Table of Contents

Роль аналитики данных в определении возможностей восстановления резервов

Энергетическая отрасль переживает глубокую трансформацию, вызванную потоком данных из скважин, датчиков, сейсмических массивов и операционных устройств. В течение десятилетий инженеры и геофизики полагались на редкие журналы скважин, ограниченные образцы ядер и упрощенные модели резервуаров для оценки факторов восстановления и планирования стратегий добычи. Сегодня сближение облачных вычислений, передовой аналитики и промышленного Интернета вещей (IIoT) открыло дверь в новую эру точности: когда данные являются основным активом для выявления скрытых возможностей восстановления запасов. Систематически добывая исторические данные о добыче, телеметрию в реальном времени и результаты моделирования с высоким разрешением, операторы могут точно определять обходные зоны оплаты, тонко настраивать методы расширенной добычи нефти (EOR) и продлевать продуктивный срок эксплуатации зрелых месторождений - все это при одновременном контроле затрат и снижении воздействия на окружающую среду. Эта трансформация не просто постепенная; она представляет собой фундаментальный сдвиг в том, как отрасль подходит к управлению активами, превращая статические резервуары в динамические, постоянно оптимизированные системы.

Масштаб этого сдвига ошеломляет. Одна нетрадиционная скважина может генерировать более одного терабайта данных в год только из волоконно-оптического зондирования. При умножении на тысячи скважин в портфеле объем, скорость и разнообразие данных создают как проблему, так и возможность. Операторы, которые осваивают эти данные, могут выявить восстановление вверх ногами, измеренное в миллионах баррелей, в то время как те, кто отстает, рискуют оставить существенную ценность в земле. Способность агрегировать, очищать, анализировать и действовать на этих потоках данных быстро становится определяющим конкурентным преимуществом в нефти и газе вверх по течению.

Что такое восстановление резерва и почему это важно?

Под восстановлением запасов понимается доля углеводородов, которые могут быть технически и экономически извлечены из резервуара. Начальные темпы восстановления из методов первичного истощения - с использованием естественного давления резервуара - обычно варьируются от 5% до 20% для нефти и до 70% для газа. Однако после этого значительный объем нефти и газа остается в ловушке в поровом пространстве из-за капиллярных сил, неоднородности и неблагоприятных соотношений подвижности. Вторичное восстановление, такое как наводнение, может увеличить извлечение нефти еще на 10% до 20%, а третичные (повышенная добыча нефти) методы, такие как инъекции CO2, химическое наводнение или термические методы могут добавить дополнительные выгоды.

Разблокирование этих дополнительных баррелей - это не просто техническая задача; это экономический императив. С уменьшением темпов обнаружения и ростом затрат на разведку наиболее экономически эффективные углеводороды часто лежат на месторождениях, уже находящихся в добыче. Международное энергетическое агентство подсчитало, что каждое 1%-ное увеличение глобального среднего коэффициента извлечения может добавить более 80 миллиардов баррелей дополнительных запасов нефти - эквивалент нескольких лет мирового потребления. Аналитика данных стала краеугольным камнем в захвате этого неиспользованного потенциала. Способность идентифицировать упущенные запасы, оптимизировать процессы добычи и сократить эксплуатационные отходы напрямую влияет на итоговую прибыль, поддерживая долгосрочную устойчивость отрасли.

Помимо огромного объема дополнительных ресурсов, повышение эффективности рекуперации снижает воздействие на окружающую среду на баррель. Меньше новых скважин, меньше помех на поверхности и меньше интенсивности выбросов являются естественными побочными продуктами извлечения большего количества из существующих активов. Это двойное экономическое и экологическое преимущество делает оптимизацию восстановления запасов одной из самых привлекательных возможностей в энергетическом секторе сегодня.

Экосистема данных в современных нефтяных месторождениях

Современные нефтегазовые операции ежедневно генерируют петабайты структурированных и неструктурированных данных.

  • Подповерхностные данные: 3D и 4D сейсмические исследования, журналы скважин (гамма-луч, удельное сопротивление, ЯМР), анализ ядра и результаты испытаний на переходное давление.
  • Данные о производстве: скорости потока, давления в донных скважинах, разреза воды, соотношение газойль и распределение записей, собранных системами SCADA.
  • Данные датчиков оборудования: Температура, вибрация и акустические сигнатуры от насосов, компрессоров и сепараторов, часто передаваемые через платформы IIoT.
  • Оперативные данные: параметры бурения, конструкции завершения, записи обработки переломов и истории переработок.
  • Внешние данные: Цены на сырьевые товары, погодные условия, нормативные документы и аналоговые полевые данные из общедоступных баз данных.

