Ang industriya ng langis at gas ay makasaysayang umasa sa paghina ng kurba analisis (DCA) upang tantiyahin ang hinaharap na mahusay na produksiyon at gabay na mga desisyon sa pag-iimbak. Ang mga tradisyonal na pamamaraan ay nangangailangan ng mga analyst upang manu-manong pag-aanunsyo ng produksiyon, pagpili ng mga modelong panghinang, at ang mga adaptasyon sa pag-aangkop ng momentum na hindi lamang ang oras-consumpsiyon kundi rin ang mga ito ay madaling maimpluwensiyahan ng pagkiling at pagkakamali. Ang mga kamakailang pagsulong sa artipisyal na katalinuhan (AI) at pagkatuto ng makina (ML) at pagkatuto (ML) ay binabago ang daloy na daloy na ito ng automamantitatsaidyo ng pag-pag-gawa ng pag-gawa ng mga pagbabago, na pag-ayos, na pag-angkop, na mas mabilis na pag-angkop, na pag-angkop, na pag-angkop, na pag-angkop, na mas mabilis, na pag-gawa, na pang-gawa, na pang-eksa-eksa-eksa-ekweto, na pang-eksing pang-eksitibo, na pang-ek
Ano ba ang Nakasasakit na Paghina ng Automatika?
Ang automated down current na pag-aangkop ay naglalapat ng AI at ML algorithms sa historical production data upang matukoy ang mga momentary production data na multiple defision model at parameter nang hindi nangangailangan ng patuloy na pangangasiwa ng tao. Ang sistema ay kumakain ng hilaw na production rate, pressure data, at mga pangyayaring operasyonal, pagkatapos ay ang mga item na multiple mode na gumagamit ng mga model na quartual, di-communicty systems hyperfactory, surficial, survival, surfide ng daangist, o mas mahusay na mga modelo, at mga transpormasyon, at mga transpormarized na mga modelo, at mga transpormasyon, at mga transpormasyonal na mga modelong mahusay na mga transpormasyonal.
Ang mga algorithm na ito ay kadalasang nagsasama ng mga tradisyonal na kurba-angkop na pamamaraan sa mga neural network o snear na nagpapalakas upang bihagin ang mga relasyong non-linear. halimbawa, ang isang refurized neural network (RNN) ay maaaring matuto mula sa time-series production data at humula ng paghina ng mga trajectories na sanhi ng masalimuot na mga pag-uugali ng imbakan. Ang resulta ay isang matipuno at paulit-ulit na proseso ng paghula na naghahatid ng mga hindi nagbabagong output sa ibayo ng libu-libong mga balon.
Mga Pangunahing Pakinabang ng Paggamit ng AI at ng mga Makina sa Pagkatuto
Higit Pang Pagiging Makatuwiran
Ang mga modelong AI ay maaaring humawak ng masalimuot na mga relasyong multivariate na ang tradisyonal na manwal na pag-aangkop ay kadalasang nagpapawalang bahala. Ang mga inflection na mga moving, at nagreresulta sa mahusay na interface na gumagawa ng mga humihinang kurba na mas mainam na sumasalamin sa mga aktuwal na reservation dynamics. Ang mga instansiya kung saan ang variantation ay nagpakita na ang variant at surminist.
Kakayahang Magsuot ng Panahon
Ang dating mga araw o linggo para sa isang maliit na portfolio ay maaari na ngayong matapos sa loob ng ilang oras.Ang mga sistemang automated ay nagpoproseso ng hilaw na datos, naglilinis nito, nag - aakma ng mga modelo, at lumilikha ng mga ulat na may kaunting interaksiyon ng gumagamit nito. Dahil sa bilis na ito, mas maraming oras na naiinterpreta ang mga inhinyero at nakagagawa ng estratehikong mga desisyon sa halip na gumawa ng paulit - ulit na mga pagbabago sa manwal.
Pagiging Makatuwiran at Makatuwiran
Ang mga analyst na tao ay kadalasang nagpapakilala ng mga tusong pagkiling na katanggap-tanggap sa mga pamilyar na modelo, labis na nag-iiba ng ingay, o hindi pinapansin ang maagang datos.Ang mga makinang nag-aaral ng algorithms ay gumagamit ng parehong mga batayang matematikal sa bawat mahusay, na gumagawa ng mga kahalintulad na hula na walang mga indibidwal na interpretasyon. Ang kompetitibong ito ay lalo nang mahalaga kapag sinusuri ang mga asset na portfolio sa iba't ibang mga koponan o rehiyon.
