Akıllı Alan Döneminde Gaz Asansör Optimizasyonu

Gaz asansör sistemleri, olgun ve derin su varlıkları çapında kullanılan birincil yapay asansör yöntemidir. Prensip basit: yüksek basınçlı gaz, sıvı sütunun yoğunluğunu azaltmak, alt delik basıncı azaltmak ve rezervuar sıvılarının yüzeye çıkmasına izin vermek için iyi bir yöntemdir.

Geleneksel optimizasyon, nodal analizi ve periyodik iyi testler üzerinde ağırlığa sahiptir. Mühendisler sürekli devlet modelleri inşa eder ve hedef enjeksiyon oranlarını tanımlamak, chokes'i manuel olarak ayarlamak veya bir Dağıtılmış Kontrol Sisteminde (DCS) Bu yaklaşım, çok aşamalı bir belirsizlik oluşturmak için mücadele eder ve kalıcı olmayan modeller ile sürekli olarak adapte edilemez hale getirmek için, kompresör gezileri veya su atılımlarını tanımak gibi geçici olaylara hızlı tepki veremezler.

AI entegrasyonu mühendislik yargılamasının değiştirilmesiyle ilgili değil, bunun yerine, süper insan model tanıma ve tepki hızıyla gelişmeyi tercih ediyor.Bu makale, temel metodolojileri dağıtılıyor, alan uygulamaları pratik engeller ve iş değeri dijital petrol alanının tamamen akıllı bileşenleri olarak ortaya çıkıyor.

Gaz Asansör Sistemi Performansı

AI'nın en değere sahip olduğunu anlamak için, gaz asansör performansını tanımlayan özel ölçümler ve operasyonel mekanikleri ilk incelemeniz önemlidir. Optimizasyon sadece maksimum yağ üretimi hakkında değildir; toplam sıvı üretimi, gaz enjeksiyonu maliyetleri, rezervuar kısıtlamaları ve ekipman güvenilirliği dengelemek gerekir.

Gaz Asansör için Anahtar Performans Göstergeleri

Gaz asansör optimizasyonundaki birincil teknik hedefler gaz asansör performansı eğrisinde merkezileştirilmiştir. Bu eğri genellikle gaz enjeksiyonu oranına karşı sıvı üretim oranına karşı arsa veya ek metrikler şunları göstermektedir: Enjeksiyon olarak ilk dikte veya bir zirve ile takip edilir ve sonunda aşırı yükleme sırasındaki düşüş meydana gelir.

  • [FONT:0)Ürün Uplift: [Döntme:[Döntgen: 0,4] En iyi enjeksiyona verilen artış petrol oranı.
  • [FONT:0)Gas Utilization Verimliliği: [DÜT:1] Petrolün gaz enjekte edilmesi için ürettiği oranı genellikle var olmayan (scf/bbl) için standart metrede ölçüldü.
  • [FONTD:0)Injeksiyon Gaz Baskısı: [Döntgenme: 0,4][/FONT][/FONT=0)En derin enjeksiyon valflerini tedarik etmek için yeterli bir tabaka baskıyı korumak.
  • [FONT:0]Drawdown Yönetimi: [DFLT:1] Aşırı doldurmadan, kum üretimine, su kontaminesine veya formasyon hasarlarına yol açabilecek kadar çizilir.

Geleneksel optimizasyon, bu eğriyi simüle etmek için nodal analiz yazılımı kullanır. Mühendis, su kes, gaz-petrol oranı (GOR), ve verimlilik indeksi (PI) periyodik iyi testlere dayanarak, ortaya çıkan model genellikle rezervuar koşulları gelişti.

Manual Optimizasyon Çalışma Akışlarının Sınırları

Çoğu alanda iyi testlerin frekansı doğru bir model korumak için yetersizdir. Bir varlık bir ay boyunca iyi bir kez test edebilir, varsayımlar tarafından yönlendirilen 29 gün boyunca, ortak bir manifoldu paylaşmanın arasındaki etkileşim karmaşıktır.Indüksiyon basıncının iyileştirilmesi, sistemin her iyiliğini etkiler.Bu çiftleştirilmiş davranışın çoğu zaman manuel olarak optimize edilmesi zorlanır.

AI ve Machine Learning Architectures for Gas Lift

Gaz asansör optimizasyonunda uygulanan "AI" tek bir teknoloji değil, makine öğrenme mimarileri bir süit, her biri problemin belirli bir yönüne uygundur. Doğru modeli seçmek ve onu sağlam bir kontrol mantığına entegre etmek temel mühendislik meydan okumasıdır.

Proxy Modeling için Süpervizit Öğrenme

Gaz asansöründe AI için en yaygın giriş noktası, enjeksiyon basıncı, enjeksiyon oranı ve GOR kullanarak. Hedef değişkeni üretilen petrol veya sıvı oranıdır.

