Công nghiệp dầu và khí đã dựa vào phân tích đường cong giảm (DCA) để ước tính các quyết định về sản xuất và hướng dẫn nguồn nước tương lai. Phương pháp truyền thống đòi hỏi nhà phân tích đồ thị vẽ đồ thị, chọn mô hình giảm, và lặp lại các tham số điều chỉnh một cách có tính chất nhanh hơn - quá trình không chỉ là dễ dàng mà còn dễ dàng bị ảnh hưởng bởi thành kiến và lỗi của con người. Những tiến bộ gần đây trong trí thông minh nhân tạo (AI) và việc học máy (ML) đang chuyển đổi công việc này bằng cách tự động thay đổi đường cong giảm, hiệu quả hơn, hiệu quả hơn, chính xác hơn, và có thể dự đoán chính xác hơn.

Sự sửa phạt tự động nào thích hợp?

Đường cong giảm tự động áp dụng thuật toán AI và ML để xác định các mô hình giảm giá trị tối ưu và các tham số mà không cần thiết sự giám sát liên tục của con người. Hệ thống hấp thụ tỷ lệ sản xuất thô, dữ liệu áp lực, và các sự kiện hoạt động, rồi lặp lại các phép thử đa chiều đa chiều - chẳng hạn như Rops hyperbolic, cấp số nhân, độ điều hòa hoặc cao hơn như tăng hay tăng cường hơn, và chọn những cách phù hợp nhất sử dụng các lỗi chính xác. Không giống như hướng dẫn sử dụng hệ thống tự động, hệ thống tự động có thể đánh giá hàng trăm ứng cử viên hàng trăm mô hình giảm dần và điều chỉnh dữ liệu ra ngoài, khoảng cách lưu lượng và độ thay đổi độ thay đổi.

Những thuật toán này thường kết hợp các kỹ thuật đường cong truyền thống với mạng thần kinh hoặc nâng cấp lên để thu thập các mối quan hệ không tuyến tính. Ví dụ, một mạng thần kinh lặp đi lặp lại (RN) có thể học từ dữ liệu sản xuất thời gian và dự đoán giảm quỹ đạo của các hành vi hồ chứa phức tạp. Kết quả là một tiến trình dự báo có thể lặp đi lặp lại và cung cấp kết quả nhất quán qua hàng ngàn giếng.

Lợi ích chính của việc sử dụng AI và máy móc

Tăng độ chính xác

Mô hình AI có thể xử lý các mối quan hệ đa biến phức tạp mà hướng dẫn sử dụng thường bỏ qua. Bằng cách tổng hợp các biến như áp suất lỗ dưới, hoàn thành các tham số, và bù đắp sự can thiệp tốt, các thuật toán tương tự tạo ra đường cong giảm xuống phản ánh động lực thật. [Các thiết bị liên kết bằng tay thường cho thấy rằng các lỗi dự báo tự động DSA giảm 20–40% so với phương pháp thủ công [FL: 1), đặc biệt trong hồ nước nơi mà các hoạt động đa phổ thông và hành vi tạm thời.

Thời gian trôi chảy

Những gì một lần mất nhiều ngày hoặc nhiều tuần cho một đầu tư nhỏ bây giờ có thể được hoàn thành trong giờ. tự động hệ thống xử lý dữ liệu thô, làm sạch, mô hình phù hợp, và tạo báo cáo với tương tác tối thiểu người dùng. Gia tốc này cho phép các kỹ sư dành nhiều thời gian hơn để giải thích kết quả và đưa ra quyết định chiến lược hơn là thực hiện những điều chỉnh lại hướng dẫn sử dụng.

Kiên định và khách quan

Các nhà phân tích thường đưa ra những thành kiến tinh tế - thích thích những mô hình quen thuộc, sửa chữa dữ liệu quá sớm hoặc bỏ qua các thuật toán học sớm. máy học tập các thuật toán áp dụng cùng các tiêu chuẩn toán học cho mỗi tốt, tạo ra những dự báo tương tự mà không cần sự diễn giải chủ quan. tính nhất quán này đặc biệt có giá trị khi đánh giá các danh mục tài sản trên các nhóm khác nhau hoặc các vùng khác nhau.

