Цифровой двойник месторождения

Команда ООО «Ресурс» специализируется на создании Цифровых двойников и Прогнозной аналитики,
основанных на интеграции в программное обеспечение искусственного интеллекта.

В работе используются современные подходы гибридного моделирования для обучения нейронных сетей (рис.1).
Так, с помощью Прогнозной аналитики и Машинного обучения создаётся полноценная копия производственного процесса в нейронной сети.

Команда специалистов обеспечивает высокую сходимость с фактическими данными — до 97%, и высокую скорость работы – меньше чем за 1 секунду,
что достигается за счёт грамотной калькуляции более оптимального режима работы оборудования заказчика.
Это, в свою очередь, дает возможность более точно планировать и оптимизировать производство. Отдельно следует отметить, что для
использования решения не требуется специальная квалификация сотрудников.

Чем же является Цифровой двойник месторождения? Фактически, этот феномен можно назвать основой для эффективного управления предприятием
с digital описанием технологических и бизнес-процессов. Повышение производительности и сокращение затрат обеспечивается использованием
гибридных моделей (в том числе нейронные сети и инструменты моделирования) и real-time оптимизации.

На языке цифр – это решение позволяет повысить на 5-10% эффективность технологического процесса, сократить затраты энергии
на 10% и на 20% сократить вероятность возникновения риска ухудшения качества продукции, а срок же от старта до результатов
составляет от 3 до 5 месяцев.

Иначе говоря, цель этого проектного решения заключается в управлении и оптимизации месторождения с помощью искусственного
интеллекта в полуавтоматическом режиме. В результате совокупного использования интеллектуального управления и оптимизации
вместе с интегрированной моделью добывающего актива (ML-моделью), цифровой двойник призван отвечать на следующие вопросы:

• Как увеличить объем производства при минимизации затрат?
• Как снизить энергопотребление и риск выхода оборудования из строя?
• Как снизить себестоимость продукции без изменения технологической цепочки?
• Как сократить влияние человеческого фактора на принятие решений и сделать онлайн-мониторинг моего производства автоматическим?
• Как создать экспертную систему, реагирующую на критичные изменения качества продукции?

Таким образом, принцип работы Цифрового двойника (рис.2) основан на комплексном анализе вводных данных с активным
использованием гибридных моделей с целью генерации наиболее точных прогнозов и советов по оптимизации.

С помощью данной технологии достигаются следующий перечень результатов:

• сокращение затрат на эксплуатацию оборудования;
• создание интеллектуальной системы управления и оптимизации работы актива, работающей в формате real-time;
• снижение рисков возникновения аварийных ситуаций;
• монетизация данных;
• повышение рентабельности и конкурентоспособности бизнеса за счет использования внутреннего потенциала актива.

Так, основываясь на опыте реализации подобных проектов, следует констатировать, что создание Цифрового двойника
месторождения добычи нефти оказало влияние на следующие показатели:

• прирост на 10% в добыче нефти
• снижение на 7% обводненности продукции
• на 5% сократили энергопотребление насосов
• система строит прогноз параметров добычи нефти с точностью 97%

В свою очередь, благодаря внедрению Цифрового двойника установки предварительного сброса воды (УПСВ)
нефтегазового производства, удалось добиться снижение на 20 % вероятности возникновения риска ухудшения качества подготовки,
а также риска остановки производства из-за переполнения мощностей.

Рассмотрим подробнее оптимизационные задачи, решаемые на нефтяном месторождении (рис.3).

увеличение добычи нефти на 10% (+63.6 т/сут) снижение притока воды на 7% увеличении потребления электроэнергии на ЭЦН менее чем на 2% (57 кВт/сут)	снижение потребления электроэнергии на 5% (-189,5 кВт/сут) снижение добычи воды на 0,8% тот же уровень добычи нефти	снижение притока воды на установку подготовки на 7% (-470,4 м3/сут) тот же уровень добычи нефти

К текущим оперативным задачам, которые способен выполнять цифровой двойник, относятся следующие:

• раз в минуту выполняется расчет параметров течения по трубопроводам в режиме реального времени на основании
  данных систем телеметрии;
• прогноз параметров флюида на входе в УПСВ (за ~4 часа), благодаря чему можно заранее принять решение о смене режима работы
  оборудования для предотвращения срыва качества подготовки;
• ранний прогноз поступления эмульсии на УПСВ, что позволяет проактивно управлять режимом работы установки и расходом химических
  реагентов.