Интеграция этих разрозненных источников данных в единую аналитическую платформу является первым шагом к получению практических идей. Исторически эти наборы данных жили в бункерах - геология в Petrel, производство в электронных таблицах Excel, разработка в историках SCADA - что делает междисциплинарный анализ громоздким. Появление озер данных, облачных хранилищах данных и стандартизированных моделей данных (таких как PPDM или OSDU Data Platform) теперь позволяет командам объединять и запрашивать данные без трения. Эта интеграция часто показывает возможности восстановления, которые были невидимы в изолированных ведомственных представлениях. Например, корреляция снижения производства с данными датчиков скважин может указывать на проблемы масштабирования, которые ранее рассматривались независимо от управления резервуаром. Ключевая задача, продвигающаяся вперед, - обеспечение полноты данных, согласованности и доступности для всех заинтересованных сторон.

Практический пример этой интеграции на работе исходит от оператора Северного моря, который объединил 30 лет производственных данных с 4D сейсмическими объемами замедления. Накладывая изменения насыщения жидкости от инверсий сейсмического импеданса с хорошо за счет хорошо-нулевых кумулятивных производств, команда определила 500-метровый неосушенный отсек, который был обойден существующими скважинами. Одна скважина на заполнение, нацеленная на этот отсек, восстановила 1,8 миллиона баррелей только в первый год - открытие, которое было скрыто на виду в течение более десяти лет, потому что данные никогда не были объединены в единой среде.

Методы Core Analytics, которые помогают восстанавливать Insights

Анализ данных в процессе восстановления резервов охватывает целый ряд областей, начиная с описательной статистики и заканчивая предписывающими рекомендациями.

Описательная и диагностическая аналитика

Эти методы отвечают , что произошло и почему . Например, анализ кривой убывания (DCA), применяемый в сотнях скважин, может выделить неэффективные скважины по отношению к кривым типов. Алгоритмы распознавания шаблонов могут соотносить падение добычи с конкретными событиями, такими как отказ насоса, осаждение на шкале или ранний прорыв воды, что позволяет анализировать первопричины. Простая, но мощная описательная аналитика часто открывает возможности быстрого выигрыша: дюжина скважин может быть помечена для реперфорации, поскольку их совокупное производство падает ниже P90 аналогичных скважин, предполагая обходные зоны оплаты. Интерактивные панели приборов, которые объединяют эти диагностические системы, позволяют командам активов расставлять приоритеты для вмешательств с самой высокой потенциальной доходностью.

Еще одним мощным методом диагностики является участок Лоренца, полученный из соотношения емкость-поток-хранилище-потенциал. Анализируя распределения проницаемости из данных ядра и журнала, инженеры могут определить степень неоднородности резервуара и долю резервуара, которая фактически способствует потоку. Резервуары с высокими коэффициентами Лоренца часто имеют значительные части объема пор, которые остаются незаметными, указывая непосредственно на интервалы кандидатов для улучшения восстановления. При применении в нескольких полях в портфеле этот анализ может ранжировать активы по их остающемуся потенциалу и направлять распределение капитала для вмешательств.

Предиктивная аналитика и машинное обучение

Модели машинного обучения преуспевают в обнаружении тонких, нелинейных связей между параметрами резервуара и производительностью восстановления. Алгоритмы обучения, контролируемые, такие как деревья с градиентным повышением и нейронные сети, обучаются на исторических данных о производительности скважины для прогнозирования будущих профилей производства и конечных факторов восстановления. Эти модели могут определить, какие места бурения на заправке, скорее всего, столкнутся с неосвоенными отсеками или ускорить восстановление за счет оптимизированного интервала.

Неконтролируемые методы, такие как кластеризация и анализ основных компонентов, помогают геологам сегментировать резервуар в фации или блоки потока на основе ответов журнала, что позволяет более точные статические модели, которые лучше отражают связь. Например, исследование Общества инженеров-нефтяников показало, что кластеризация журналов скважин с k-средствами улучшила представление неоднородности резервуара и определила дополнительные 2,3 миллиона баррелей извлекаемой нефти в зрелом поле. Модели прогнозирования временных рядов, включая сети с длинной краткосрочной памятью (LSTM), особенно эффективны для прогнозирования изменений соответствия воды и предложения оптимальных скоростей впрыска для максимизации эффективности зачистки. Эти модели постоянно обновляются по мере поступления новых данных, что позволяет оптимизировать добычу в режиме реального времени.

