بستر هوش مصنوعی شناسایی فرصت مخزن را تسریع می کند

[ad_1]

ارائه شده توسط:

آرم E&P

یادداشت سردبیر: این مقاله در خبرنامه جدید E&P وجود دارد. در خبرنامه E&P در اینجا مشترک شوید.


مدیریت موفق مخزن غالباً نیازمند شناسایی فرصتهای عملیاتی توسعه میدانی است. نتیجه این فرآیند به تیم دارایی کمک می کند تا اهداف تولید را برآورده کند و بازده و ذخایر بازیابی را بهبود بخشد. برنامه ریزی توسعه میدانی به طور کلی نیاز به همکاری چند رشته ای در کنار درک عمیق مخزن هدف (پیچیدگی زمین شناسی ، تاریخچه تولید و غیره) دارد. بنابراین ، روش معمول همیشه وقت گیر و پرمشغله بوده است ، زیرا برای جمع آوری و تجزیه و تحلیل داده ها و همچنین بررسی نتایج ، به نیروی انسانی زیادی نیاز است.

امروزه ، یک سیستم عامل ابر بومی دارای قابلیت هوش مصنوعی (AI) ، شناسایی سریع و سریع فرصت مخزن را انجام می دهد. این ابزار بر اساس الگوریتم های پیشرفته هوش مصنوعی / یادگیری ماشین (ML) ساخته شده است که در مجموعه داده های چند رشته ای اعمال می شود. این چندین جریان پیچیده زمین شناسی و مهندسی نظیر شناسایی پرداخت بای پس ، تجزیه و تحلیل زهکشی ، پیش بینی تولید و موارد دیگر را ساده می کند. علاوه بر این ، با تلفیق هوشمندانه منابع مختلف داده مانند سیاهههای مربوط به چاه ، مدلهای مخزن و دادههای تولید و تکمیل ، گردشهای کارکردی جدید را امکان پذیر می کند. هدف نهایی ایجاد کاتالوگ رتبه بندی شده از فرصتهای عملی (تکمیل ، نقطه شیرین ، چاه افقی) است که یک تیم دارایی را قادر می سازد تا چشم اندازهای توسعه زمینه را به طور مشترک ارزیابی کند. از طریق چارچوب های نوآورانه که از محاسبات ابری استفاده می کنند ، تجزیه و تحلیل چند سناریوی عملی می شود و منجر به مدیریت بهتر ریسک و چرخه های تصمیم گیری مدیریت مخزن کوتاه تر می شود.

روش قوی با جریان کار زمین شناسی و مهندسی ساده

این فناوری به طور هوشمند بسیاری از جریانهای کاری معمولاً پر کار را در جستجوی فرصتهای تکمیل ، نقطه شیرین یا چاههای افقی به صورت خودکار انجام می دهد. قبل از انجام تجزیه و تحلیل واقعی ، داده های چند رشته ای با استانداردها و قالب های انعطاف پذیر ، از جمله قالب داده های Energistics RESQML ، وارد می شوند. در شکل 1 منابع مختلف داده ای که می توانند ادغام شوند را نشان می دهد.

شکل 1. ادغام داده های چند رشته ای

QRI
(منبع: QRI)

پس از بارگذاری داده ها در مدیر داده ، هر دسته داده از نظر اعتبار داده بررسی می شود. همچنین ، سیستم عامل داده های چند رشته ای را بررسی می کند تا سازگاری بین منابع مختلف داده را بررسی کند. به دنبال اعتبار سنجی داده ها ، گردش کار شناسایی فرصت شروع می شود. این شامل چندین م keyلفه اصلی است:

  • تجزیه و تحلیل مهندسی: این به طور خودکار تجزیه و تحلیل تماس و تخصیص واحد جریان را برای تخصیص تولید در هر منطقه برای هر چاه انجام می دهد ، با استفاده از چندین منبع داده (به عنوان مثال ، تولید ، تکمیل ، سوراخ کردن ، ویژگی های سیال و اطلاعات PLT / ILT) ، و تجزیه و تحلیل منحنی کاهش را با استفاده از AI انجام می دهد تشخیص رویداد و تولید منحنی نوع با استفاده از یادگیری بدون نظارت ؛
  • شناسنامه باقی مانده حقوق: با استفاده از تجزیه و تحلیل اتصال به پرداخت ، الگوریتم های تشخیص سرگردانی ، ملاحظات استراتژی سوراخکاری و بینش های حاصل از داده های پویا مانند سیاهههای مربوط به PNL و مدل های شبیه سازی ، فواصل عمق را با پتانسیل باقی مانده پرداخت شناسایی می کند.
  • تجزیه و تحلیل زهکشی: منطقه ای را تخمین می زند که به احتمال زیاد برای هر چاه تولیدی در هر منطقه تولیدی تخلیه یا جاروب شود و روش ارائه می دهد روش های مختلف تجزیه و تحلیل برای مقابله با انواع مختلف مخزن (به عنوان مثال ، تجزیه و تحلیل زهکشی هندسی برای مخازن تحت سلطه ماتریس مناسب است در حالی که نرخ- تجزیه و تحلیل زهکشی مبتنی بر برای مخازن شکستگی بهتر است) ؛
  • ارزیابی خطر زمین شناسی: این به طور خودکار خطرات ساختاری و نقشه برداری را ارزیابی می کند.
  • دسترسی خوب: این امکان مکانیکی را از طریق رمزگشایی مبتنی بر هوش مصنوعی و دیجیتالی کردن نمودارهای چاه ارزیابی می کند.
  • پیش بینی میزان تولید: با انتخاب گزینه های متعدد ، مانند روش های آماری ، تحلیلی و ML ، سود تولید را تخمین می زند.
  • تجزیه و تحلیل فاصله: این مناطق را شناسایی می کند که در زیر سطح / سطح زیرکشت اختصاص یافته به چاه های موجود است تا از تداخل در اهداف جدید جلوگیری کند. و
  • جستجوی هدف: این مکان با استفاده از تکنیک های بهینه سازی خودکار ، شامل احتمال نسبی مدل سازی موفقیت و محدودیت های جامع مهندسی زمین ، مکان های بهینه را برای قرار دادن چاه های هدف (اعم از عمودی یا افقی) مشخص می کند.

این اجزای منفرد برای ایجاد جریانهای کاری بزرگتر مجزا جمع شده اند. این فرایند به طور خودکار مبنای تجزیه و تحلیل خود را با توجه به وضعیت در دسترس بودن داده ها تنظیم می کند ، که مورد به مورد متفاوت است. شکل 2 خلاصه ای از گردش کار خودکار کلی را در مواردی که عناصر ضروری به طور سیستماتیک متصل هستند ، ارائه می دهد.

شکل 2. خلاصه گردش کار جستجوگر تکمیل

QRI
(منبع: QRI)

پس از بارگذاری اطلاعات چند رشته ای مورد نیاز برای یک رشته ، تولید کاتالوگ داوطلبان توسعه رشته برای هر پرونده در حال انجام فقط چند دقیقه طول می کشد. با تجزیه و تحلیل عملکرد میدانی تاریخی و محک زدن در برابر دارایی های آنالوگ ، سیستم تنظیمات مناسب و بهینه را برای قسمت داده شده انتخاب می کند. این تنظیمات قابل تنظیم هستند و ایجاد و مدیریت سناریوها برای بررسی فرضیات جایگزین و عدم اطمینان در پارامترهای کلیدی آسان است. نمونه هایی از تنظیمات شامل روشها و پارامترها برای نقشه برداری از خصوصیات مهندسی ژئو ، محدوده فاصله چاه ها ، قطع خالص حقوق و احتمال موفقیت است.

سیستم عامل های بومی ابر باعث افزایش تجربه و همکاری کاربر می شوند

به عنوان یک راه حل بومی ابر ، این سیستم یک تجربه امن ابر را فراهم می کند و از مقیاس پذیری کامل رایانش ابری بهره می برد. کاربران یک فضای کاری ایجاد می کنند و بلافاصله دیگران را به عنوان همکار دعوت می کنند.

تنظیمات انعطاف پذیر ، کاربران را ترغیب می کند تا چندین فرضیه را آزمایش کرده و موارد را با سایر اعضای تیم به اشتراک بگذارند. هر مورد به طور معمول در عرض چند دقیقه اجرا می شود و نتایج از طریق مجموعه داشبورد تعاملی مبتنی بر مرورگر ، آماده برای بررسی و بررسی تیم دارایی قابل دسترسی است. نمایش های مختلفی که یکپارچه سازی داده ها و تجزیه و تحلیل های چند رشته ای است (به عنوان مثال ، خلاصه اجرایی ، کارت های چاه تاریخی و کارت های نامزد فردی که خلاصه اطلاعات مهم مربوط به هر چشم انداز ، خصوصیات پتروفیزیکی ، ارزیابی مدل جغرافیایی ، پیش بینی تولید و امکان مکانیکی) ارائه می شود تا تسریع شود روند بررسی و ارتقا collaboration همکاری بین اعضای تیم دارایی.

شکل 3 نمونه ای از داشبورد را نشان می دهد که نقشه موقعیت انتخاب شده ، توزیع بر اساس منطقه تولید و رتبه بندی فرصت ها را بر اساس افزایش تولید پیش بینی شده مشخص می کند.

