CC BY
55Научно-образовательный журнал для студентов и преподавателей «StudNet» №10/2020
АВТОНОМНОЕ БУРЕНИЕ: АНАЛИТИКА И РАЗРАБОТКА
AUTONOMOUS DRILLING: ANALYTICS AND DEVELOPMENT
УДК: 62-519 DOI: 10.24411/2658-4964-2020-10269
Коробка Дмитрий Сергеевич
Студент,
Российский Государственный Университет нефти и газа (НИУ) имени И.М. Губкина, Москва, Российская Федерация Бегович Ивана
студент,
Российский Государственный Университет нефти и газа (НИУ) имени И.М. Губкина, Москва, Российская Федерация
Korobka D. S. abrabox@ro.ru
Begovic I. ivana.begovic@yahoo.com
Аннотация
Стремительная цифровизация современного мира диктует новые условия
конкуренции, в рамках которой появляются новые и сложные задачи для всех
видов бизнеса. Не является исключением и нефтегазовая отрасль. Одним из
важнейших направлений развития цифровых технологий в отрасли является
разработка месторождений. Аналитики предсказывают, что внедрение систем
автоматизации в процесс бурения позволит увеличить существующую добычу
на сотни миллионов тонн нефти. Кроме того, это приведет к повышению
1
степени безопасности производства, возможно, полностью исключив человека из технологической цепочки. Толчком к развитию автономного бурения стало появления промышленного интернета вещей, искусственного интеллекта и машинного обучения. Уже сегодня подобные системы автономного бурения, разработанные на основе этих технологий, успешно применяются некоторыми компаниями. И есть все предпосылки к тому, что довольно скоро эта экспериментальная технология станет такой же обыденностью, как холодильник.
Annotation
The rapid digitalization of the modern world dictates new conditions for competition, new and complex tasks for all types of business appear. The oil and gas industry is no exception. One of the most important areas of digital technology development in the industry is field development. Analysts predict that the introduction of automation systems in the drilling process will increase existing production by hundreds of millions of tons of oil. In addition, this will lead to an increase of production safety, possibly completely excluding humans from the technological chain. The emergence of the industrial Internet of things, artificial intelligence and machine learning were the impulse for the development of autonomous drilling. Some companies already successfully applied these technologies in the development of autonomous drilling systems. And in the near future, this experimental technology will become as common as a refrigerator. Ключевые слова: Промышленный интернет вещей, искусственный интеллект, машинное обучение, автономное бурение, автоматизация. Keywords: Industrial Internet of Things, Artificial Intelligence, Machine Learning, autonomous drilling, automatization.
Введение
Промышленный интернет вещей (IoT), искусственный интеллект (AI), машинное обучение (ML) - термины, которые уже весьма прочно укоренились в повседневной жизни людей. Многие компании, в частности компании нефтегазового сектора, планомерно занимаются исследованием и развитием данных технологий. А некоторые из них уже успешно применяются для повышения эффективности бизнеса на всех этапах технологической цепочки. Одной из таких областей применения является добыча нефти и газа, а именно использование экспериментальной технологии автономного бурения скважин. Краткое описание технологии
Бур (долото) снабжен сенсорами для сбора информации, направляемой в программный комплекс, задача которого заключается в анализе и обработке полученных данных, корректировке движения ствола и составлении периодичного отчета о текущем состоянии процесса бурения. В основе такой разработки лежит технология больших данных (big data) - математический анализ и поиск одинаковых паттернов. Данные из разведочной скважины будут загружаться в программу подземного робота, который при бурении каждого нового интервала траектории сможет сверяться с заложенной моделью, самостоятельно принимая решение, куда ему следует отклониться, чтобы обеспечить совпадение информации. Технологически реализовать это возможно уже сегодня, а, для того чтобы обработать данные, хватит мощностей современного компьютера. Благодаря комплексу датчиков и систем можно в режиме реального времени получить информацию о продвижении долота, на основе которой "умный" бур сможет построить траекторию движения и обеспечить оптимальное распределение нагрузки на ствол, чтобы не допустить проходки вне целевого интервала - выхода за нефтеносный слой или отказа оборудования. Каждый метр горизонтального ствола, пробуренный вне пласта с углеводородами, выводит из разработки за время «жизни» скважины до 3 тысяч тонн углеводородов ($0,9 млн), а потеря
скважины в случае ошибки траектории бурения или отказа может стоить до
$100 млн.[1]
Аналитика
Аналитики из разных стран регулярно проводят исследования, оценивая потенциал развития систем автоматизации. Цифры могут быть разными, но абсолютно все пророчат этому направлению большое будущее в рамках нефтегазовой отрасли и не только. Учитывая, что все больше месторождений нефти и газа становятся труднодоступными, подобный подход к развитию промышленности позволит повысить эффективность, оптимизировав добычу, и сократить количество отказов оборудования и, как следствие, затраты на эксплуатацию.