Ang Pag - unlad sa Kabila ng mga Portfolio
Ang isang sistemang automated ay maaaring sabay na magsuri ng libu-libong balon, bawat isa ay may libu-libong pang-araw-araw na rekord. Ang mga arkitekturang pang-Cloud-based ay nagpapangyari ng kompuwestong pang-ilaliman ng buong basin sa loob ng ilang minuto, na nagpapahintulot sa mga kompanya na i-update ang mga hula buwanan o linggu-linggo ng mga bagong datos.Ang aktwal na ito ay nagbibigay ng mga suportang porfolio o proplioperistensiya, badyet, at reserbang pag-ulat sa walang katulad na bilis.
Madaling Pag - aralan at Patuloy na Pagsulong
Ang mga modelong ML ay maaaring muling sanayin habang ang mga bagong datos ng produksiyon ay nagiging makukuha, na nagpapahintulot sa mga ito na umangkop sa mga nagbabagong kondisyon ng imbakan, mga epektong pampasigla, o mga demand ng pasilidad.Ang isang modelo na sa simula ay labis na nag-predik sa isang bidyo na paghina ay maaaring mag-redirect ng sarili-pag-ayos pagkatapos ng ilang buwan ng tunay na datos. Ang saradong-loop na pagkatutong ito ay tumitiyak na ang mga hula ay maging mas tumpak sa buhay ng asset.
Epekto sa Pasiyang Pang-operasyon-paggawa
Ang mga inhinyerong gumagawa ng mga produkto ay gumagamit ng halos-real-time na mga hula upang makilala ang mga nasa ilalim ng paggawa ng mga balon na maaaring makinabang sa mga akses na quartiba sa pamamagitan ng artipisyal na pag-angat na reprivity, muling pag-iinhinyero, o mga workover. Ang mga inhinyerong readervoir ay umaasa sa mga agregregrated na mga kalakaran upang dalisayin ang mga modelo ng imbakan, reviduksiyon ng produksiyon, at plano sa mga kampanya ng pagbutas mas mabilis na panig ng pananalapi, at mapabuti ang mga presyesensiyal na mga prestiturboridad, na may mga prestiturbasyon, pag-presy ng mga prestiturbasyon, pag-prestrukwensiya sa mga ektiturbal na may mga predibid sa mga ektitubilig pang-prestibo, at mga ekweekweekweekto, at mga predibid ng mga ektibong mga ektibong mga
Isa pa, ang pagsasama ng mga sensor ng IoT at mga sistema ng SCADA ay nagpapangyari sa mga automated DCA na maging hudyat kapag ang aktuwal na produksiyon ay lubhang lumilihis mula sa inihulang paghina. Ang maagang kakayahang ito na magbigay ng babala ay tumutulong sa mga opereytor na bawasan ang pagkawala ng kita at panatilihin ang mga salik na kapaki - pakinabang na paggaling.
Mga Hamon at Pag - aasikaso
Sa kabila ng mga bentaha nito, ang awtomatikong pagbaba ng kurba ay hindi isang lunas.Ang kalidad ng impormasyon ay nananatiling ang pinakamalaking hamon.Ang di - kumpleto, maingay, o maling mga rekord ng produksiyon ay maaaring magligaw sa ML algorithms, na gumagawa ng di - makatotohanang mga kurba. Robust data preprocessing EXOPic isama ang outlier retation, space filling, at ang normalization periris ay mahalaga bago magsimula ang anumang de - makinang pag - aangkop.
Maraming modelong pang-ebolusyon ang isa pang pagkabahala. maraming mga modelong high-accuracy ML, tulad ng malalalim na neural networks, ang nagpapatakbo bilang mga ⁇ black box, angif na ginagawang mahirap para sa mga inhinyero na maunawaan kung bakit ang isang partikular na pagbaba ng trajectory ay pinili. Ang industriya ay higit na na nagsasaayos ng mga paraang paliwanagin ang AI (XAII) na nagbibigay ng tampok na mga iskor at bahagyang mga adwarepentation plots upang magkaroon ng tiwala sa mga depresiblengmetro.
Sa huli, ang pamamahala ng pagbabagong pang-organisasyon ay hindi maaaring ipagwalang-bahala. ang transition mula sa mga mapagkakatiwalaang manu-manong proseso tungo sa mga sistemang automated ay nangangailangan ng pagsasanay, trabahong aksesorya, at isang kultural na pag-ikot tungo sa data-debut na elektribusyon.CStry na namumuhunan sa parehong teknolohiya at ang mga tao ay nakikinabang ng pinakamarami mula sa automasyon.
Mga Regural-World Rescription at mga Pag-aaral ng Kaso
Ilang pangunahing mga operator ang nag-ulat ng mga mahahalagang pakinabang matapos ipatupad ang mga automated DCA. Isang Permian Basin operator ay naglagay ng ulap-based ML platform upang suriin ang mahigit 5,000 pahalang na balon. Ang sistema ay nagbawas ng oras upang gumawa ng buwanang reserbang mga ulat mula tatlong linggo hanggang dalawang araw, habang ang pagtaas ng prespektibong tama ng 18% kumpara sa manufacturing na pag-aangkop. Ang isa pang independiyenteng operator ay gumamit ng variable DCA bilang bahagi ng isang integrate digital na kambal para sa pagbuo ng Bakken, na nagdudulot ng real-time premition at pagbabawas ng official time prevision.
