Репортаж от Wedoany，Четыре примера внедрения на нефтепромыслах, расположенных в разных бассейнах и использующих различные методы механизированной добычи, демонстрируют, что платформа периферийных вычислений и промышленного интернета вещей (IIoT) способна автоматизировать и оптимизировать производственные операции. Эти примеры охватывают бассейн Ориенте (Oriente Basin, IPTC 25145) в регионе Амазонии в Эквадоре, бассейн Пермиан (Permian Basin, SPE 216829) в Техасе, бассейн Уиллистон (Williston Basin, SPE 222618) в Баккене и бассейн Хейнсвилл (Haynesville Basin, SPE 229390) в Луизиане, и включают различные типы скважин: с электроцентробежными насосами (ЭЦН), газлифтные, с штанговыми глубинными насосами (ШГН) и периодические газовые скважины.
В регионе Амазонии в Эквадоре зрелое стареющее месторождение с ЭЦН столкнулось с множеством ограничений: отсутствие постоянно доступных подъемных агрегатов для ремонта, расположение кустовых площадок в удаленных джунглях на расстоянии более 100 км от ближайшего города, а также нехватка персонала, из-за которой один оператор отвечает за более чем 60 скважин. Традиционные ручные операции подвергают персонал опасности, связанной с высоким давлением, высокой температурой и электричеством, а задержки в обнаружении аномалий приводят к частым отказам ЭЦН и потерям добычи. В бассейне Пермиан операторы, управляющие нетрадиционными горизонтальными газлифтными скважинами, столкнулись с трудностями при оптимизации расхода закачиваемого газа. Традиционные имитационные модели не успевали за сильным снарядным режимом течения и быстро меняющимися условиями. В Баккене скважины с ШГН работали с чрезмерным количеством циклов, некоторые из них останавливались в среднем шесть раз в сутки. Операторам не хватало диагностики в реальном времени для различения газового влияния, гидроудара и событий касания плунжера (tagging events). В бассейне Хейнсвилл периодические газовые скважины, управляемые ручным или календарным циклированием, страдали от плохого выноса жидкости, увеличения времени простоев и частого ручного вмешательства.
Все четыре внедрения имеют одинаковую архитектурную основу: на кустовой площадке устанавливается защищенное устройство периферийных вычислений, которое получает высокочастотные данные с датчиков и выполняет анализ локально, обеспечивая замкнутый цикл управления с временем отклика менее секунды (Рис. 1). Только предварительно обработанные сводки и оповещения передаются в облако, что сокращает объем передаваемых данных на 85–95% по сравнению с исходным потоком данных с датчиков (SPE 202252, SPE 201411).
В регионе Амазонии периферийное приложение «Автоматизированный оператор скважин» (AWO) объединяет четыре рабочих процесса: интеллектуальный мониторинг добычи, интеллектуальную закачку химических реагентов, интеллектуальное тестирование скважин и интеллектуальное наземное оборудование. Эти процессы сводятся в единый интерфейс цифрового двойника, поддерживающий удаленное и автономное управление ЭЦН, закачку химических реагентов и автоматическое тестирование скважин на основе машинного обучения. В бассейне Пермиан приложение для оптимизации газлифта на основе данных работает непосредственно на шлюзе IIoT. Оно оптимизирует работу, итеративно тестируя заданные значения расхода закачиваемого газа и реализуя замкнутое управление, без необходимости в модели скважины или полевом персонале. В Баккене периферийный рабочий процесс объединяет классификацию динамограмм с помощью машинного обучения, алгоритмы быстрого снижения цикличности и алгоритмы оптимизации добычи, которые автономно работают совместно на периферийном шлюзе. В бассейне Хейнсвилл автономное приложение для выноса жидкости объединяет физически обоснованные расчеты критической скорости с прогнозированием продолжительности остановки на основе машинного обучения, динамически управляя приводом дросселя без вмешательства человека.
После 17 месяцев непрерывной работы AWO внедрение в регионе Амазонии в Эквадоре привело к росту добычи на 6%, совокупный прирост составил 22 300 баррелей нефти. Индекс отказов ЭЦН снизился с 0,5 до 0,26, что позволило избежать как минимум одного капитального ремонта. Продолжительность тестирования скважин сократилась с 10 до 4 часов (снижение на 60%) при точности измерений 95%. Эффективность операторов повысилась на 80%, а за счет сокращения мобилизаций на месторождения удалось избежать выброса 26 тонн CO₂. В бассейне Пермиан приложение для оптимизации газлифта на основе данных было развернуто на 8 нетрадиционных горизонтальных газлифтных скважинах. В режиме оптимизации отдельных скважин кандидаты показали результаты на 5% лучше, чем скважины с ручным управлением; при многоскважинной оптимизации в группе из трех скважин прирост добычи составил от 5% до 25%, причем одна ранее отстававшая скважина в течение одного цикла оптимизации достигла скачкообразного увеличения добычи примерно на 20%, и весь рабочий процесс выполнялся полностью автономно. В Баккене пилотный проект на 8 скважинах с ШГН показал, что комбинация классификации с помощью машинного обучения, быстрого снижения цикличности и оптимизации добычи при минимальном ручном вмешательстве обеспечила среднее увеличение расчетной добычи на 15%, повышение наработки на 3% и сокращение количества циклов насоса на 29% (за счет поддержания оптимального наполнения насоса). На одной скважине систематическая оптимизация скорости частотно-регулируемого привода (ЧРП) позволила сократить ежедневное количество остановок с 6 до 1. В бассейне Хейнсвилл после развертывания автономного приложения для выноса жидкости на 9 периодических газовых скважинах на 8 кустовых площадках совокупная добыча газа увеличилась на 70–139% в течение периода оптимизации продолжительностью от 63 до 83 дней (Рис. 2 и Таблица 1), суточный прирост добычи достигал 350 тыс. стандартных кубических футов в сутки (Mscf/D), а анализ показал, что каждая скважина может дополнительно давать более 80 млн стандартных кубических футов (MMscf) в год.