По данным специалистов Vygon Consulting к 2030 году за счёт внедрения цифровых технологий в бурение и другие этапы жизни месторождения Россия сможет увеличить существующую добычу на 155 миллионов тонн нефти.[2] «Мы с огромным вниманием следим за оценками рынка IoT в России, которые публикуют ведущие исследовательские структуры. Все компании подтверждают, что этот рынок находится в фазе устойчивого развития. Schneider Electric поддерживает этот оптимистичный сценарий — опыт реализации порядка 20 крупных IoT проектов показывает, что спрос на эти решения растёт, и тренд будет сохраняться. На мой взгляд, будет правильным придерживаться наиболее консервативной из оценок: в ближайшие два года рост составит 7-8 %, а общий объём рынка к 2020 году — около 80 млрд рублей», — отметил президент Schneider Electric по России и СНГ Йохан Вандерплаетсе.[3] Обзор разработок Консультативная система бурения
Быстрые решения, основанные на точной информации, могут уменьшить отказ оборудования и несчастные случаи, а также сократить время, необходимое для бурения скважины. Тем не менее, существующая съемка скважин дает
ограниченную статическую картинку подземной среды операторам буровых работ.
Чтобы повысить безопасность и сократить расходы, программа исследований инноваций малого бизнеса Министерства энергетики США предоставила грант для E-Spectrum Technologies и доктора Эдуардо Гилдина, доцента кафедры нефтяной инженерии Гарольда Вэнса в Техасском университете A&M, создать передовую консультативную систему, которая точно отображает подземные условия в режиме реального времени во время буровых работ.
E-Spectrum имеет аппаратный пакет, который может быть установлен за буровым долотом. Программное обеспечение в нем использует особый алгоритм, который производит сбор и обработку данных по вибрации, изменениям скорости, а также изменениям температуры и давления. «Система в скважине надежна, но имеет ограниченное пространство и память для хранения и обработки всех данных, собранных датчиками», - сказал Гилдин. «Благодаря нашему новому алгоритму он обрабатывает информацию в скважине и передает обнаружение аномального поведения в режиме реального времени на поверхность для просмотра и хранения. Таким образом, наземный блок может фиксировать нештатные ситуации и корректировать работу бура, прежде чем возникнут проблемы».
Система обнаружения дисфункции на поверхности использует публично открытое программное обеспечение. Гилдин запрограммировал ее на то, чтобы анализировать информацию и искать отклонения, на которые операторы бурения смогут быстро отреагировать. Например, если возникает некоторая вибрация ствола во время проходки бура, система сигнализирует оператору, что нужно снизить скорость движения, чтобы уменьшить вероятность отказа оборудования. Программа основана на машинном обучении, наземная система записывает эти образцы вибрации и поведения долота и учится на них.