Khả năng dao động bên trên cổng vào

Một hệ thống tự động có thể phân tích hàng ngàn giếng, mỗi cái với hàng ngàn hồ sơ hàng ngày. [FLT: 0] Các cấu trúc dựa trên cơ sở dữ liệu dựa trên chữ cái dựa trên chữ cái này cho phép xử lý song song với toàn bộ lưu trữ [FLT: 1), cho phép các công ty cập nhật dự báo hàng tháng hoặc thậm chí hàng tuần khi dữ liệu mới đến. Tính năng tăng cường, ngân sách và dự báo cáo với tốc độ chưa từng có.

Học hỏi thích nghi và cải thiện không ngừng

Mô hình ML có thể được đào tạo lại khi dữ liệu sản xuất mới trở nên có sẵn, cho phép chúng thích nghi với những điều kiện chứa nước, hiệu ứng kích thích, hay những hạn chế về cơ sở. một mô hình mà ban đầu đã xem xét quá mức giảm có thể tự sửa chữa sau vài tháng dữ liệu thực.

Ảnh hưởng đến việc thực hiện quyết định

Đường cong giảm tự động cung cấp trực tiếp vào dòng hoạt động chính. Các kỹ sư sản xuất sử dụng dự báo thời gian gần thời gian để xác định các giếng có thể được lợi ích từ sự can thiệp - dù qua việc nâng cấp nhân tạo, tái tạo, hoặc làm việc lại. [FLT: 0] Các kỹ sư sản xuất sử dụng dự đoán tái tích hợp các xu hướng giảm dần để tinh chỉnh các mô hình chứa, tỷ lệ sản xuất phân bổ [FL:1]. Bên cạnh tài chính, và chính dự báo nhanh hơn cải thiện việc dự báo lưu thông lượng tiền mặt tiền mặt, giảm tính dự trữ và hỗ trợ quản lý các cơ thể.

Hơn nữa, sự kết hợp với cảm biến iot và hệ thống SCADA cho phép tự động hóa DCA để kích hoạt cảnh báo khi sản phẩm thực sự đi lệch đáng kể từ sự suy giảm dự đoán. Khả năng cảnh báo này sớm giúp người điều hành giảm thiểu thiệt hại về doanh thu và duy trì yếu tố phục hồi tối ưu.

Những thử thách và sự quan tâm

Chất lượng dữ liệu vẫn là thách thức lớn nhất. không hoàn toàn, ồn ào hoặc đánh dấu sai có thể đánh lừa các thuật toán sản xuất ML, tạo ra đường cong không thực tế.

Mô hình dễ hiểu là một điều khác nữa: Nhiều mô hình tương tự như mạng lưới thần kinh sâu, hoạt động như “ Hộp đen, cho các kỹ sư khó hiểu tại sao một quỹ đạo bị suy giảm.

Cuối cùng, không thể bỏ qua việc quản lý thay đổi tổ chức, chuyển từ những quá trình hướng dẫn đáng tin cậy sang hệ thống tự động cần sự đào tạo, thiết kế lại dòng chảy, và một sự thay đổi văn hóa hướng tới việc đưa ra quyết định dựa trên dữ liệu, những công ty đầu tư vào cả công nghệ và con người đạt được nhiều nhất từ sự tự động hóa.

Các chương trình và nghiên cứu về trường hợp trên thế giới

Một nhà điều hành cơ sở vật chất Permian đã triển khai một nền tảng dựa trên mây để phân tích hơn 5.000 giếng ngang. Hệ thống đã giảm thời gian để tạo ra các báo cáo dự trữ hàng tháng từ ba tuần xuống hai ngày, trong khi tăng độ chính xác dự báo bằng tay so với 18%. Một nhà điều hành độc lập khác sử dụng tự động DRA như một phần của cặp song sinh số cho việc hình thành Bakken, cho phép thời gian thực trước và giảm thời gian không có dự đoán xuống 12%.

