Xem xét quá trình phục hồi nhiệt trong ngành sản xuất dầu nặng

Phương pháp phục hồi độ hấp dẫn nhiệt độ (EOR) vẫn còn là phương pháp làm nền tảng để chiết xuất những vật liệu thô và nhựa bitum có thể tự nhiên chảy trong điều kiện chứa nước. Phương pháp như hệ thống thoát nước hơi nước nhiệt áp suất (SAGD), kích thích hơi nước (CSS), và luồng hơi nước nóng chảy vào nhiệt độ - theo nghĩa đen là không thể tự nhiên chảy trong hơi nước để giảm độ đa chất và làm tăng độ linh hoạt. Những quá trình này được điều khiển bởi dòng lưu lượng dịch, nhiệt và chuyển đổi địa lý trong cơ thể, làm cho chúng trở nên phức tạp và không có tính chất cao.

Chính xác dự đoán hiệu suất phục hồi nhiệt - bao gồm cả tỷ lệ sản xuất, tỷ lệ bốc hơi (OR) và yếu tố phục hồi là yếu tố quan trọng cho khả năng sử dụng và kế hoạch hoạt động kinh tế. phương pháp mô phỏng nguồn dữ liệu truyền thống, trong khi mạnh mẽ, là tốn nhiều thời gian và thường đòi hỏi nhiều tuần cân nhắc. Đây là nơi trí thông minh nhân tạo (AI) cung cấp một sự thay thế, cho phép các dự đoán nhanh chóng, có thể điều chỉnh với các phép đo lường mới trong thời gian thực.

Kỹ thuật viên phụ trách dự báo phục hồi nhiệt

Trí thông minh nhân tạo, đặc biệt máy học (ML) và học hỏi sâu (DL), đã nổi lên như một công cụ mạnh mẽ để dự báo hiệu suất phục hồi nhiệt. Những mô hình học hỏi từ dữ liệu trường lịch sử, kết quả mô phỏng tổng hợp, hoặc một tổ hợp của cả hai mô hình phân tích truyền thống không thể dễ dàng thu.

Học cách làm việc khi bị xâm phạm

Các thuật toán được giám sát thông thường dùng trong dự đoán phục hồi nhiệt, bao gồm rừng ngẫu nhiên, nâng cao máy (XG Boost, LightGBM), và hỗ trợ hồi quy véc tơ. Những mô hình này lấy tính năng nhập vào như nhiệt độ tiêm, hồ chứa nước, độ bão hòa, bão hòa dầu ban đầu, và lịch sử hoạt động để dự đoán các biến liên tục như tích hợp dầu hay SOR. Ví dụ, một mô hình rừng ngẫu nhiên được đào tạo trên dữ liệu từ một hoạt động của SGD ở cát đốt cháy ở các bãi cát cát cát than có thể dự đoán tỷ lệ sản xuất hàng tháng với ít hơn 5% lỗi khi kỹ thuật thích hợp.

Mạng thần kinh học và phục hồi

Vì dữ liệu phục hồi nhiệt được phát triển theo định dạng thời gian ( hồ sơ thời gian, hồ sơ thời gian bị giảm áp suất, tỷ lệ tiêm trong thời gian) mạng thần kinh lặp lại (RNNN) và bộ nhớ ngắn hạn (LSTM) đã hiển thị hiệu suất cao hơn. Mô hình LSTM có thể ăn mòn chuỗi đo lường hoạt động hàng ngày và xuất ra dự báo phản ứng nguồn từ nhiều tuần hoặc tháng trước. Những mô hình như vậy đang được kết hợp vào [FT: 0] bộ nhớ thời gian [FL: 0] để kiểm tra biểu đồ thị thời gian [FL: 1] mà các kỹ sư cảnh báo khi các trình bày hiệu suất chính bị lệch khỏi phong bì dự đoán.

Mạng thần kinh tiến hóa cho dữ liệu thư viện

Mạng thần kinh tiến hóa (CNNNs) đang được áp dụng cho dữ liệu địa chất và địa lý học như là tập địa chấn 3D, ảnh phản ứng, hoặc các mảng ghi âm tốt để mô tả tính tương tác giữa nguồn nước và luồng. Một CNN có thể dự đoán nơi có đột phá hơi nước có thể xảy ra, cho phép người điều chỉnh hồ sơ tiêm tích cực.

