Поиск
  • Админ

Роботизация управления разработкой добывающего актива(Robotic management of develop a mining asset)



В процессе формирования интегрированного плана работы актива и технологического режима работы добывающих и нагнетательных скважин, специалист по планированию старается учесть необходимые мероприятия и регламентные работы, пытается предусмотреть различные риски для реализации плановых показателей по добыче углеводородов (УВ) на месяц и далее по горизонту. Фактически, многое идет не так, как планировалось. Происходят преждевременные отказы глубинно-насосного оборудования (ГНО), задержки при выводе скважин на режим (ВНР), превышение сроков проведения подземного ремонта и гидродинамических исследований скважин, геолого-технические мероприятия (ГТМ) не приносят прогнозируемых результатов, аварии на нефтепроводах и водоводах или внеплановое отключение электроэнергии и т.д. –выливаются в потери и недоборы УВ, в итоге, - повышается вероятность в отчетном периоде не выполнить производственный план.

Для исполнения плана требуется оперативное управление процессами разработки добывающего актива путем регулирования работы фонда скважин посредством оборудования либо набором мероприятий интегрированного плана. На начальной стадии разработки объекта есть много возможностей и потенциала исправить план. На истощенных месторождениях на последних стадиях разработки, когда резервы по добыче исчерпаны - требуется аналитический подход и скорость принятия управляющих решений. Сегодня этими проблемами занимаются высококвалифицированные специалисты - геологи и технологи, но человек физически не способен проанализировать объемы информации по сотням и тысячам объектов, оперативно подстроить добывающий актив и скомпенсировать потери и недоборы. В лучшем случае через сутки появится вариант по регулированию работой фонда скважин, но в следующие сутки появятся другие отклонения и проблема постоянной задержки в принятии решения будет нарастать. Для повышения оперативности необходимо существенно сократить время между выявлением отклонения и реакцией (в идеале до проактивного подхода). Это возможно при замещении рутинных операций на автоматическое регулирование с применением современных технологий «ИНДУСТРИИ 4.0» (работа с большими данными, промышленный интернет вещей, машинное обучение, нейронные сети, цифровой двойник, роботизация, предиктивный анализ, искусственный интеллект) – все эти технологии представлены в данном решении.

Решение предполагает двухуровневый цикл адаптивного управления: уровень скважины и уровень актива за счет адаптивного регулирования отборами и закачкой в рамках управления разработкой нефтегазового месторождения (НГМ) с целью реализации плановых показателей о добычу УВ.

Пример: на скважине рис.1, отмеченной красным цветом, произошел отказ ГНО. Поступает сигнал с контроллера станции управления (СУ) в систему, где инцидент анализируется и выдается прогноз по потерям и недоборам. Используя специальные алгоритмы, подбираются скважины-доноры (выделенные зеленым), с помощью частотно-регулируемого привода (ЧРП) в автоматическом (или полуавтоматическом) режимах повышается их дебит в рамках существующих ограничений и потенциалов по оборудованию и пласту и, тем самым, компенсируются недобор по остановленной скважине. При этом, в зависимости от отборов, производится регулирование и системы ППД.

Далее представлены ключевые особенности предложенного решения, которые отличают его от других:

1. Существует главная цель, к которой постоянно стремится система – добыча УВ по активу. Как только возникают отклонения - система с помощью управляющих воздействий изменяет состояние объекта и возвращается к заданной цели.


Рис.1

2. Система регулирует работу каждой скважины, исходя из цели актива, и постоянно старается ее достичь, при этом оптимизирует работу каждой скважины в отдельности в соответствии с технологическим режимом.

3. Адаптация – автоматическая подстройка в процессе эксплуатации без участия человека. Чем дольше эксплуатируется система, тем больше знаний об активе накапливает модель, тем точнее управляет. Изначально обученная на исторических данных, система постоянно дообучается и корректирует стратегию управления.

4. Учет интерференции – учет взаимосвязей и взаимовлияний на уровне скважин, пластов и сетей сбора на основе модели машинного обучения. При каждом воздействии на объект система контролирует полученный результат при помощи виртуального замера, приведенного к замеру на ДНС, и оценивает успешность воздействия с учетом всех интерференций.

5. Система выбирает скважины-доноры с учетом приоритетов, местоположения и наличия потенциала. За счет их раскрутки компенсирует рассчитанные потери. Время раскрутки скважин-доноров и режим их эксплуатации определяется исходя из ограничений по гидродинамике пласта и технических характеристик оборудования.

6. Управляющие воздействия выдаются моделью в режиме реального времени. Человек и даже группа людей не способны в реальном времени оценить и сделать прогноз отклонений и принять правильное решение по регулированию с учетом всех факторов взаимовлияния для обеспечения необходимой компенсации потерь, особенно если количество скважин сотни и тысячи.


