В галузі нафти і газу історично спирається на зниження кривих аналіз (DCA) для оцінки майбутніх рішень з виробництва і управління резервуарами. Традиційні методи вимагають аналітиків для ручних даних виробництва, вибору моделей зниження, ітеративно відрегулювати параметри - процес, який не тільки трудомісткий, але і схильний до людських упереджень і помилок. Останні досягнення в штучному інтелекті (AI) і машинному навчанні (ML) трансформують цей робочий процес шляхом автоматизації зниження кривої фітинги, що дозволяє швидше, більш точні і масштабні прогнози виробництва.

Що таке автоматичний декольте закривання?

Автоматична криваюча криваюча арматура AI та ML застосовується до історичних даних продакшн для визначення оптимальної моделі та параметрів зниження без необхідності безперервного нагляду за людськими ресурсами. Система запускає сирі показники виробництва, дані тиску та операційні заходи, а потім ітеративно тестує декілька моделей зниження — наприклад, гіперболічні, експоненціальні, гармонічні, або більш прогресивні моделі, такі як розтягований потенціал або логістика, і вибирає найкращі підходи, використовуючи об'єктивні метрики помилок. На відміну від ручного фітингу, автоматизовані системи можуть оцінити сотні моделей кандидатів на добре і регулювати для зовнішніх носіїв, зазорів даних та змін режиму потоку.

Ці алгоритми часто поєднують традиційні методи викривлення з нейромережами або градієнтним підвищенням для захоплення нелінійних відносин. Наприклад, рецидивна нейромережа (РН) може вчитися з даних виробництва часових продуктів і прогнозування траєкторій зниження, які обліковуються на складні пластові поведінки. Результатом є надійний, повторюваний процес прогнозування, який забезпечує стабільні результати по тисячам свердловин.

Ключові переваги використання штучного інтелекту та машинного навчання

Підвищена точність

Моделі AI можуть обробляти складні багатоваріатні відносини, які традиційної ручної арматури часто з'являються. За рахунок неправильних змін, таких як тиск низу, параметри завершення і зсув добре перешкоди, алгоритми ML виробляють занепади, які краще відображають фактичну динаміку резервуарів. Студії показали, що автоматизована DCA знижує похибку прогнозу на 20-40% порівняно з ручними методами], особливо в нетрадиційних резервуарах, де багатофазний потік і перехідна поведінка домінують.

Часова ефективність

Щойно зайшли дні або тижні для невеликого портфоліо тепер можна завершити за години. Автоматизовані системи обробляють сирі дані, очищають її, підходять моделі, і генерують звіти з мінімальною взаємодією користувача. Це прискорення дозволяє інженерам витрачати більше часу на переклад результатів і прийняття стратегічних рішень, а не виконувати повторювані ручні налаштування.

Консистенція та об’єктивність

Аналізи людини часто вводять тонкі упередження — розв’язуючи знайомі моделі, перевиправлення шуму або ігнорування ранньої інформації. алгоритми машинного навчання застосовуються однакові математичні критерії для кожного свердловини, що виробляють порівняльні прогнози, які безкоштовні від суб’єктивного трактування. Ця консистенція є особливо цінною при оцінці портфелів активів по різних командах або регіонах.

Портфоліо Scalability Across Asset

Автоматична система може одночасно проаналізувати тисячі свердловин, кожен з тисяч щоденних записів. / Хмарні архітектури дозволяють паралельно обробляти цілі басейни за хвилину, що дозволяє компаніям оновлювати прогнози щомісяця або навіть щотижневі, оскільки нові дані прибувають. Ця масштабованість підтримує оптимізацію портфеля, бюджетування та резервну звітність при неробочих швидкостях.

Адаптивне навчання та безперервне вдосконалення

Моделі ML можуть бути перепідготовлені як нові дані про виробництво, що дозволяють їм адаптуватися до змінених умов водойми, впливу стимулювання або об'єктів. Модель, яка спочатку перепередила зниження свердловини, може самовиправлення через кілька місяців реальних даних. Цей закритий тренінг забезпечує прогнози, що стають більш точними за життям активу.

Вплив на оперативне прийняття рішень

Автоматизовані кривих кривих кормів безпосередньо в ключові операційні процеси. Інженери-виробники використовують близько-реальні прогнози часу для виявлення підпірних свердловин, які можуть скористатися з втручанням, чи можна через штучну оптимізацію ліфтів, рестимуляції або робочих надходжень. Інженери-сервери ресервера спираються на сукупні тенденції зниження рефинових моделей, виділяють виробничі ставки, планують заповнювати бурові кампанії. На фінансовому боці швидше і більш точні прогнози покращують прогнози руху готівки, зменшують невизначеність в оцінках, а також підтримують дотримання таких органів, як SEC.

Крім того, інтеграція з системами IoT та SCADA дозволяє автоматизовано DCA викликати оповіщення, коли фактичне виробництво значно зменшується від прогнозованого зниження. Ця можливість раннього попередження дозволяє операторам мінімізувати втрати доходів і підтримувати оптимальні фактори відновлення.