Возникающая область — использование глубокого обучения для сейсмической интерпретации. Свёрточные нейронные сети (СНС) могут автоматически классифицировать сейсмические фазисы и обнаруживать неисправности, значительно ускоряя строительство каркасов резервуаров. В сочетании с нефтефизическими инверсиями из журналов скважин эти модели уменьшают неопределенность в объёмных вычислениях и выделяют потенциальные накопления, которые могут упустить из виду обычные рабочие процессы. Способность обучать CNN на одном поле и передавать изученные особенности в геологически аналогичное поле особенно мощна для зеленых полей и оценочных активов, где контроль скважины скудный.

Помимо стандартных подходов к МО, в инженерии резервуаров набирают обороты нейронные сети, основанные на физике (PINN). PINN встраивают управляющие дифференциальные уравнения потока жидкости непосредственно в функцию потерь нейронной сети, позволяя модели учиться как на данных, так и на физических ограничениях. Этот гибридный подход особенно ценен в сценариях, где данные редки, но основная физика хорошо понятна. Ранние полевые испытания показали, что PINN могут генерировать точные прогнозы давления и насыщения с 80% меньшими данными обучения, чем модели, основанные на данных, что делает их идеальными для активов с ограниченной историей производства.

Рецептурная аналитика и оптимизирующие двигатели

Предписательная аналитика идет еще дальше, рекомендуя действия для достижения конкретных целей, таких как максимизация чистой приведенной стоимости или минимизация затрат на обработку воды. Алгоритмы оптимизации, часто интегрированные с тренажерами резервуара, могут оценивать тысячи сценариев для моделей впрыска агента EOR, размещения скважин или параметров искусственного подъема. Для определения наиболее прибыльной последовательности операций бурения и переработки заправки при неопределенных ценах на нефть были применены генетические алгоритмы и обучение усилению. Эта смесь моделирования на основе физики и оптимизации на основе данных является границей цифрового управления резервуаром. Например, современные тренажеры теперь могут встраивать модели, основанные на машинном обучении, которые предсказывают движение жидкости на долю вычислительных затрат, позволяя операторам запускать исследования чувствительности на миллион сценариев в одночасье.

Один особенно эффективный предписывающий рабочий процесс включает многоцелевую оптимизацию, которая одновременно учитывает извлечение нефти, способность к водопользованию и эксплуатационные расходы. Создавая фронт компромиссов Парето, управляющие активами могут точно увидеть, сколько восстановления они должны пожертвовать, чтобы оставаться в рамках данного бюджета OPEX, или, наоборот, сколько дополнительных расходов требуется для достижения конкретной цели восстановления. Эта прозрачность поддерживает лучшие решения о распределении капитала и согласовывает технические цели с финансовыми ограничениями.

Качество данных и управление: основа аналитики

Непоследовательные соглашения об именах, отсутствующие метаданные, дрейф датчиков и временные ошибки выравнивания широко распространены в наборах данных о нефти и газе. Ценный анализ становится бесполезным, если входные данные не заслуживают доверия. Поэтому надежная структура управления данными является необходимым условием для любой инициативы по аналитике. Ключевые компоненты включают:

  • Каталог данных: Каталог данных: Документирование происхождения, формата и значения каждого источника данных, в том числе, когда он был в последний раз обновлен и кому он принадлежит.
  • Автоматизированные проверки качества: Внедрение правил для выявления выпадений, отсутствующих значений и логических несоответствий (например, скорость впрыска превышает емкость трубки или значения водоотведения выше 100%).
  • Управление данными: Установление единой версии истины для имен скважин, глубин и других критически важных объектов для предотвращения распространения дублирующих или противоречивых записей.
  • Контроль доступа: Обеспечение доступности данных авторизованным пользователям при сохранении безопасности и соблюдении нормативных требований.
  • Отслеживание происхождения данных: Ведение записи о каждом преобразовании, применяемом к исходным данным, чтобы любая аномалия могла быть прослежена до ее источника.