Рис.2


Схема работы адаптированного управления разработкой актива можно представить в виде цикла, рис. 2. Начальная точка которого – мониторинг состояния объекта в режиме 24/7. Постоянно отслеживается выполнение плановых показателей по скважинам и активу в целом. Как только появляется отклонение в виде инцидентов и аварий, модель оценивает уровень потерь и недоборов по добыче УВ и подбирает скважины-доноры, принимает решение на их раскрутку в соответствии с потенциалом и ограничениями, и отправляет сигнал на их управление. За счет повышения интенсивности работы оборудования на скважинах-донорах формируется прирост добычи, который компенсирует недоборы. С использованием данных телеметрии в режиме онлайн на скважинах-донорах оцениваем виртуальные дебиты, сличая их с данными по замерам на АГЗУ и ДНС и постоянно корректируем модель. По полученной фактической компенсации недоборов оцениваем успешность управляющего воздействия. Если воздействие не обеспечило требуемый уровень компенсации потерь, алгоритм дообучается и корректируется стратегия управления и цикл повторяется снова. При этом, в зависимости от темпов отборов регулируется объём компенсации нагнетательных скважин.


Рис.3

Алгоритм реализации решения на структурной схеме рис.3. При наличии цели по добыче, формируется интегрированный план, который в итоге превращается в ТР работы добывающих и нагнетательных скважин. А далее по схеме мы попадаем в зону действия APPROWELL, где происходит сравнение фактической и плановой добычи. Если отклонений нет – то система работает в малом левом цикле без воздействий. Как только возникает отклонения - система переходит в правую ветвь, где APPROWELL предлагает корректирующие воздействия и формирует уточненный временный ТР с целью компенсации отклонений. После этого возвращается на этап сравнения.

В постоянном формате информация по изменению ТР поступает в учетные системы и выше. Если в рамках одного цикла система не смогла скомпенсировать недоборы или потери, то этих циклов может быть несколько. Так же возможна ситуация, когда после уточнения ТР система понимает, что не в состоянии скомпенсировать такими воздействиями, что-то произошло вне рамок ее возможностей, тогда решение по управлению активом лежит уже вне области действия APPROWWLL, система эскалирует проблему до уровня учетных и экспертных систем, куда подается сигнал, о том что требуется перепланирование, корректировка мероприятий и регламентных работ в рамках интегрированного плана.

Подходы и методы адаптивного управления рассмотрим на примере отказа ГНО рис. 4. Скважина работала с дебитомQ, произошел отказ ГНО. Соответственно возникает потеря добычиQ*t(tпрогнозируемое время простоя). Время простоя обусловлено затратами времени на подготовительные работы (анализ инцидента, мобилизация бригады ТКРС, глушение скважины, завоз оборудования), на проведение подземного ремонта, и вывод скважины на режим, в итоге на это уйдет 4…5 суток. На этом интервале с помощью скважин-доноров система должна скомпенсировать прогнозные потери от простоя путем повышения по ним интенсивности отборов. Чтобы скомпенсировать суммарные потери от простоя (∑∆Qi), подобранные скважины должны обеспечить плановую и дополнительную добычу. У нас есть микро цели – это планы, разбитые скользящие сутки и на 5-ти суточные интервалы. Допускаем, что при их достижении возможны отклонения. Но месячный план должен быть выполнен без отклонений или с небольшим приростом.


Рис.4

Далее переходим к схеме рис.5, где раскрываем как устроено управление APPROWELL, из чего состоит и как оно работает. Ядром адаптивного управления является алгоритм машинного обучения Reinforcement Learningили «обучение с подкреплением», который активно взаимодействует с окружающей средой и умеет самообучаться. Cлева отображена схема адаптивного управления, где видно, что на вход поступает цель – скомпенсировать возникшие в результате инцидентов и аварий недоборы, соответственно в модели принимается стратегия на управляющее воздействие в виде раскрутки скважин имеющих потенциал и в рамках этой стратегии система воздействует на месторождение, которое в результате этого приводится в новое состояние, которое каждый раз поступает на вход модели.


Рис. 5

Так же с месторождения система получает информацию на сколько она при регулировании отклонилась от цели. Когда выбирается стратегия корректирующего воздействия внутри строится прогноз успешности проводимых мероприятий. Например, после раскрутки скважин система спрогнозировала получить прирост добычи 50т, а получила 40т, соответственно обратной связи алгоритм ML дообучается и обновляет стратегию управления.