Виклики та рекомендації

Незважаючи на свої переваги, автоматизована криваюча арматура не є панацею. Якість даних залишається єдиною найбільшою проблемою. Неповторна, шумна, або неправильно позначена записів виробництва може ввести в оману алгоритми МЛ, що виробляє нереальні кривої. Робуста обробка даних — включаючи виявлення зовнішніх даних, зазор, нормалізацію швидкості — це важливе перед початком будь-якої автоматизованої фітинги.

Модельна інтерпретабельність є ще одним занепокоєнням. Багато високоточні моделі МЛ, такі як глибокі нейромережі, працюють як «чорні коробки», що робить його важко для інженерів, щоб зрозуміти, чому було вибрано конкретну траєкторію відхилення. . Промисловість все частіше приймає пояснювані технології AI (XAI), які забезпечують важливі показники та часткові залежності ділянки для побудови довіри в автоматизованих виводах.

Нарешті, організаційне управління змінами не може ігноруватися. Перехід від перевірених ручних процесів до автоматизованих систем вимагає підготовки, редизайну робочого процесу та культурного зсуву до прийняття рішень. Компанії, які інвестують в технологію та отримують найбільшу від автоматизації.

Real-World Applications and Case Studies

Кілька основних операторів повідомили про суттєві вигоди після впровадження автоматизованого оператора DCA. Один оператор Permian Basin розгорнув хмарну платформу ML для аналізу більш 5,000 горизонтальних свердловин. Система скоротила час для отримання щомісячних звітів за резервами з трьох тижнів до двох днів, при цьому збільшення точності прогнозів на 18% порівняно з ручною фітингом. Ще один самостійний оператор використовував автоматизований DCA в рамках інтегрованого цифрового близнюка для формування Bakken, що дозволяє в режимі реального часу добре передові і зменшуючи неплановані час на 12%.

Компанія «Сервіс» також поставляє автоматизовані DCA в комерційні програми. Наприклад, Smith International’s Digital analysis пропонує автоматизовану кривувальну арматуру в рамках платформи управління більш широкими резервуарами. Такі інструменти дозволяють операторам поєднувати прогнози зниження з економічними моделями, аналізом ризиків, сценарним плануванням в одному інтерфейсі.

Майбутнє автоматизованого аналізу деформаційних закривань

Наступний передній для автоматизованої DCA полягає в глибокій інтеграції з сусідніми технологіями. Поєднання прогнозів зниження з машинним навчанням на завершення проектування даних дозволить прогнозувати моделі, які оптимізують майбутні свердловини навіть перед їх бурінням. Інтеграція з оперативним моніторингом та профілем, дозволить зменшити кривих, щоб регулювати динамічно, як події відбуваються, наприклад, автоматично перерахункуючись після завершення робіт або відключення трубопроводу.

Ще одним перспективним напрямком є використання фізико-інформованих нейромереж (ПІН) які поєднують фізику водойм безпосередньо в процес підготовки. Ці моделі можуть виробляти фізичній послідовності занепади навіть від спаржуваних даних, гальмуючи розрив між підходом даних і фізико-фізичними підходами. Крім того, як хмарні витрати продовжують зменшуватися, невеликі оператори отримають доступ до можливостей підприємства-швидкої DCA через програмно-as-service (SaaS) пропонує.

В даний час автоматизована система відхилення кривої фурнітури стане стандартним компонентом цифрового нафтового родовища, безшовно годуючи автоматизовані звіти про запаси, оптимізаційні прилади для виробництва, а також системи корпоративного планування. Компанії, які приймають ці інструменти сьогодні, будують конкурентну перевагу в точності, швидкості та маневреності.

Найкращі практики

Для успішного впровадження автоматизованих систем, організаціям необхідно починати з пілотної програми, спрямованої на підмножину свердловин з чистими, загальнодоступними даними. Це дозволяє команді впровадити модельне виконання від відомих результатів і будувати впевненість перед масштабуванням. . Це критично важливо залучати до експертів доменів—резервативаторів, геологів, науковців даних — в розробці моделі та валідації, щоб забезпечити, що виходи вирівнюються з фізичними очікуваннями.

Для забезпечення нових записів виробництва необхідно проводити автоматизовані системи, які щодня або щотижневі, а політики управління повинні визначити, як часто моделі перепідготовлені та перевірені. Нарешті, виходячи з інтуїтивно зрозумілих панелей, які порівняють автоматизовані прогнози з ручними бенчками, допомагають зацікавленим сторонам бачити значення та заохочує прийняття.

Ресурси для подальшого навчання включають в себе SPE Digital Energy Technical Секція[ і опубліковану літературу на машинному навчанні в нафтобудуванні, наприклад OnePetro журнальних робіт]. Ці джерела пропонуються кейси, алгоритми та еталони продуктивності для команд, що розглядають автоматизація.

Автоматизована криваюча арматура за допомогою AI і ML більше не є футуристичною концепцією. Це практичний, перевірений інструмент, який забезпечує безмірні переваги при точності, швидкості, консистенції та масштабованості. За допомогою ембракції цієї технології нафтогазові компанії можуть перетворити дані про виробництво в стратегічний актив, що дозволяє краще рішення від поля до платника.