Многие операторы приняли платформу OSDU Data Platform для стандартизации форматов данных и оптимизации интеграции. Эта инициатива с открытым исходным кодом, поддерживаемая крупными компаниями и облачными провайдерами, обеспечивает общую модель данных, которая снижает усилия, необходимые для объединения данных от разных поставщиков. На практике выделение 30-40% бюджета аналитического проекта на очистку данных и управление не является необычным, но инвестиции окупаются в точности модели и доверии заинтересованных сторон. Операторы, которые внедрили строгий отчет о том, что их прогнозные модели поддерживают точность в течение 18-24 месяцев дольше, чем те, которые построены на неуправляемых данных, поскольку базовые данные остаются последовательными и надежными с течением времени.

Конкретный пример из Пермского бассейна иллюстрирует стоимость плохого управления. Оператор попытался обучить модель прогнозирования добычи, используя данные из 2000 скважин, но обнаружил, что 40% скважин имели непоследовательные коды состояния скважин в различных базах данных. Некоторые записи показали, что скважины были получены, когда они фактически были закрыты для переработок, в то время как другие имели интервалы завершения, которые не соответствовали направленным исследованиям. После шестимесячной очистки стоимостью более 800 000 долларов точность модели улучшилась с R2 от 0,45 до 0,87, и в результате прогнозов были определены дополнительные 15 мест заполнения, оцениваемые в 12 миллионов баррелей запасов. Инвестиции в управление окупились в первом квартале реализации.

Моделирование водохранилища с использованием данных и цифровые близнецы

Традиционное моделирование резервуаров опирается на геологические концепции, интерпретируемые журналы скважин и основные данные для заполнения 3D-модели на основе сетки, которые затем сопоставляются с производственными данными. Этот процесс занимает много времени и часто дает неуникальные решения. Аналитика данных меняет рабочие процессы моделирования двумя основными способами:

  • Соответствие истории: Алгоритмы, такие как фильтры ансамбля Kalman и байесовские выводы, быстро корректируют параметры модели в соответствии с наблюдаемыми давлениями и скоростями, резко сокращая ручную итерацию. Некоторые операторы сократили время сопоставления истории от месяцев до дней, одновременно улучшая точность модели. В одном случае с Мексиканским заливом байесовский подход уменьшил неопределенность в расчетном конечном восстановлении на 40%, что позволило команде уверенно санкционировать программу бурения на заправке на 200 миллионов долларов, которая ранее была приостановлена из-за высокой неопределенности.
  • Прокси-модели и цифровые двойники: Модели машинного обучения, обученные на тысячах симуляционных забегов, могут приблизиться к полнофизическому симулятору за миллисекунды. Эти суррогатные модели встроены в цифровых двойников — живых, дышащих репликах физического актива, которые потребляют данные в реальном времени и прогнозируют будущее поведение. Цифровой двойник всего резервуара может предсказать, как измененные модели впрыска повлияют на восстановление, направляя повседневные операции, не дожидаясь традиционных симуляционных забегов. Центры удаленных операций используют этих двойников, чтобы предоставить инженерам представление о здоровье резервуара в реальном времени, помечая отклонения от ожидаемого поведения.

В отчете McKinsey отмечается, что такие интегрированные цифровые двойники могут увеличить окончательное восстановление на 3% до 5% в зрелых наводнении путем непрерывной корректировки точек впрыска и производства на основе данных о живом давлении и насыщении. Ключевым фактором является возможность часто, иногда ежечасно обновлять прогнозы близнецов, поскольку новые потоки данных в. Это контрастирует с традиционными рабочими процессами моделирования, где обновления моделей происходят ежеквартально или ежегодно в лучшем случае.

Архитектурный костяк успешного цифрового двойника — это надежный конвейер данных, соединяющий краевые датчики с облачной аналитикой. Волоконно-оптические датчики распределенной температуры (DTS) и распределенные акустические датчики (DAS) обеспечивают непрерывные профили по всему скважине, генерируя миллионы точек данных в день. Эти сигналы сжимаются, передаются и поступают близнецом, который затем сравнивает измеренные температуры и давления с имитируемыми значениями. Отклонения вызывают предупреждения, которые могут указывать на перекрестный поток за корпусом, ченнелинг между инжекторами и производителями или прогрессирование водного фронта. В полевых испытаниях в Баккене операторы использовали данные DAS, интегрированные с цифровым двойником, для обнаружения удара о трещину от смещенной скважины в течение 15 минут после события, что позволяет им регулировать скорость впрыска и избегать дорогостоящей потери сдерживания.

