие каждую минуту, могут пропустить переходное давление, которое предшествует слизи или отказу клапана. Оптимизация ИИ часто требует 1-секундных или субсекундных данных для давления в скважине и скорости потока поверхности. Многофазные расходомеры (MPFM) бесценны для обеспечения непрерывных скоростей нефти, воды и газа, снижая зависимость от нечастых испытаний сепаратора.

Качество данных является самым большим практическим препятствием. Дрифт датчиков, замороженные передатчики и отсева связи являются общими. Потоки ИИ должны включать автоматизированные модули проверки данных. Такие методы, как среднее значение качения, фильтрация Калмана для синтеза датчиков и автокодеры для обнаружения аномалий, используются для очистки потока данных до того, как он войдет в двигатель оптимизации.

Edge vs. Cloud Computing Architectures (англ.)русск.

Задержка является критическим дизайнерским решением. Для управления замкнутым контуром (где ИИ непосредственно настраивает удушье) модель должна работать на локальном или на периферийном устройстве для обеспечения субсекундного времени отклика и отказоустойчивой работы. Облачные вычисления, будучи мощными для обучения сложных моделей и запуска крупномасштабных симуляций, вводят риски задержки и подключения, которые неприемлемы для управления в реальном времени.

Общая архитектура включает в себя обучение моделей в облаке с использованием исторических данных, а затем развертывание обученного движка вывода на периферийное устройство (например, прочный IPC или умный RTU), расположенное на скважине или платформе. Крайнее устройство обрабатывает оптимизацию и управление в реальном времени, в то время как облачная система обрабатывает агрегацию данных, переподготовку моделей и визуализацию для инженеров.

Цифровая интеграция двойников для моделирования и проверки

Перед тем, как рекомендация ИИ будет принята на живом колодце, разумно протестировать его против цифрового двойника. Цифровой двойник - это высокоточная динамическая имитационная модель, которая отражает текущее состояние физического актива. Алгоритм ИИ предлагает новую скорость впрыска. Цифровой двойник имитирует результат, проверяя на наличие нарушений эксплуатационных ограничений (например, максимальное давление корпуса, минимальная скорость потока для гидратов) до того, как рекомендация будет автоматически приведена в действие. Этот слой моделирования замкнутого цикла обеспечивает безопасную сеть, которая необходима для построения инженерного доверия к автономным операциям.

Проблемы и трудности в реализации на местах

Несмотря на явный технический потенциал, внедрение оптимизации газоподъемников на основе ИИ не лишено существенных препятствий. Эти проблемы являются как организационными, так и техническими.

Дефицит данных и маркировка

Пока полевые данные в изобилии, маркированные высококачественные данные скудны. Тест скважины обеспечивает точное измерение скорости фазового потока, но эти тесты нечасты. В остальное время скорости потока должны быть оценены или выведены. Обучение контролируемой модели прогнозированию скорости нефти требует надежного набора данных испытаний скважин. Если поле имеет ограниченную историю испытаний, создание точной модели становится трудным. Такие методы, как обучение передаче, где модель предварительно обучена синтетическим данным с симулятора, а затем тонко настроена на ограниченных данных поля, становятся необходимыми для преодоления этого ограничения.

Модель интерпретируемости и инженерного доверия

Полевые инженеры и операторы часто скептически относятся к алгоритмам «черного ящика». Нейронная сеть может рекомендовать увеличение давления инъекций, но если инженер не видит обоснования этой рекомендации, они вряд ли будут доверять ей, особенно если это противоречит их интуиции. Обеспечение объяснимости модели имеет важное значение. Такие инструменты, как SHAP (SHapley Additive exPlanations) и LIME (Local Interpretable Model-agnostic Explanations) могут определить, какие входные переменные оказали наиболее значительное влияние на выход модели, показывая инженеру конкретные драйверы, стоящие за рекомендацией. Построение культуры непрерывного сотрудничества между учеными данных и экспертами в области жизненно важно.

Интеграция с системами управления Legacy

Многие активы газового лифта контролируются устаревшими системами PLC или DCS, которым десятилетия. Интеграция современного движка вывода ИИ с этими системами часто требует разработки пользовательского промежуточного программного обеспечения или API. Протоколы кибербезопасности должны строго соблюдаться, чтобы не подвергать операционную сеть уязвимостям. Система ИИ должна быть изначально разработана как «консультативный» уровень, предоставляя рекомендации оператору на приборной панели, прежде чем перейти к «полуавтономному» (проверка оператора) и, наконец, «автономному» (замкнутому) управлению.

Влияние бизнеса и возврат инвестиций

Инвестиции в оптимизацию газовой подъёмной системы на основе ИИ оправданы измеримыми операционными улучшениями, которые напрямую влияют на конечную прибыль.

Фактор подъема и восстановления производства

Операторы последовательно сообщают о росте общего объема добычи жидкости на 3-8% от оптимизированных для искусственного интеллекта газовых скважин по сравнению с традиционной ручной оптимизацией. Этот подъем происходит за счет динамического определения истинной оптимальной скорости впрыска, а не полагаясь на статическую заданную точку. Поддерживая оптимальное сокращение по всему полю, общие коэффициенты восстановления также улучшаются, поскольку резервуар более эффективно сливается.

Сокращение оперативных расходов

Оптимизация ИИ напрямую снижает эксплуатационные расходы. Оптимизация объема впрыска снижает количество необходимого подъемного газа, снижая расход топлива компрессора. Этот газ освобождается для продажи, напрямую добавляя доход. Кроме того, автоматическая оптимизация уменьшает вмешательства скважины, предотвращая повреждение условий эксплуатации, уменьшая частоту переработок и замены клапанов. Сокращение инженерных часов, затрачиваемых на ручную оптимизацию и отчетность, также существенно, освобождая квалифицированный персонал для более ценных аналитических задач.

Экологические показатели и надежность

Стабилизируя показатели впрыска и производства, ИИ уменьшает вспышки и минимизирует вентиляцию парниковых газов. Оптимизированные системы по своей сути безопаснее, поскольку они работают при стабильном давлении с меньшим количеством переходных событий. Предиктивная диагностика, вторичное преимущество непрерывного мониторинга, необходимого для ИИ, позволяет операторам выявлять такие проблемы, как протекающие клапаны или ухудшающиеся датчики, прежде чем они вызовут сбой, повышая общую надежность и безопасность системы.

Будущие траектории в интеллектуальном газовом лифте

Интеграция ИИ в газовый лифт все еще находится на ранних стадиях. Следующая волна развития будет сосредоточена на расширении сферы автономии и интеграции оптимизации газового лифта в более широкую стратегию управления полями.

Мы движемся к полностью автономной скважине, где система ИИ отвечает за оптимизацию не только скорости впрыска газового подъемника, но и выбор и активацию различных клапанов газового подъема, контроль забойных скважин и координацию с операциями по тестированию скважин. Этот уровень автоматизации особенно привлекателен для подводных скважин и удаленных береговых площадок, где вмешательство человека дорого и сложно.

Кроме того, алгоритмы ИИ будут все больше оптимизировать подъём газа на сетевом уровне, уравновешивая распределение ограниченного газа высокого давления по десяткам или сотням скважин в режиме реального времени, чтобы максимизировать общий доход от месторождения. Это значительно более сложная задача оптимизации, чем оптимизация на одной скважине, требующая моделей обучения с подкреплением, которые могут обрабатывать сотни взаимодействующих переменных управления. По мере того, как технология ИИ созревает и растет доверие к автономным системам, подъём газа будет служить основной испытательной площадкой для интеллектуального, самооптимизирующегося нефтяного месторождения будущего.