Eğitimli ve doğrulanmış bir şekilde, bu proxy modeli, fizik tabanlı model için hızlı bir şekilde gerçek dünya davranışının yanı sıra, saniyeler içinde binlerce "ne-if" senaryoyu değerlendirebilir, mevcut işletim koşullarındaki üretim oranı tespit eder. Anahtar bir avantaj, yüksek doğruluk ve sağlamlık için yaygın olarak kullanılan, sıcaklık etkileri ve valf bozulması gibi faktörler de dahil olmak üzere iyi bir şekilde öğrenir.

Kapalı-Loop Kontrol Öğrenmesi

Dondurucu Öğrenme (RL) denetimli proxy modellerine önemli bir ilerlemeyi temsil eder. Bir RL çerçevesinde, bir "agent", çevre ile etkileşime girerek eşdeğer kararlar almayı öğrenir. Gaz asansörü bağlamında, çevre iyi ve yüzeysel tesistir.

Tekrarlanan simülasyon ve deneme-terör sayesinde, RL ajanı ayırıcıyı önlemek için en uygun bir politika öğrenir. Bu, geçici olayları yönetmek için özellikle güçlüdür. Örneğin, bir RL ajanı geçici olarak enjeksiyonu önlemek için öğrenebilir, bu alanda uygulanan otomatik dinamik kontrol düzeyine kadar otomatik dinamik kontrole devam etmek imkansızdır.

Fizik-Informal Networks (PINNs)

Saf veriye dayalı modellerin tanınan riski, eğitim dağıtımlarının dışındaki verilerle karşı karşıya kaldığı zaman başarısız olma eğilimidir (örneğin, yeni, daha düşük rezervuar basıncı). Fizik-Inform Neural Networks (PINNs) bunu ele alarak, sinir ağının kaybına ilişkin fiziksel denklemleri kontrol altına almak için.

Model sadece tarihsel verilere karşı sadece hata için değil, aynı zamanda kitlesel denge, ivme dengesi ve enerji dengesi gibi fiziksel yasaları ihlal etmek için de cezalandırılmaktadır. Sonuç, makine öğreniminin sağlamlığı ile birleştiren bir hibrit modeldir. PINNs standart sinir ağları ve daha az eğitim verilerinin yüksek bir doğruluk seviyesine ulaşmasını gerektirir.

Veri Altyapısı ve Operasyon Teknolojisi Entegrasyon

Bir gaz asansör ortamında AI algoritmalarının işletmesi sağlam bir veri boru hattı gerektirir. En yüksek performanslı model, durgun veya eksik verilerdir. altyapı, alt delik sensöründen buluta (veya kenar) ve kontrol valfine kadar yayılmalıdır.

Yüksek Lisans Data Acquisition and Quality Control

Verilerin zamansal çözümü kritiktir. Geleneksel SCADA sistemleri her dakikayı ankete uğratabilir, önceki bir damla veya bir kapak başarısızlığını azaltır. AI optimizasyonu genellikle 1 saniye veya alt saniye veriyi alt delik basıncı ve yüzey akış oranları için gerektirir. Multi-fak akış metre (MPFMs) sürekli petrol, su ve gaz oranları sağlamak için, infrek separator testlerine güvenmeyi gerektirir.

Veri kalitesi en büyük pratik engeldir. Sensör sürüklenme, donmuş vericiler ve iletişim damlaları yaygındır. Bir AI boru hattı otomatik veri doğrulama modülleri içermelidir. Sensör füzyon için Kalman filtrelemesi, ve biromaly algılama için otomatik olarak kullanılan kodlayıcılar optimizasyon motoruna girmeden önce veri akışını temizlemek için kullanılır.

Edge vs. Cloud Computing Architectures

Latency kritik bir tasarım kararıdır. kapalı-loop kontrolü için ( AI doğrudan uyanmak için ayarlandığında), model alt saniye yanıt süreleri sağlamak için bir kenar cihazı üzerinde çalıştırmalıdır ve güvenli bir işlem yürütürken, büyük ölçekli simülasyonlar için güçlü bir şekilde, gerçek zamanlı kontrol için kabul edilemez olan gecikme ve bağlantı risklerini ortaya koyar.

Ortak bir mimari, bulutta tarihsel verileri kullanarak eğitim modellerini içerir, sonra bir kenar cihazına eğitim veren bir uyarı motoru dağıtır (örneğin, iyi bir veya platformda bulunan sağlamlaştırılmış IPC veya akıllı bir RTU gibi).