Последовательные результаты, полученные в четырех различных операционных средах (с разными методами механизированной добычи, географией, уровнем связности и организационной зрелостью), подтверждают потенциал периферийной архитектуры IIoT как широко применимой платформы. В каждом случае способность периферийного устройства выполнять локальное замкнутое управление оказалась критически важной, например, реагировать на аномалии динамограммы в течение часа в Баккене или поддерживать автономное циклирование скважин в течение нескольких недель без облачного подключения в Хейнсвилле. Эти внедрения показывают, что сочетание физических моделей и анализа данных на периферии позволяет реализовать автономные оптимизационные рабочие процессы. Модульная архитектура поддерживает горизонтальное масштабирование: структура AWO в Амазонии спроектирована для тиражирования на большее количество кустовых площадок с минимальным расширением аппаратного обеспечения; контейнеризированное развертывание решения в Хейнсвилле не требует модификации SCADA.
Дополнительная литература: SPE 216829 «A Robust Method for Data-Driven Gas-Lift Optimization», авторы A. Gambaretto и K. Rashid, SLB; IPTC 25145 «Automated Well Operator—AWO: The Future of Production Operations», авторы S. Guaigua, H. Quevedo и L. Bustamante и др., SLB; SPE 202252 «Edge Computing: A Powerful and Agile Platform for Digital Transformation in Oilfield Management», авторы A. Sharma, P. Samuel и D. Gupta и др., SLB; SPE 201411 «Edge Computing: Continuous Surveillance and Management of Production Operations in a Cost-Effective Manner», авторы A. Sharma, P. Samuel и G.M. Gey и др., SLB; SPE 222618 «Enhancing Edge-Based SRP Production Optimization Algorithm With Fast-Loop Mitigation», авторы Z. Hyder, M. Yermekova и C. Kemp и др., SLB; SPE 229390 «Smart Liquid-Unloading IIoT Application for Gas Wells in the Haynesville Basin», авторы A. Gambaretto, C. Kemp и R. Marin Nunez и др., SLB.
Акшай Дхавале (член SPE) является product champion (лидером по продукту) Agora Edge AI в офисе SLB в Хьюстоне. Он руководит разработкой и глобальным внедрением периферийных решений для операций на скважинах и объектах (включая механизированную добычу, обеспечение потока и системы безопасности энергетических активов). Под его руководством Agora Edge AI был внедрен по всему миру, охватив Юго-Восточную Азию, Западную Африку и Америку. Имея более чем 16-летний опыт работы в индустрии программного обеспечения, Дхавале прошел путь от ведущего разработчика до архитектора решений, менеджера проектов и, наконец, до своей нынешней должности, что дало ему глубокое понимание всего стека продукта — от системной архитектуры до рыночной стратегии. Он является активным участником SPE, публикуя рецензируемые доклады на конференциях по автономной оптимизации скважин и периферийным производственным технологиям. Он имеет 4 патента США (1 выданный, 3 на рассмотрении) и степень магистра компьютерной инженерии Университета Пуны, Индия.
Зешан Хайдер является product champion (лидером по продукту) группы Agora Edge AI в офисе SLB в Хьюстоне, руководя разработкой периферийных решений для энергетических активов (включая механизированную добычу, обеспечение потока и безопасность при операциях на скважинах и объектах). Имея более чем 25-летний опыт работы в нефтегазовой отрасли, его карьера охватывает производственную инженерию, операции и разработку цифровых решений как для национальных и международных операторов, так и для сервисных компаний. Его специализация включает широкий спектр методов оптимизации добычи, особенно систем механизированной добычи, с фокусом на интеграцию расширенной аналитики, машинного обучения и периферийных вычислений в полевые операции. Хайдер является автором нескольких докладов SPE по автономной оптимизации и периферийным производственным технологиям. Он имеет степень бакалавра химической инженерии Техасского университета A&M и степень MBA Калгарийского университета.