Yêu cầu dữ liệu và thử thách đường ống

Xây dựng mô hình AI hiệu quả cho việc phục hồi nhiệt đòi hỏi các bộ dữ liệu chất lượng cao, đại diện cho các dữ liệu tối thiểu có thể thực hiện được, thường bao gồm:

  • Tiêm hàng ngày và sản xuất (nước, hơi nước)
  • Nhiệt độ dưới lỗ và áp suất
  • Thuộc tính của người nghỉ hưu (sự tương tác, khả năng phục hồi, độ dày lưới)
  • Chi tiết hoàn chỉnh (không gian, khoảng cách truy tìm)
  • Thuộc tính lỏng (sự hữu hình, mật độ, trọng lực ADI tại điều kiện hồ chứa)

Tuy nhiên, nhiều trường dầu mỏ bị ảnh hưởng bởi dữ liệu nhỏ hoặc nhiễu. Gap gây ra bởi lỗi thiết bị hoặc lỗi ghi chép tay phải được tính bằng các phương pháp nhận thức miền. Hơn nữa, việc phân phối dữ liệu thường không phải là trạm- trạm- chương trình- chương trình- chương trình- hành vi thay đổi trong nhiều năm khi buồng hơi lớn lên và áp suất bị giảm. Để duy trì độ chính xác dự đoán, mô hình phải được kiểm tra thường xuyên hoặc cập nhật với các thuật toán học trực tuyến. [FL: 0] Những dự án dự án cấp dữ liệu thực hiện bởi dữ liệu [FL: 1], nhưng chỉ là một phần trăm lợi thế hiện thời cho AI.

Nghiên cứu trường hợp: AI trong chương trình phục hồi nhiệt

Để minh họa tác động của thế giới thực, hãy xem xét một dự án SAGD trong định dạng McMurray, Canada. các kỹ sư sử dụng một mô phỏng có hạn-difference mất ba tuần để xây dựng và tính hiệu chỉnh cho mỗi miếng đệm mới. Sau khi triển khai một mô hình thay thế gradient-boosed được đào tạo trên các kết quả của mô phỏng lịch sử, thời gian dự đoán giảm xuống dưới một phút với độ chính xác tương đương. Mô hình cho phép đánh giá nhanh của hàng chục trường hợp bơm hơi nước, tăng tỷ lệ hơi nước trong vòng 12 năm qua hai năm.

Một ứng dụng khác đã xảy ra trong trường hơi nước chu kỳ (CSS) ở California. Một mạng LSTM được đào tạo trên 15 năm dữ liệu hoạt động từ 200 giếng. Mô hình dự đoán mức cao nhất của dầu và chu kỳ, cho phép các nhà điều hành tối ưu hóa số chu kỳ trên một vùng bị tắt. Kết quả là sự giảm 9% chi phí hơi nước trên bình thường trong khi duy trì mức độ sản xuất.

Lợi ích và hạn chế của dự đoán AI-Driven

Lợi thế phím

  • Mô hình AI đánh giá hàng ngàn kịch bản trong giây, trong khi mô phỏng dựa trên vật lý thì cần nhiều giờ hoặc vài ngày.
  • Mô hình có thể được cập nhật với dữ liệu mới mà không cần xây dựng lại từ số không.
  • Nhận diện PPEtern:) Al thu các mối quan hệ phi tuyến tính và tương tác khó mã hóa trong các phương trình đóng.
  • Không chắc chắn hoá: Phương pháp tổ hợp AI (v. d. mạng thần kinh Bayesian) cung cấp sự tự tin về các dự đoán, trợ giúp các quyết định dựa trên rủi ro.

Những giới hạn cần xem xét

AI không phải là một viên đạn bạc. Mô hình được đào tạo chỉ dựa trên dữ liệu lịch sử có thể không được suy luận trong điều kiện hồ chứa hay thay đổi hoạt động được biết đến là [FLT: 0] chuyển [FLT: 1]. Ví dụ, nếu một kiểu phun hơi nước mới được giới thiệu không phải trong việc đào tạo, các dự đoán của mô hình có thể không đáng tin cậy. Hơn nữa, mô hình AI đòi hỏi sự phân phối cẩn thận để chống lại các thiết lập thử nghiệm mù và lý tưởng, chống lại sự hiểu biết vật lý của cơ sở dữ liệu. Hộp đen có thể khó khăn để đăng nhập, [F: 2] [T] phương pháp AX] hoặc API] để giải thích các tính năng này.