Simülasyon ve Geçerlilik için Dijital Twin Entegrasyon

Bir AI önerisi canlı iyi bir şekilde yürürlüğe girmeden önce, işletim limitlerine karşı test etmek akıllıcadır (örneğin, maksimum vücut basıncı, minimum hidratlar için yüksek sadakatli simülasyon modelidir) otomatik olarak hareket eden bir sistem simülasyonu tabakasıdır.

Alanda Uygulama Meydanları ve Yararlılar

Açık teknik potansiyele rağmen, AI odaklı gaz asansör optimizasyonunun dağıtımı önemli engeller olmadan değildir. Bu zorluklar teknik olarak çok organizasyondadır.

Data Scarcity ve Labeling

Alan verileri bol olsa da, yüksek kaliteli veriler yetersizdir. İyi bir test, faz akış oranlarının kesin bir ölçümü sağlar, ancak bu testler zaman geri kalanı, akış oranlarının sentetik bir algoritmadan tahmin edilmesi veya sonra iyi bir veri kümesini tahmin etmek için tahmin edilmesi gerekir.

Model Yorumability ve Engineering Trust

Alan mühendisleri ve operatörleri genellikle "kara kutu" algoritmalarının şüphecisidir. Bir sinir ağı, enjeksiyon baskısını önerebilir, ancak eğer mühendis bu tavsiyenin arkasındaki rasyonelleri göremese, özellikle de model açıklanabilirliği ile çelişir.P (SHapley ekerleri) ve LIME (Local Interpretable Model-agnostic Explanations) arasındaki sürekli işbirliği kültürünü gösteren araçlar önemli ölçüde önemlidir.

Legacy Control Systems ile entegrasyon

Birçok gaz asansörü, başlangıçta modern bir AI inference motoru ile birlikte, "semi-a Özerk" (operatör doğrulama) ve sonunda "a Özerk" (kapılı-loop) kontrol etmek için operasyonel ağı önlemek için kontrol altına alınması gerekir.

İş Etkisi ve Yatırıma Dönüş

AI-güdümlü gaz asansör optimizasyonu yatırım, doğrudan alt hattı etkileyen ölçülebilir operasyonel gelişmeler tarafından haklı çıkar. Geri dönüşler genellikle dağıtım ayları içinde görülür.

Prodüksiyon Uplift ve Recovery Faktör

Operatörler, arsadaki toplam sıvı üretiminde% 8 artışını sürekli olarak rapor ederler, çünkü rezervuar daha verimli bir şekilde tükenir.Bu uplift, doğru en uygun enjeksiyon oranını dinamik olarak tanımlamaktan gelir, çünkü sahada en iyi çizilen tabloyu korumak için, genel kurtarma faktörlerinin de geliştirildiği gibi, rezervuar daha verimli bir şekilde tükenir.

Operasyonel Açıklama

AI optimizasyonu doğrudan işletme maliyetlerini azaltır. Optimizing enjeksiyon hacmi, el optimizasyonunda harcanan mühendislik saatlerinin miktarını azaltır ve raporlama ayrıca daha yüksek değerli analitik görevler için yetenekli personel için de geçerlidir.

Çevresel Performans ve Güvenilirlik

Enjeksiyon ve üretim oranlarının stabilleştirilmesiyle, AI, hava kirliliği veya kesintiye neden olan sensörleri belirleme ve azaltma gibi konuları doğal olarak daha güvenli hale getirir, çünkü daha az geçici olaylarla istikrarlı baskılarda çalışırlar. Tahmin edilebilir tanılar, AI için gerekli olan ikincil bir fayda, operatörler, bir başarısızlıka neden olan sensörleri belirlemelerine izin verirler, genel sistem güvenilirliğini ve güvenliğini geliştirirler.

Future Trajectories in Akıllı Gaz Asansör

AI'nın gaz asansörüne entegrasyonu hala erken aşamalarındadır. Bir sonraki gelişme dalgası, daha geniş bir alan yönetimi stratejisine entegre edilmesi ve gaz asansör optimizasyonu kapsamını genişletmeye odaklanacaktır.

Tamamen otonome doğru ilerliyoruz, AI sistemi sadece gaz asansörü enjeksiyonu oranı değil, aynı zamanda farklı gaz asansör valflerinin seçimi ve aktivasyonlarının kontrolü, iyi test operasyonları ile koordinasyonun yanı sıra, alt deniz kuyuları ve uzaktan onshore pedleri için özellikle cazip.

Ayrıca, AI algoritmaları, ağ seviyesindeki gaz asansörünü giderek optimize edecek, yüzlerce yüksek basınçlı gazın tahsis edilmesini ve toplam alan geliri için gerçek zamanlı olarak gerçek zamanlı olarak sağlayacak şekilde optimize edecek. Bu, gelecekteki petrol alanından daha karmaşık bir optimizasyon problemidir.