Hogyan profitál a kőolaj és a gáz az ipari tárgyi internetből

Meta: Az olaj- és gáziparban az ipari tárgyak internete által vezérelt megoldások 30% -kal növelhetik a fúrási és kitermelési műveletek termelékenységét azáltal, hogy a több földrajzilag elosztott kútból származó adatokat informatív betekintéssé alakítják a kutak teljesítményéről.

Hogyan járul hozzá a kőolaj- és gázipar az IoT-hoz

Az EY jelentése szerint az upstream szegmens működési hatékonysága az elmúlt négy évben folyamatosan, évente 11% -kal csökkent. Ugyanez a jelentés szerint a szegmens hatékonyságának csökkenésének egyik oka a gyenge kútteljesítmény-menedzsment, amely arra vezethető vissza, hogy az O&G személyzete nem rendelkezik hozzáféréssel az olajkutak adataihoz. Becslések szerint a kutakból összegyűjtött információknak csupán 1% -át teszik elérhetővé az O&G döntéshozói számára.

Ma az IIoT az upstream szegmens megmentésére szolgál, és bonyolultabb megközelítést kínál a kutakból származó adatok kezelésére és elemzésére. Ebben a cikkben részletesebben áttekintjük, hogy az IIoT hogyan javítja az upstream szegmens teljesítményét a fúrási és kitermelési műveletekre összpontosítva.

Ahol az IIoT belefér

Hagyományosan az SCADA az upstream szegmens gerincét képezte a jól teljesítendő adatok kezelésében. Annak ellenére, hogy a SCADA lehetővé teszi a kútadatok alapvető vizualizálását és a streaming adatok menet közbeni elemzését, nem biztosít elegendő tárolókapacitást és fejlett elemzési képességet számos földrajzilag elosztott webhelyről származó történelmi működési adatokhoz, miközben az ezekből az adatokból származó betekintés kritikus fontosságú a szegmens teljesítményének növelése érdekében.

Az IIoT pótolja ezeket a hiányosságokat a SCADA funkcionalitásában, és lehetőséget nyújt a fejlett elemzések tárolására és elvégzésére számos földrajzilag elosztott kút történelmi adatain, ami két év alatt akár 10% -kal is növelheti a kőolajtermelést.

IIoT: Mi ez és hogyan működik

A fúrási és kitermelési műveletek hatékonyságának figyelemmel kísérése elsősorban a megfelelő berendezések használatának figyelemmel kísérésére irányul. Ennek lehetővé tétele érdekében a IIoT együttműködik az SCADA-val, amely az IoT rendszerek berendezésének operatív adatainak forrása. Bizonyos esetekben, amikor az SCADA nem tud elegendő mennyiségű adatot szolgáltatni a szükséges adatokról, a működési mutatók közvetlenül a berendezés alkatrészeihez rögzített érzékelőkből (például közelségből, rezgésből, nyomatékból) szerezhetők be. Miután az adatokat összegyűjtöttük, továbbítjuk a felhőplatformra - egy IIoT-megoldás magjába - tárolás és elemzés céljából.

Az érzékelők leolvasásával és az SCADA-tól kapott adatokkal együtt a felhőplatform tárolja a metaadatokat (például az érzékelők helyére, kalibrálására vonatkozó információkat) és más vállalati rendszerekből beolvasott adatokat (például a berendezés karbantartási adatait, a geofizikai adatokat). A IIoT fejlett elemzési összetevője ezeket az adatokat rejtett mintákra elemzi, amelyek a hagyományos elemzési módszerekkel nem mutathatók ki. Ehhez az összesített adathalmaz gépi tanulási (ML) algoritmusokon keresztül fut. Ennek eredményeként létrejönnek a gépi tanulási modellek. A modelleket számos nem triviális feladat végrehajtására alkalmazzák: megjósolják a fúrási és kitermelési műveletek termelékenységét a külső körülményektől (pl. Kőzet áteresztőképesség, befecskendezési sebesség és hőmérséklet) függően, azonosítják a berendezés teljesítményét akadályozó működési kérdéseket (pl. Rúgások, kimosások), és dolgozzon ki legjobb gyakorlatokat a fúrási és kitermelési folyamatok termelékenységének javítására.