شکل 3. داشبورد نمونه

QRI
(منبع: QRI)

ML برای پیش بینی تولید هوشمند

م componentsلفه های خاص هوش مصنوعی در جنبه های مختلف هر گردش کار مانند الگوریتم ردیابی پرداخت مبتنی بر داده ، منحنی نوع مبتنی بر یادگیری بدون نظارت ، بهینه سازی تصادفی برای تجزیه و تحلیل تداخل و پردازش زبان طبیعی برای دسترسی به چاه گنجانده شده است. گزینه هایی برای پیش بینی افزایش تولید افزایشی برای هر فرصت با استفاده از روش های اصل اول یا درون یابی مکانی – زمانی از چاه های آنالوگ همسایه وجود دارد. استفاده از ML برای پیش بینی تولید به ویژه در زمینه مخازن غیرمتعارف بسیار مفید است.

از آنجا که گردش کار خودکار تمام ویژگی های مهندسی ژئو و log / model را از فواصل سوراخ موجود به همراه داده های تولید تاریخی مرتبط با آنها جمع آوری کرده است ، مجموعه داده سازمان یافته به عنوان داده های آموزشی برای پیش بینی تولید آینده عمل می کند ، با توجه به یک بازه پیشنهادی تکمیل جدید یا خوب مسیر حرکت

در این گردش کار ، چندین الگوریتم ML مانند جنگل تصادفی ، شبکه های عصبی مصنوعی و درخت تصمیم می توانند به طور همزمان ارزیابی شوند تا بهترین مدل (ها) با بهترین عملکرد را انتخاب کنند.

شکل 4 روند یک پیش بینی تولید به کمک ML را نشان می دهد.

شکل 4. نمونه پیش بینی تولید به کمک ML

QRI
(منبع: QRI)

علاوه بر روش به کمک ML ، روشهای آماری داده محور دیگری نیز وجود دارد ، مانند درون یابی فضایی-زمانی بر اساس داده های چاههای آنالوگ محله. روشهای متداول مبتنی بر فیزیک نیز مانند روشهای Joshi و Furui برای پیش بینی تولید چاههای افقی گنجانده شده است. مقایسه ارزش تولید پیش بینی شده از روش های مختلف باید در مرحله بررسی برای برنامه ریزی توسعه واقعی تر زمینه انجام شود.

مطالعات موردی

چارچوب شناسایی فرصت های مجهز به هوش مصنوعی با موفقیت در مجموعه متنوعی از بیش از 100 میدان نفتی و گازی در سطح جهان (از جمله خشکی و دریایی ، کربنات و ماسه سنگ ، تولید اولیه و سیلاب آب) به کار گرفته شده است.

تقریباً در هر مورد ، منجر به افزایش تولید ، ذخایر و / یا بهره وری سرمایه می شود در حالی که تصمیم گیری قوی تر ، افزایش چابکی سازمانی و بهبود بسیار کارآیی امکان پذیر است.

دو مطالعه موردی در جدول زیر برجسته شده است ، که نشان دهنده میزان کارآیی به دست آمده از نظر زمان ، افراد ماه سپری شده و همچنین تعداد سناریوهای کاوش شده در مقایسه با گردش کار موجود است.

مطالعه موردی 1: کربنات خاورمیانه

(چاه های افقی)

مطالعه موردی 2: کربنات خلیج مکزیک

(چاه های منحرف)

90 تولید کننده فعال

50 سال تولید

200 تولید قله MSTBD

8 تولید کننده فعال

20 سال تاریخ

تولید قله 120 MSTBD

فناوری ارائه شده

گردش کار موجود

فناوری ارائه شده

گردش کار موجود

تکمیل

زمان

4

هفته ها

12

ماه ها

8

هفته ها

12

ماه ها

انسان-ماه های گذشته

10

هفته ها

30 ماه

16

هفته ها

30 ماه

تعداد سناریوها

10

موارد

1

مورد

6

موارد

هیچ یک

نتیجه

تحول دیجیتالی اصطلاح جدیدی در صنعت نفت و گاز نیست. با این حال ، با تغییرات جهانی فعلی در صنعت و نیاز به بسیار کارآمد ، افزایش بهره وری و کاهش هزینه ها ، پذیرش فناوری های جدید برای اپراتورها ضروری است.

فناوری امروز مبتنی بر هوش مصنوعی مبتنی بر هوش مصنوعی برای کمک به اپراتورهای نفت و گاز برای اجرای یک استراتژی عملی دیجیتالی در زمینه های مدیریت مخزن و برنامه ریزی توسعه میادین طراحی شده است.

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>