Hợp nhất với các cặp song sinh số và cảm biến IoT

Biên giới tiếp theo là kết hợp các mô hình cảm biến thời gian thực từ các thiết bị I được triển khai trên các giếng, và máy phát điện hơi nước. Một cặp song sinh số cho một hoạt động SLT:1] có thể hấp thụ các phép đo nhiệt độ sợi (DPDDS, DTS) và tự động điều chỉnh mô hình AI để điều chỉnh lại các phòng hơi nước. Hệ thống này cho phép [TUT] khả năng điều khiển hơi nước [FM] khi tiêm [FL], một hiệu ứng tối ưu cho mỗi giờ, một cơ chế tạo, một cơ chế điều khiển hiệu ứng xã hội.

Thử nghiệm đầu của hệ thống tích hợp như vậy đã chứng minh đạt đến 15% hiệu suất nhiệt cao hơn so với các hoạt động thông thường dựa trên thời gian biểu. Thử thách then chốt vẫn còn an ninh mạng và thông tin tĩnh; tuy nhiên, các giải pháp điện toán cạnh đang giảm thiểu các mối quan tâm này bằng cách xử lý dữ liệu trực tiếp tại nơi tốt. [FLT: 0] Trình quản lý dữ liệu theo dõi dữ liệu như Directus [FLT: 1] rất phù hợp với dàn xếp dữ liệu cảm biến cho các động cơ cảm biến chạy trong khi duy trì và kiểm tra đường dẫn quản lý.

Quan điểm tương lai: Mô hình vật lý lai lai

Các nhà nghiên cứu đang di chuyển vượt quá các phương trình vi phân thuần túy để tiếp cận các sinh vật học có thể nhận dạng mạng thần kinh. PINN có thể tạo ra những dự đoán nhất quán về vật lý với dữ liệu luyện tập hạn hẹp, và họ tôn trọng luật bảo tồn. Kết quả trong trường hợp nhiệt điện tích ban đầu cho thấy tính chất hiệu ứng tích hợp độ tối đa của việc mô phỏng lượng thời gian có thể tương ứng với một phần nhỏ của máy tính.

Một hướng khác hứa hẹn là để học tập khả năng tăng cường năng sử dụng [RL:1) để kiểm soát tối ưu khép kín. Trong mô hình này, một tác nhân RL tương tác với một trình mô phỏng nguồn (hay một cặp song sinh số) để tìm một chính sách tối đa hóa việc sản xuất dầu trong khi sử dụng hơi nước. Các tác nhân này đã được kiểm tra trong các dấu băng học thuật toán và hiện đang được thử nghiệm trên dữ liệu thực tế.

Cuối cùng, sự dân chủ hóa công cụ AI có nghĩa là những nhà điều hành nhỏ hơn bây giờ có thể truy cập vào các mô hình đã được đào tạo trước qua đám mây APIs hay các thiết bị cạnh, hạ rào cản vào. [FLT: 0] những sáng kiến về sự tăng cường tiếp tục xuất bản các bộ dữ liệu mở và mô hình dự báo cho việc phục hồi nhiệt, cải tiến nhanh chóng trong ngành công nghiệp.

Tóm tắt những điều cần làm

  • AI cung cấp những dự đoán nhanh chóng và chính xác về hiệu suất phục hồi nhiệt, cho phép đưa ra quyết định thời gian thực và tối ưu hóa.
  • Mô hình học tập sâu (LSTM, CNN) xuất sắc trong việc nắm bắt các phụ thuộc thời gian và không gian trong dữ liệu hồ chứa.
  • Triển khai thành công phụ thuộc vào chất lượng dữ liệu, sự hợp tác mô hình và sự kết hợp với cơ sở hạ tầng hiện có.
  • Các mô hình vật lý lai-AI và cặp song sinh số đại diện cho đợt đổi mới tiếp theo, hứa hẹn hiệu quả và bền vững hơn.
  • Khi công nghệ AI trưởng thành, vai trò của nó trong việc phục hồi nhiệt sẽ mở rộng từ một công cụ dự đoán đến một thành phần trung tâm của quản lý trường tự động.

Tổng đài những người đầu tư vào việc xây dựng các đường ống dữ liệu mạnh mẽ, đào tạo các mô hình AI cụ thể trong miền, và tiêu diệt lực lượng lao động để đạt được lợi thế cạnh tranh đáng kể trong quá trình chuyển đổi hướng tới việc khai thác dầu mạnh hơn, bền vững hơn.