Fúróberendezések ellenőrzése

Annak érdekében, hogy a fúrási szakemberek betekintést nyerhessenek a szárazföldi fúrótornyok teljesítményébe, az IIoT megoldás elemző elemei olyan fúrási folyamat paramétereket elemeznek, mint a húzási munkák forgási frekvenciája, a lyuk folyadék áramlási sebessége, a cső és a szivattyú elosztó nyomása, a felső meghajtó forgatónyomatéka és a kampó Betöltés. Az elemzés után ezek a mutatók betekintést nyújtanak az olyan teljesítménymutatókba, mint a fúrási mélység, a behatolási sebesség (ROP), a tömeg-súly csatlakozási idő, a felületi és az alsó furat nyomása, a nyomaték a biten és a súly a biten. A mutatók értékeinek elemzése a kontextus adataival (például a kőzet áteresztőképességével) segít megelőzni az olyan kérdéseket, mint a rúgások, lemosások és a keringés elvesztése, amelyek mind közvetlenül befolyásolják a fúrási műveletek termelékenységét.

Az IIoT fúrásoptimalizálására való alkalmazásának még nagyobb értéke abból adódik, hogy képes a korszerű fúrótorony-adatok fejlett elemzésére. Több mélységi paraméter (behatolási sebesség, bit nyomaték, mechanikus fajlagos energia) és a kontextus (geofizikai adatok) összevonása és a kombinált adatsor futtatása gépi tanulási (ML) algoritmusokon keresztül lehetővé teszi a lyukak körülményeinek pontos ábrázolását és nem nyilvánvalónak való megtalálást. összefüggések a mélységi paraméterek értékei között. A fedetlen összefüggéseket az ML modellek tükrözik. A streaming fúrási adatokra alkalmazva a modellek azonosítják azokat a furatparaméter-kombinációkat, amelyek lehetővé teszik a legmagasabb ROP elérését adott geofizikai körülmények között, és az optimális berendezéskalibrálást javasolják a fúrási célok elérése érdekében. Ezenkívül az ML modellek valós idejű fúrási tanácsadó rendszerként használhatók, valós időben felismerik a fúrási kockázatokat, és webes vagy mobil alkalmazásokkal értesítik a fúró személyzetet.

Az elszívó berendezések ellenőrzése

Az extrakciós szegmensben az IIoT alkalmazható a mesterséges emelő rendszerek teljesítményének figyelemmel kísérésére, beleértve a szívórudas szivattyúkat és az elektromos merülőszivattyúkat (ESP).
Szívó rúd szivattyúk

A szívórudas szivattyúk teljesítményét olyan érzékelők segítségével lehet ellenőrizni, amelyek adatokat gyűjtenek a motor mélységnyomásáról és sebességéről. Az elemzés után ezek a paraméterek áttekintik a szivattyúkamra folyadékszintjét és a szivattyú termelési sebességét. Ugyanakkor, mivel a gáz bejutása egy szivattyúba jelentősen csökkentheti a szivattyú termelési sebességét, a gázdetektorokat emellett a szivattyúkamrában lévő gáztartalom figyelemmel kísérésére is alkalmazzák.

Az egyik olyan terület, ahol a fejlett elemzéseket alkalmazzák, a szivattyúk fékpadjainak elemzése, amely betekintést nyújt a szivattyúk működési paramétereibe (pl. A szivattyúegység sebessége, rúdállása) és teljesítményébe. E betekintéshez a kártyákat értelmezni kell. A szivattyúkártya kézi értelmezése munkaigényes folyamat, amely sok időt és mély szakterületet igényel. Mivel az olajmezők egyre több adatot generálnak, az emberek számára egyre nehezebb ezt értelmezni. A gépi tanuláson alapuló mintafelismerés automatizálja a kártya értelmezési folyamatát, és lehetővé teszi a rúdszivattyúk teljesítményének proaktív nyomon követését.