В правой части рис. 5 представлены различные варианты регулирования системы для реализации принятой цели . Неудовлетворительно, когда происходит перерегулирование с затухающими колебаниями. Так же неэффективно медленное приближение к цели. Идеальная кривая, когда система быстро вышла на новую цель и дальше ее стабильно поддерживает. В данной системе идеальный вариант поддерживает алгоритм машинного обучения Reinforcement Learning.


Рис.6

Адаптивная модель обучается на исторических данных и содержит в себе стратегию воздействия, которая делится на несколько блоков: это подбор скважин для воздействия, учет эффекта и адаптация модели. В эффекте учитывается нелинейность на уровне ML т.е. не задается зависимость, а модель сама обучается и это учитывает. Так же модель учитывает задержку воздействия и непостоянство воздействия - т.е. одно и тоже воздействие может привести к разным результатам, потому что состояние месторождения после проведения управляющих воздействий постоянно изменяется. Стратегия воздействия предполагает адаптацию модели через корректировку, уточнение прогноза и самообучение модели, а также учет эффектов от воздействия (нелинейность, задержка и непостоянство).

При выборе скважин для воздействия учитываются не только ограничения и приоритеты, но и уровень ее автоматизации и оснащенности телемеханикой, необходимо в режиме реального времени обладать информацией о работе скважины и иметь возможность дистанционно ею управлять с целью компенсации возникших недоборов и потерь.

Ограничения:

· наличие и уровень автоматизации оборудования

· потенциал скважины и оборудования.

Потенциал скважины - это способность пласта, при определенных гидродинамических условиях (повышение депрессии на пласт), повышать дебиты или приемистости скважин в области допустимых ограничений по забойному давлению, которое должно быть выше минимально допустимого значения, с учетом условий (Рзаб ≥ Рнас), прорыва воды по высокопроницаемым интервалам или разрушения горных пород в ПЗС. Потенциал оборудования – это возможность регулировать уровни отборов и закачки по скважинам, в рамках ограничений в области оптимальной применимости технических устройств.

Наряду с добывающими скважинами, предусмотрено регулирование работой нагнетательного фонда с учетом текущего состояния пластовых давлений и компенсации и дренирования, неоднородности залежей по разрезу и площади.

Условно потенциал можно разделить на 2 группы.

1. Потенциал пласта - возможность наращивать дебит скважины при увеличении депрессии на пласт, при этом учитывая ограничения по разгазированию и кольматации твердофазных веществ в ПЗП, прорыву воды по высокопродуктивным пластам, разрушение горных пород в ПЗС или смыкание трещин. Наличие потенциала – текущее забойное давление выше минимально допустимого.

2. Потенциал скважины - возможность перейти на более интенсивный режим работы оборудования за счет регулирования частотой или с помощью варьирования штуцером или дросселем, при этом предполагается увеличение отбора жидкости не выходя за границу рабочей зоны, при котором возможна остановка скважины по отклонению от уставок (давление, температура, ток, загрузке, давление на приеме и др.). В этом случае можно рассматривать вариант загрубления уставок для применения оборудования на не оптимальном, но допустимом режимах эксплуатации. Наличие потенциала для ЭЦН – это возможность варьировать рабочей точкой в допустимой зоне напорно-расходной характеристики, для ШГН – по форме динамограмм/ваттметрограмм, по значению коэффициента подачи насоса, по эффективной длине хода плунжера в цилиндре, по глубине погружения насоса под уровень, по давлениям на устье или на приеме насоса.

Потенциал характеризуется переменным состоянием в силу того, что и состояние объекта постоянно изменяется. Необходимо каждый раз с определенной периодичностью подтверждать наличие или отсутствие потенциала. Для этого применяется специальный алгоритм на уровне контроллера, который проводит периодический анализ по опорному фонду скважин, которые планируется задействовать в том или ином управляющем воздействии. Алгоритм оценки потенциала по скважине следующий. Определяются ограничения (границы области возможного регулирования для пласта и скважины), затем система постепенно начинает раскручивать скважину и оценивать прирост дебита по виртуальному замеру и определяет, что скважина на данном отрезке имеет или не имеет потенциал.

Таким образом, предлагаемое решение обеспечивает роботизацию рутинных операций по регулированию отборами и закачкой в пределах существующих ограничений и приоритетов с применением технологий «ИНДУСТРИИ 4.0» в рамках адаптивного управления разработкой добывающего актива.


#machinelearning #лайфхаки

Просмотров: 30

ООО Моделирование и Прогноз

г. Самара

ул. Авроры 110, оф. 421

т.  +7 (846) 278 91 15

e-mail: contact@modelpro.ru

 О компании
 

Продукты 

Отраслевые решения

Контакты

©2018 by Моделирование и Прогноз.