Гилдин сказал, что в будущем, по мере того как компании будут собирать больше данных, программное обеспечение с открытым исходным кодом может быть адаптировано ко многим другим приложениям бурения. «Независимо от того, какая аппаратная система находится в скважине, скважинные алгоритмы и функции наземной системы могут использовать собранные данные и машинное обучение для улучшения процесса бурения», -сказал он. [4]
Автономный электрический бур
Шведская компания «Boliden» сообщает, что впервые в мире завершила испытание автономного электрического бура на своем медном руднике Айтик. По словам представителя «Boliden», испытания проходили в марте 2019 года и были частью трехлетнего поэтапного подхода к автономному бурению в Айтике, который начался в апреле 2017 года. Первый этап основывался на дистанционном бурении, результаты которого были подготовлены ко второму этапу - испытанию однолинейного автономного бурения. «На третьем этапе будет проведена оценка условий, при которых может быть пробурена полная схема с помощью электрического автономного бура», - сказал представитель «Boliden».
По заявлениям компании, бур в настоящее время успешно работает и обеспечивает повышение производительности на 30% по сравнению с ручным оборудованием. С успехом проекта и положительными отзывами операторов, в ближайшее время ожидается проведение испытания автономного бурения на двух отдельных проходах (в отличие от многопроходного бурения). Шейн Лейтон (Shane Leighton), старший инженер по технологиям и автоматизации шахт в «Boliden», сказал, что впервые в мире было продемонстрировало использование автономного электрического бура. «В мире довольно много шахт, и использование подобных технологий без сомнений принесет результат, поэтому мы будем поддерживать модернизацию инструментов в 2020 году», - сказал Лейтон.
Что касается безопасности, при приближении к автономному буру будут срабатывать те же процедуры сигнализации, что и для ручной версии. Кроме того, обзорные камеры, установленные в различных местах, позволят оператору получить полный обзор того, что происходит вокруг бура. Лазерная система обнаружения препятствий и датчики приближения - все это позволит обеспечить безопасность для персонала. [5] Применение искусственного интеллекта в бурении
Известно, что в нефтяной промышленности большую часть стоимости скважин занимают операции бурения, поэтому очень важно повышать их эффективность. Тем не менее, бурение - это область, где сложно предсказать влияние каждого параметра, потому что большинство из них взаимозависимы, и изменение отдельного параметра бурения окажет влияние на остальные. Студенты из Саудовской Аравии представили искусственную нейронную сеть, развитый аналог которой однажды сможет обеспечить более эффективное бурение скважин по всему миру.
На сегодняшний день ни одна существующая модель удовлетворительно не прогнозирует скорость прохождения долота через пласты (ROP). Главным образом из-за комплексного влияния параметров, описывающих ROP и неполного понимания взаимосвязи между ними. Поэтому многие исследователи пытались использовать искусственный интеллект (ИИ) для получения надежной модели прогнозирования ROP.
Искусственный интеллект (ИИ) способен построить прогностическую модель из ряда входных параметров, которые соответствуют выходному параметру. Для этого студенты использовали реальный набор полевых данных о формировании сланца, который содержит записи о параметрах бурения, таких как, вращение в минуту (об/мин), осевая нагрузка на долото (WOB), крутящий момент на долоте (т), гидростатическое давление (SPP) и расход бурового раствора (Q) и свойства бурового раствора, такие как удельный вес (MW), условная (FV) и пластическая вязкость (PV), количество твердой фазы (%) и
предел текучести (YP), использовались для прогнозирования ROP с помощью искусственной нейронной сети (ANN).
На основе нового уравнения с использованием вышеупомянутых параметров была построена искусственная однослойная нейронная сеть с 18 нейронами в скрытом слое, которая способна оценивать ROP с превосходной точностью (коэффициент корреляции (R) составил 0,996 и средняя абсолютная процентная ошибка (AAPE) была равна 5,776%). Эти результаты превзошли три опубликованные эмпирические модели.
Данная нейронная сеть была обучена и испытана на наборе данных одной скважины с берегового месторождения. Набор данных строился на основе 347 точек из глубоководного сланцевого образования.