Улучшение IOR/EOR с помощью аналитики

Проекты по улучшению нефтеотдачи (IOR) и увеличению нефтеотдачи (EOR) являются капиталоемкими и чувствительными к условиям пласта. Анализ данных снижает риск и улучшает результаты за счет:

EOR скрининг и выбор кандидата

Скрининг, резервуары или секции которых подходят для методов EOR — CO 2 ], наводнение полимерами, наводнение поверхностно-активными веществами или впрыск пара — исторически опирался на критерии «правила пальца». Классификаторы машинного обучения, обученные на глобальных проектах EOR, теперь могут генерировать вероятность технического успеха для каждого метода. Публичная база данных из более чем 1500 проектов EOR в сочетании с логистической регрессией или случайными лесными моделями может быстро ранжировать возможности по всему портфелю, выделяя поля, где химическое наводнение может быть жизнеспособным, несмотря на пограничные условия. Этот систематический скрининг снижает риск дорогостоящих неудач пилота и помогает распределять капитал для наиболее перспективных кандидатов.

Например, оператор в Западной Африке использовал классификатор с градиентным наводнением, обученный на 1200 проектах полимерных наводнений для оценки 40 потенциальных резервуаров. Модель определила пять полей с прогнозируемой вероятностью успеха выше 80%, ни одно из которых не было признано сильными кандидатами, использующими традиционные критерии скрининга из-за их относительно высокой солености. Последующие испытания на наводнение ядра подтвердили удержание полимера и удержание вязкости в приемлемых диапазонах для трех из пяти полей, что привело к двум пилотным проектам, которые в настоящее время находятся в исполнении. Без анализа-управляемого скрининга эти возможности, вероятно, были бы упущены.

Мониторинг в реальном времени и адаптивный контроль

Во время операций EOR потоки данных от волоконно-оптического распределенного температурного и акустического зондирования (DTS / DAS) и датчиков давления скважины обеспечивают высокочастотную информацию о движении жидкости. Аналитические платформы обрабатывают эти данные для обнаружения ранних признаков проблем конформации - таких как ченнелинг или переопределение - и рекомендуют корректировки объемов инъекций или химических концентраций. Например, оператор в Пермском бассейне использовал цикл обратной связи, управляемый данными, для оптимизации размеров и скорости инъекций слизняка CO 2 , увеличивая постепенное восстановление на 8% при одновременном снижении использования CO 2 на 12%, как описано в статье Журнал нефтяных технологий . Этот подход не только улучшает экономику, но и поддерживает цели хранения углерода, обеспечивая эффективное использование инъекционного CO 2 .

Помимо CO2] EOR, операции по затоплению полимеров значительно выигрывают от аналитики в реальном времени. Вязкость и концентрация полимерных решений должны поддерживаться в пределах жестких допусков для обеспечения стабильных фронтов смещения. Инлайн-реометры в сочетании с алгоритмами прогностического управления могут регулировать дозировку полимера на лету, предотвращая вязкую окраску пальцев, которая может поставить под угрозу эффективность развертки. Проект по затоплению полимеров в Аргентине сообщил об улучшении постепенного восстановления на 15% после развертывания такой системы управления по сравнению с родственным проектом, который использовал ручные настройки на основе еженедельных лабораторных образцов.

Оптимизация производства и прогнозное техническое обслуживание

Даже без крупномасштабного EOR аналитика данных может обеспечить постепенное восстановление благодаря ежедневному превосходству в работе.