Оперативный расчет работы месторождения с подтвержденной точностью параметров флюида на входе в УПСВ представлен на графике (рис. 4),
где красной линией представлено фактическое значение, а синей – расчётное значение давления с использованием ML-модели на основе
данных телеметрии в основе реального времени. Отметим, что средняя ошибка расчёта составляет всего 3%, максимальная абсолютная
ошибка – 0,3атм, а время, необходимое ML для расчёта – 0.8 сек.

Цифровой двойник строится на четырёх «китах»:

1. Прогноз. Под ним подразумевается выполнение прогнозных расчетов параметров работы системы «Пласт-Скважины-ГСС-ЗПА» на месяц,
   квартал и год на с использованием суррогатной модели месторождения для оценки технологических параметров работы с учетом
   перспективной загрузки объекта.
2. Управление. Подбор режима работы скважин для оптимизации эксплуатации всего Актива – управление диаметром штуцеров, установленных на скважинах.
3. Мониторинг. Круглосуточный контроль фактических и расчетных параметров газовых скважин и сети сбора продукции (Скважины-ГСС-ЗПА).
4. Экспертнаясистема. Она позволяет сигнализировать о возможном поступлении водяных пробок на ЗПА, проводить оптимизацию системы «Пласт-Скважины-ГСС-ЗПА»
   с целью минимизации поступления воды, максимизации добычи и др. в условиях геологических и технологических ограничений.

В качестве примера рассмотрим сценарии использования двойника газового месторождения.

1. Интегрированный стационарный прогнозный расчет. Стационарный расчет текущих или прогнозных
   (на любой шаг по времени до 1 года) параметров объектов технологической цепочки «Пласт-Скважины-ГСС»
   (включая расчет температуры) с детальным учетом инклинометрии и рельефа на основе данных систем телеметрии или загружаемых данных.
2. Увеличение добычи углеводородов. Система предлагает оптимизированный вариант распределения добычи по скважинам для
   максимизации добычи УВ (как на всем фонде, так и на отдельных кустовых площадках) с учетом взаимовлияния скважин, технологических
   и геологических ограничений по скважинам и УКПГ (давление, максимальная добыча воды и т.д.).
3. Снижение риска ухудшения качества подготовки. Система предлагает оптимизированный вариант распределения добычи по скважинам
   с учетом взаимовлияния скважин для поддержания технологического режима работы УКПГ
   (необходимое давление и температура на входе, суммарная добыча газа и воды) при сохранении планового уровня добычи УВ.
4. Повышение эффективности расходования пластовой энергии. Система предлагает оптимизированный вариант распределения добычи
   по скважинам для поддержания заданной добычи УВ при минимизации общих потерь пластового давления и повышения равномерности
   дренирования запасов.

Подробнее остановимся на том, что использование цифрового двойника позволяет вести два типа расчёта.
Первый, расчет текущих и прогнозных параметров системы «Пласт – Скважина – ГСС – ЗПА» (рис. 5),
является стационарным расчетом текущих или прогноз- ных (от 1 месяца до 1 года) параметров объектов технологической
цепочки на основе данных о пластовой системе и пользовательских требований (давление на ЗПА).
Второй же, оптимизационный расчёт параметров добычи, предполагает генерацию оптимизированных вариантов распределения отборов
по скважинам по критериям минимизации потерь давления и снижения притока воды к скважинам при поддержании необходимого
суммарного отбора газа с учетом ограничений по эксплуатации скважин, текущего состояния актива, взаимовлияния технологических
объектов и состояния пластовой системы.

Цель такого проектного решения – это оценка применимости технологий машинного обучения для решения следующих задач в
условиях особенностей эксплуатации УКПГиК компании:

• Расчет параметров сепарации на ступенях установки комплексной подготовки газа и конденсата (УКПГиК) в режиме реального времени.
• Генерация оптимизированных вариантов управления УКПГиК в режиме реального времени по критерию качества подготовки газа и потерь давления.

Предполагается два сценария использования данной технологии (рис. 6):

1. Расчет процессов УКПГиК в системе интегрированного моделирования газового актива.
2. Непрерывный оптимизационный расчет параметров работы УКПГиК в режиме реального времени.

Данная технология функционирует на двух основополагающих принципах.
Первый – это осуществление искусственной нейронной сетью прогнозного расчета параметров сепарации (с учетом качества сепарации).
Второй же – это генерация оптимизационными алгоритмами вариантов распределения величин открытий клапанов-регуляторов,
перераспределения потоков по технологическим линиям на УКПГиК и возможного изменения параметров определенного перечня
оборудования в режиме реального времени по определенным стратегиям.

Романов С. А.,
технический директор ООО «Ресурс»