Высокая неопределенность характерна для данных реального поля, в частности данных параметры бурения. В подобных моделях прогнозирования выбросы являются основным источником ошибок, поэтому данные были отфильтрованы. С помощью статистического анализа, включающего коэффициент корреляции, студенты изучили степень влияния имеющихся параметров на целевой показатель. В результате испытаний был исключен ряд параметров с низким коэффициентом корреляции. Для оценки точности использовались коэффициент корреляции и средняя абсолютная процентная ошибка.[6] Выводы
На сегодняшний день мы видим повсеместную цифровизацию мира и постоянно растущую тенденцию к созданию все более сложных и автономных систем, которые позволят повысить эффективность производственных процессов и сделать их намного безопаснее для человека. И, конечно, создание системы автономного бурения - одна из важнейших задач для современной нефтегазовой отрасли. Пока рано говорить о полной замене человека автоматикой, однако есть все предпосылки к созданию дополнительной достаточно надежной консультативной системе, с помощью которой будет приниматься больше верных решений.
Литература
1. Сергей Стишенко Нефть-2030: когда бур станет умнее геолога? // Нефть капитал, 20.12.2017. https://oilcapital.ru/article/general/20-12-2017/neft-2030-kogda-bur-stanet-umnee-geologa-aabc5205-7964-4840-a768-bc9c04fe0010 (дата обращения: 13.04.2020).
2. Кира Истратова Умные скважины и интеллектуальные месторождения. Нефть в цифре. // dprom.online, 01.04.2019. https://dprom.online/oilngas/umnye-skvazhinv-i-intellektualnve-mestorozhdeniya-neft-v-tsifre/ (дата обращения: 13.04.2020).
3. Schneider Electric. Пресс-релизы и новости // Schneider Electric. https://www.se.com/ru/ru/about-us/press/digital-funnel-research.isp (дата обращения: 13.04.2020).
4. Nancy Luedke Texas A&M researchers create advanced drilling advisory system that opens door to autonomous drilling // Texas A&M University, 9.1.2020. https://www.worldoil.com/news/2020/1/9/texas-am-researchers-create-advanced-drilling-advisory-system-that-opens-door-to-autonomous-drilling (дата обращения: 13.04.2020).
5. Daniel Gleeson Boliden trials first automated electric drill at Aitik copper mine // International Mining Team Publishing Ltd 29.05.2019 https://im-mining.com/2019/05/29/boliden-trials-first-automated-electric-drill-aitik-copper-mine/ (дата обращения: 13.04.2020).
6. Abdulmalek Ahmed, Abdulwahab Ali, Salaheldin Elkatatny, Abdulazeez Abdulraheem New Artificial Neural Networks Model for Predicting Rate of Penetration in Deep Shale Formation // Sustainability 11(22):6527 November 2019
Literature
1. Sergey Stishenko Oil-2030: when will drill become smarter than the geologist? // Oil capital, 20.12.2017. https://oilcapital.ru/article/general/20-12-2017/neft-2030-kogda-bur-stanet-umnee-geologa-aabc5205-7964-4840-a768-bc9c04fe0010 (access date: 13.04.2020).
2. Kira Istratova Smart wells and intelligent fields. Oil in numbers. // dprom.online, 01.04.2019. https://dprom.online/oilngas/umnye-skvazhiny-i-intellektualnye-mestorozhdeniya-neft-v-tsifre/ (access date: 13.04.2020).
3. Schneider Electric. Press Releases and News // Schneider Electric. https://www.se.com/ru/ru/about-us/press/digital-funnel-research.jsp (access date: 13.04.2020).
4. Nancy Luedke Texas A&M researchers create advanced drilling advisory system that opens door to autonomous drilling // Texas A&M University, 9.1.2020. https://www.worldoil.com/news/2020/1/9/texas-am-researchers-create-advanced-drilling-advisory-system-that-opens-door-to-autonomous-drilling (access date: 13.04.2020).
5. Daniel Gleeson Boliden trials first automated electric drill at Aitik copper mine // International Mining Team Publishing Ltd 29.05.2019 https://im-mining.com/2019/05/29/boliden-trials-first-automated-electric-drill-aitik-copper-mine/ (access date: 13.04.2020).
6. Abdulmalek Ahmed, Abdulwahab Ali, Salaheldin Elkatatny, Abdulazeez Abdulraheem New Artificial Neural Networks Model for Predicting Rate of Penetration in Deep Shale Formation // Sustainability 11(22):6527 November 2019