  • Оптимизация газоподъемности:] Многофазные симуляторы расхода в сочетании с анализом данных в реальном времени определяют оптимальную скорость впрыска газа для каждой скважины, чтобы максимизировать добычу нефти при минимизации потребления энергии компрессором. Алгоритмы могут непрерывно регулировать заданные параметры без вмешательства человека, реагируя на изменение давления и сокращения воды. Некоторые операторы сообщают о 5-12% приросте добычи нефти только за счет оптимизации газоподъемности без дополнительных капитальных затрат.
  • Искусственная аналитика лифтов: Электрические погружные насосы (ESP) и стержневые насосы генерируют данные о вибрации, токе и температуре, которые модели машинного обучения используют для прогнозирования сбоев за несколько дней до этого. Избегание одного передела ESP может предотвратить недели простоя производства и сохранить запасы, которые могут быть потеряны при повреждении формирования во время затвора. Один оператор тяжелой нефти сообщил о сокращении на 35% незапланированных поездок ESP после развертывания платформы прогнозного обслуживания, переводя на дополнительные 200 000 баррелей нефти в год в их парке из 600 ESP.
  • Наблюдение за наводнениями: Анализ распределения и структуры в режиме реального времени может выявить дисбалансы между инъекциями и производством. Было показано, что корректировка скорости инъекций на основе предупреждений, основанных на данных, улучшает поддержание давления в резервуаре и восстанавливает дополнительные 1% - 2% исходной нефти на месте в зрелых активах, подвергшихся наводнению. Автоматизированные рабочие процессы, которые вызывают изменения скорости инъекций, когда модели отклоняются от цели, сократили время реакции человека от дней до минут, предотвращая снижение давления, которое может привести к прорыву газа и снижению относительной проницаемости для нефти.
  • Хорошее управление целостностью: Утечки обсадки и трубки, накопление кольцевого давления и сбои упаковщика могут поставить под угрозу восстановление. Модели машинного обучения, обученные тенденциям давления в устье скважины и данным мониторинга аннулусов, могут отмечать аномалии за несколько недель до сбоя. Раннее вмешательство позволяет операторам выполнять работу с катушечными трубками или сжимать до полной переработки, экономя миллионы долларов в расходах на восстановление и избегая потери производства.

Преодоление проблем реализации

Несмотря на потенциал, многие организации изо всех сил пытаются перейти от пилотных проектов к полномасштабному внедрению аналитики.

Качество данных и управление: Непоследовательные соглашения об именах, отсутствие метаданных и дрейф датчиков подрывают надежность модели. Создание надежных структур управления данными с четким владением данными и автоматизированными проверками качества является необходимым условием для любой успешной инициативы в области аналитики. Без этого мусор, мусор остается подлинным риском. Поэтапный подход, начиная с одного актива для доказательства концепции, может помочь продемонстрировать ценность перед масштабированием. Ведущие операторы создают централизованную команду управления данными, которая подчиняется вице-президенту по операциям, давая им полномочия по обеспечению соблюдения стандартов в бизнес-единицах.

Сложность интеграции: Слияние программного обеспечения для сейсморазведки, производственных баз данных и датчиков реального времени в единую истину остаётся технической проблемой. Принятие открытых стандартов, таких как платформа данных OSDU, облегчает интеграцию, предоставляя общую схему данных, но унаследованная миграция системы требует времени и инвестиций. Некоторые компании выбирают гибридную стратегию, сохраняя устаревшие системы на месте при строительстве озера данных, которое извлекает и нормализует требуемые данные. Интерфейсы прикладного программирования (API) и архитектура микросервисов позволяют новым аналитическим приложениям получать доступ к данным, не нарушая существующие рабочие процессы.

Пробелы в навыках: Пересечение опыта в области нефтяной инженерии, науки о данных и доменных знаний встречается редко. Создание кросс-функциональных команд, которые объединяют инженеров-резервистов, производственных технологов и ученых-данных, и содействие культуре экспериментов, имеет важное значение. Несколько крупных операторов создали внутренние цифровые академии для повышения квалификации существующего персонала. Сотрудничество с университетами и сторонними аналитическими фирмами также может ускорить создание возможностей. Один супермайор сообщил, что включение специалиста по данным в каждую команду активов, а не поддержание отдельной центральной группы аналитики, удвоило скорость принятия рекомендаций, основанных на аналитике.

Управление изменениями: Даже лучшее аналитическое решение потерпит неудачу, если полевой персонал не доверяет рекомендациям «черного ящика». Успех требует прозрачных моделей с интерпретируемыми результатами, демонстрации быстрых побед и спонсорства руководителей, что сигнализирует о том, что аналитика является стратегическим приоритетом, а не только проектом НИОКР. Вовлечение полевых инженеров в процесс разработки моделей увеличивает владение и принятие. Регулярные учебные занятия и панели инструментов, объясняющие обоснование рекомендаций, помогают повысить уверенность с течением времени. Один оператор обнаружил, что разрешение операторам отменять рекомендации модели в течение первых шести месяцев развертывания фактически улучшило точность модели, поскольку решения операторов отменяют ценные новые данные обучения для алгоритма.