Elektromos merülő szivattyúk (ESP)

Az ESP-k teljesítményének figyelemmel kísérése érdekében figyelemmel kísérjük a felszín és a mélység paramétereit. A nyomon követendő legfontosabb felületi paraméter a teljes áramlási sebesség. A mélyfurat alapvető paraméterei közé tartozik a szivattyú ürítő- és szívónyomása, a szivattyú szívási hőmérséklete és a motorolaj hőmérséklete. Az elemzés után ezek a paraméterek betekintést nyújtanak az ESP húzóerejébe, a felszíni és a felszín alatti aktivitásba.

Az IIoT fejlett elemzési komponense lehetővé teszi az összesített adatkészlet elemzését, amely a szivattyúk korábbi működési paramétereit (mért olajáram, szakaszos szivattyúműveletek periódusai, a szivattyú rezgési frekvenciája) és a kontextus információit tartalmazza ML modellek létrehozásához, amelyek az optimális szivattyúkalibrálást ajánlják stabil működéséhez és az olaj maximális áramlási sebességének biztosításához.

IIoT: megpróbálni vagy nem megpróbálni

Az IIoT-nek vannak olyan egyedülálló előnyei, amelyek jól illeszkednek az upstream iparhoz, többek között:

• Lehetőség több kút és fúrótorony adatainak elemzésére. Több földrajzilag elosztott tározóból származó adatok felvétele és az összesített adatokból való betekintés elősegíti a kutak teljesítményének összehasonlítását, a tározók stimulálására és a helyreállítás optimalizálására vonatkozó legjobb gyakorlatok kidolgozását.

• A berendezés teljesítményproblémáinak kiváltó okainak azonosításának lehetősége. A korábbi működési adatok elemzése a kontextus információi alapján lehetővé teszi a teljesítményveszteséget katalizáló tényezők kimutatását. Ezeknek a tényezőknek a korai felismerése elősegíti az upstream vállalatokat, hogy adatközpontú döntéseket hozzanak a vonatkozó fúrási és kitermelési stratégiák megválasztásában.

Az ígért előnyök kiaknázása érdekében azonban a IIoT-alapú megoldások bevezetése előtt az upstream vállalatoknak figyelembe kell venniük a következő korlátozásokat:

• A régi berendezéseket olyan IIoT megoldásokhoz kell csatlakoztatni, amelyek gyors és megbízható adatátvitelt biztosítanak a TCP/IP hálózaton keresztül. Számos régi gépet azonban úgy terveztek, hogy lokálisan kommunikáljon az SCADA-val, és TCP/IP-n keresztül nem lehet egyszerűen csatlakoztatni az internethez. Noha vannak fizikai átjárók, amelyek képesek fordítani a régi rendszerek és az újabb protokollok között, az integrációs kihívást még mindig meg kell oldani.

• A fúróberendezések és az elszívó szivattyúk gyakran nehezen hozzáférhető helyeken működnek, rossz kommunikációs lefedettséggel. A kommunikáció lehetséges megszakításai ahhoz vezethetnek, hogy egyes adatbevitelek nem állnak rendelkezésre, vagy késéssel állnak rendelkezésre, ami befolyásolhatja az elemzés pontosságát.

Utolsó megjegyzésként

Az upstream olaj- és gázágazat dollármilliárdokat veszít évente a nem termelő idő miatt. Az IIoT képes lesz növelni a szegmens hatékonyságát azáltal, hogy feltárja az állásidők kiváltó okait, és lehetővé teszi az olaj- és gázipari szakemberek számára, hogy proaktív módon mérsékeljék azokat. A CERA szerint a IIoT által vezérelt technológiák alkalmazása az olaj- és gázáramlási szakaszban valószínűleg akár 6% -kal csökkenti a termelési költségeket, akár 4% -kal csökkenti a kút leállásait, és akár 25% -kal is csökkenti a szegmens munkaintenzitását.

Boris Shiklo, a ScienceSoft CTO-ja felelős a vállalat hosszú távú technológiai jövőképéért és innovációs stratégiáért. Az ő felügyelete alatt a vállalat fejlesztő csapata sikeresen teljesített több mint 80 000 munkaórás összetett projektet az egészségügyben, a banki és pénzügyekben, a kiskereskedelemben, a távközlésben, az állami szektorban és más területeken. Boris Shiklo szilárd háttérrel rendelkezik informatikai tanácsadásban, szoftverfejlesztésben, projektmenedzsmentben és stratégiai tervezésben.