Các công ty dịch vụ cũng đang đưa đường cong giảm tự động vào ứng dụng thương mại của họ. Chẳng hạn, [FLT: 0] Bộ phân tích [FLT: 1] cung cấp một mô-đun tự động phù hợp với một hệ thống quản lý nguồn rộng hơn.

Tương lai của sự suy giảm tự động

Biên giới kế tiếp cho DCA tự động nằm trong sự liên kết sâu hơn với công nghệ liền kề. [FLT: 0] Đang kết nối các dự báo từ chối thời gian thực và tính toán sẽ cho phép các đường cong từ chối điều chỉnh động khi sự kiện xảy ra. Chẳng hạn, tự động sửa chữa sau khi làm việc hoặc tắt đường ống.

Một hướng khác hứa hẹn là sử dụng mạng thần kinh có cấu trúc vật lý (PINNs) mà liên kết trực tiếp nguồn vật lý vào quá trình đào tạo. Những mô hình này có thể tạo ra các đường cong nhất quán về mặt vật lý giảm dần ngay cả từ dữ liệu phân hủy, thu hẹp khoảng cách giữa các phương pháp tiếp cận dữ liệu và vật lý. Hơn nữa, chi phí đám mây tiếp tục giảm, các nhà điều hành nhỏ sẽ tiếp cận các khả năng kinh doanh qua các phần mềm (SaSA)

Cuối cùng, đường cong giảm tự động sẽ trở thành một thành phần tiêu chuẩn của ngành dầu số, cung cấp liên tục vào các báo cáo dự trữ tự động, bảng điều khiển tối ưu hóa sản xuất và hệ thống kế hoạch tập đoàn. các công ty ngày nay đang xây dựng một lợi thế cạnh tranh về độ chính xác, tốc độ và sự linh hoạt.

Thực hành tốt nhất

Để thực hiện tự động DCA, các tổ chức nên bắt đầu với một chương trình thí điểm tập trung vào một tập hợp nhỏ các giếng với dữ liệu sạch, công khai sẵn sàng. Để thành công, đội ngũ này có khả năng xác nhận hiệu suất hiệu suất chống lại kết quả đã biết và xây dựng tự tin trước khi tăng cường. [FLT: 0] Việc liên quan đến các chuyên gia địa phương, nhà địa chất học, và các nhà khoa học dữ liệu (trong phát triển và hợp lệ [FL: 1) để đảm bảo rằng kết quả xuất được sắp xếp theo đúng kỳ vọng vật lý.

Các đường ống dữ liệu phải được tự động hóa để ăn những hồ sơ sản xuất mới hàng ngày hoặc hàng tuần, và chính sách quản trị nên xác định xem các mô hình được đào tạo lại và xác nhận như thế nào. cuối cùng, trình bày kết quả qua bảng điều khiển trực quan so sánh các dự báo tự động với bảng ghi chép bằng tay giúp các người giữ móng quan tài thấy giá trị và khuyến khích sự nhận nuôi.

Tài nguyên để học hỏi thêm bao gồm giấy [FLT: 0] Bộ phận Kỹ thuật số ) và xuất bản các tài liệu về máy học về kỹ thuật dầu hỏa, như ) Giấy báo một . Những nguồn tài liệu này cung cấp các nghiên cứu, thuật toán học và bảng hiệu suất cho các đội xem xét tự động.

Đường cong giảm tự động sử dụng AI và ML không còn là một khái niệm tương lai nữa - nó là một công cụ thực tế, được chứng minh mang lại lợi ích có thể đo lường được trong sự chính xác, tốc độ, tính nhất quán, và tính hiệu quả. bằng cách chấp nhận công nghệ này, dầu hỏa và khí gas công ty có thể biến dữ liệu sản xuất thành một tài sản chiến lược, cho phép các quyết định tốt hơn từ lĩnh vực này đến phòng ban quản trị.