Дорога впереди: ИИ, автоматизация и оптимизация замкнутого цикла

Следующим рубежом для анализа данных в восстановлении запасов является полностью автономное управление полями. Достижения в объяснимом ИИ, обучении усилению и краевых вычислениях сближаются для создания систем, которые могут изучать оптимальные стратегии восстановления на лету. Представьте себе резервуар, где инжекторные скважины и производственные скважины постоянно корректируются агентом ИИ, который узнал реакцию давления резервуара через миллионы эпизодов моделирования, все время оставаясь в пределах механических и экономических ограничений. Ранние реализации оптимизации водного потопа замкнутого цикла в Северном море продемонстрировали двузначные процентные улучшения в восстановлении нефти на единицу введенной воды с минимальным вмешательством человека.

Квантовые вычисления, хотя и находятся еще в зачаточном состоянии, обещают решить чрезвычайно сложные задачи оптимизации, такие как совместное размещение скважин и планирование производства, которые перегружают классические компьютеры. Между тем, распространение недорогих сейсмических датчиков и спутниковый мониторинг InSAR пошлет еще больше данных в аналитический движок, что позволит обнаружить тонкое уплотнение резервуара или движение жидкости. Сочетание квантовых алгоритмов с классическими прокси-серверами машинного обучения может позволить отрасли решать задачи оптимизации полного поля, которые в настоящее время занимают недели вычислений в течение нескольких часов.

Интеграция показателей окружающей среды, социальной сферы и управления (ESG) в оптимизацию восстановления также набирает обороты. Аналитика данных может помочь сбалансировать максимизацию восстановления с интенсивностью углерода, предлагая методы восстановления, которые секвестрируют больше CO]2 или используют меньше энергии на баррель, выравнивая с чистыми нулевыми амбициями. Например, многообъективная оптимизация может взвешивать увеличение добычи нефти против углеродного следа различных методов EOR, предоставляя лицам, принимающим решения, фронт компромиссов Парето. Это выравнивание экономических и экологических целей позиционирует аналитику данных как критически важный инструмент для перехода отрасли.

Краевые вычисления представляют собой ещё один крупный активатор. Вместо передачи всех необработанных данных датчиков в облако для обработки современные периферийные устройства могут запускать алгоритмы вывода локально, отправляя на центральные серверы только исключения и сводки. Это снижает затраты на полосу пропускания и задержку, позволяя выполнять автоматизированные действия управления за секунды, а не минуты. В пилотном проекте на Ближнем Востоке периферийная аналитика на контроллерах ESP обнаружила развивающуюся газовую интерференционную картину и снизила скорость насоса в течение трёх секунд, предотвратив блокировку газа и поддерживая стабильное производство. Время отклика было в 200 раз быстрее, чем облачная альтернатива.

Заключение

Анализ данных коренным образом изменил то, как нефтегазовая отрасль идентифицирует и использует возможности восстановления резервов. Преобразуя необработанные данные в прогнозное прогнозирование и предписывающие действия, операторы открывают бочки, которые остались бы недоступными поколение назад. Путь требует инвестиций в инфраструктуру данных, междисциплинарные таланты и культуру, которая охватывает принятие решений на основе фактических данных. Но для компаний, которые эффективно выполняют, вознаграждение - это более устойчивый портфель, продленный срок службы активов и ощутимое конкурентное преимущество. По мере развития энергетического перехода способность извлекать больше из существующих ресурсов с меньшим количеством следов будет одним из самых ценных возможностей отрасли - и аналитика данных является ключом к ее освоению. Те, кто выходит за рамки пилотных проектов для внедрения аналитики во все свои операции, определят следующую эру производительности в верхнем потоке.

Успешными будут те компании, которые рассматривают данные не как побочный продукт операций, а как основной актив, требующий такой же строгости и инвестиций, как бурение скважины или строительство платформы. Они создадут среду, в которой ученые по данным и инженеры-нефтяники будут ежедневно сотрудничать, где качество данных не подлежит обсуждению, и где ответ по умолчанию на любой оперативный вопрос заключается в том, чтобы сначала проконсультироваться с данными. В отрасли, где маржа ужесточается, а оставшаяся ресурсная база становится все более сложной, аналитика данных не является приятным делом - это единственный путь к поддержанию и росту производства из существующих активов. Бочки там, скрытые в шуме ежедневных операций. Аналитика - это инструмент, который привлекает их внимание.