Ang mga kompanya sa paglilingkod ay nagdedededyt din ng automated DCA sa kanilang mga aplikasyong pangkomersiyo. Ang mga kompanyang pang-isyu ay nagbibigay ng awtomatikong pagbaba ng kurba na angkop bilang isang module sa loob ng mas malawak na plataporma ng pangangasiwa ng imbakan. Ang mga kasangkapang iyon ay nagpapahintulot sa mga operator na bawasan ang mga pag-uulat sa mga modelong ekonomiko, pagsusuri ng panganib, at pagpaplano ng senaryo sa isang interface.
Ang Kinabukasan ng Paghina ng Automated Curve Analysis
Ang susunod na hangganan para sa automated DCA ay nasa mas malalim na pagsasanib sa mga katabing teknolohiya. Ang pag-uuri ng mga pagbaba ng mga hula sa pamamagitan ng pag-aaral ng makina tungkol sa pagkumpleto ng data] ay makakatulong sa mga regulatoryong modelo na nagrereresulta sa mga hinaharap na balon kahit na bago pa man ang mga ito magrena. Ang integration na may real-time production monitor at gilid na pag-computing ay magpapahintulot sa mga humihinang kurba habang nagaganap ang mga pangyayari para sa quarcion, kusang pag-mayayari, na muling paggawa pagkatapos ng isang aktiba o isang jabrain.
Ang isa pang magandang direksiyon ay ang paggamit ng pisika-informed neural networks (PINNs) na nagdededevelop ng imbakan ng tubig sa proseso ng pagsasanay. Ang mga modelong ito ay maaaring lumikha ng pisikal na paghina ng mga kurba kahit mula sa kaunting datos, na nagreresulta sa puwang sa pagitan ng data-as-flound at physics-based na mga paraan. Karagdagan pa, habang patuloy na nababawasan ang mga gastos sa ulap, ang mga maliliit na operator ay makakakuha ng mga tradebutado-scale DCA mga kakayahan sa pamamagitan ng software-as-a-a-sservice (Sa-sa-s) na mga handog.
Sa wakas, ang awtomatikong pagbaba ng pag - aangkop ng kurba ay magiging isang pamantayang sangkap ng digital oil field, walang - ingat na pagpapakain sa awtomatikong mga ulat, paggawa ng mga dashboard, at mga sistema ng pagpaplano ng korporasyon na gumagamit ng mga kagamitang ito sa ngayon ay nagpapaunlad ng bentaha sa pagiging tumpak, bilis, at liksi.
Pinakamabuting Gawain
Upang matagumpay na magpatupad ng awtomatikong DCA, ang mga organisasyon ay dapat magsimula sa isang pilot program na nakatuon sa isang subset ng mga balon na may malinis, pampublikong makukuhang datos.Ito ay nagpapahintulot sa pangkat na patunayan ang modelong pagganap laban sa alam na kinalabasan at magkaroon ng tiwala bago ang pag-iimbestiga. Mahalaga na magsangkot ng mga dalubhasa sa domain na mga inhinyerong pang-eterreservoir, heologo, at mga siyentipiko ng datos na siisensiyain ang pagbuo at ansiyalation upang matiyak na ang mga output na may kaugnayan sa mga pisikal na inaasahan.
Ang mga tubo ng impormasyon ay dapat na awtomatikong inumin araw - araw o linggu - linggo ang mga rekord ng produksiyon, at ang mga patakaran sa pag - uutos ay dapat magbigay ng katuturan kung gaano kadalas sinasanay at binibigyang - bisa ang mga modelo.
Kabilang sa mga mapagkukunan para sa karagdagang pag-aaral ang SPE Digital Energy Technical Section at inilathalang literatura sa pagkatuto ng makina sa inhinyeriyang petrolyo, tulad ng OnePetro conference papers. Ang mga pinagkukunang ito ay nag-aalok ng mga pag-aaral ng kaso, algorithm, at mga performance singmark para sa mga koponan na isinasaalang-alang-alang-alang-alang ang automasyon.
Ang automated down current na ginagamit ang AI at ML ay hindi na isang futuristic conceptivity o fetitle, napatunayang kasangkapan na naghahatid ng mga pakinabang sa katumpakan, bilis, lapot, at katipiran. Sa pamamagitan ng pagyayakap sa teknolohiyang ito, maaaring gawing isang estratehikong asset ang mga impormasyong produksiyon, na nagpapangyaring ang mas mahusay na mga desisyon mula sa larangan ay maging isang boardroom.