0 позиций в запросе!   Отправить?
Подписка на новости
Задать вопрос

    Имя *

    E-Mail *

    Компания *

    Телефон *

    Вопрос *

    Нажимая на кнопку, вы даете согласие на обработку своих персональных данных

    Заказать образцы

      Имя *

      E-Mail *

      Телефон *

      Сайт

      Компания *

      Описание проекта *

      Образцы предоставляются под проект

      Нажимая на кнопку, вы даете согласие на
      обработку своих персональных данных и
      обратную связь со специалистами PT Electronics

      Подписка на новости

      Назад

      Несколько шагов к эффективной обработке данных с нефтегазовых месторождений

      25 Июн 2019

      Автор статьи

      Майкл Риссе (Michael Risse), перевод и дополнения: Владимир Рентюк

      Одним из важнейших шагов к увеличению прибыли при добыче нефти является не только инвестирование в оборудование, поиск и вскрытие новых месторождений, но и аналитика. Ее правильное использование показывает, что эффективность добычи нефти и газа на действующих месторождениях уже сейчас может быть повышена с помощью комплексного анализа имеющегося потока данных.


      Опубликовано в журнале: Control Engineering Россия апрель 2019

      PDF версия


      Снижение уровня безубыточности при добыче нефти требует разумного применения того подхода, который Goldman Sachs Group (принадлежащий к числу крупнейших в мире инвестиционных банков и финансовых конгломератов, одним из быстрорастущих сегментов деятельности которого является управление активами) называет тремя B: brawn, brains, and bytes (буквально: «мускулы, мозги и байты»). Однако любое обсуждение, относящееся к байтам, должно касаться использования аналитики данных и ускорения понимания инженерами и другими экспертами того, что сейчас именуется большими данными.

      Такое понимание проблемы поможет улучшить работу, повысить безопасность и сократить излишние расходы. Например, по данным консалтинговой компании McKinsey&Company, в США эти варианты улучшений представляют собой почти 50-миллиардную (в долларах США) возможность прироста доходов от более эффективной добычи нефти и газа, включая чрезвычайно важную ее составляющую — добычу сланцевой нефти.

      Стадия бурных инноваций в области добычи сланцевой нефти в США началась примерно в 2013 г. Она предусматривала все более длинные горизонтальные скважины и фрекинг — гидравлический разрыв пласта, который используется при добыче газа и нефти из более уплотненных песчаников и требует больших усилий, то есть «мускулов» (brawn).

      «Мозговой» (brains, по определению Goldman Sachs) этап включал лучшее размещение горизонтальных скважин и целевой оптимизированный фрекинг. Эти нововведения привели к снижению цены на основе принципа безубыточности с $70 за баррель в 2013 г. до $50 в 2017-м. В то же время добыча на ключевых сланцевых месторождениях США выросла с 2,4 млн баррелей в сутки (million barrels per day, MMBPD) в 2013 г. до 4,6 млн баррелей в сутки в 2017-м.

      Для дальнейшего снижения цены безубыточности до $45 за баррель и увеличения добычи примерно до 7,7 млн баррелей в день потребуется больше «мозгов», но в значительной степени она будет полагаться и на третью составляющую — «байты» (bytes).

      Эти «байты» могут улучшить работу сразу в нескольких направлениях. Далее будут обсуждаться два из них — производственный мониторинг и прогнозное техническое обслуживание, — но сначала рассмотрим, как данные собирают и хранят при подготовке к последующему анализу.

      Сбор данных

      Мониторинг нефтедобычи и профилактическое обслуживание предполагают сбор данных от самых разных датчиков. Дискретные датчики показывают, включен тот или иной элемент оборудования, например насос, или нет. Обычно они используются и для обозначения открытого/закрытого состояния, в частности с клапаном.

      В нефтедобыче типичные аналоговые датчики измеряют давление, температуру, расход и плотность — словом, параметры, представляющие значительный интерес для производителей сланцевой нефти. А вот аналитические аналоговые датчики используются реже, в основном для измерения химического состава нефти.

      Датчики могут быть проводными или беспроводными. Традиционные проводные датчики хорошо работают во многих приложениях, но, как следует из названия, у них есть недостаток — их необходимо подключать через кабели и провод­ную разводку. Это особенно проблематично для ретрофитных приложений, то есть при модернизации оборудования на уже имеющихся освоенных месторождениях.

      Дискретные датчики передают свое состояние по типу «включено/выключено» или «открыто/закрыто». Такая отправка информации в системы мониторинга осуществляется через одну отдельную пару проводов. В отличие от них «умные», или интеллектуальные, дискретные датчики передают не только состояние (статус), но и измеренные показатели, сама передача идет через цифровую линию связи.

      Проводные аналоговые датчики также являются либо стандартными, либо интеллектуальными. Стандартные аналоговые датчики передают одну переменную процесса, например показание давления, в систему мониторинга, для чего, как правило, используется стандартная токовая петля 4–20 мА.

      Интеллектуальные аналоговые датчики отправляют множество данных, в частности, сложные датчики могут сообщать о 40 параметрах. Так, типичный расходомер Кориолиса будет передавать массовый расход как переменную процесса, а также плотность и температуру нефти. Диагностические данные указывают на состояние непосредственно самого измерителя и показывают, когда измеритель последний раз калибровался и когда он должен быть поверен снова.

      Беспроводные датчики введены в практику нефтедобычи всего около десяти лет назад. Они могут быть как дискретными, так и подобно аналоговым версиям — «умными». В настоящее время для промышленных применений применяются два основных беспроводных протокола — ISA100 и WirelessHART. Хотя беспроводная связь относительно нова, в мире насчитывается более 30 тыс. сетей WirelessHART с более чем 10 млрд суммарных часов эксплуатации.

      Датчики и сети собирают и сохраняют данные, которыми часто обмениваются, а новые технологические достижения значительно облегчают задачу, поставленную перед такими устройствами.

      Хранение и обмен данными

      Еще не так давно хранение огромных объемов данных, полученных на буровых площадках, было весьма дорогостоящим. Однако в настоящее время затраты снизились, причем как для локальных, так и для облачных хранилищ.

      Локальное хранилище обычно находится на компьютере (ПК) серверного класса, подключенном к ПК для мониторинга через провод­ное соединение Ethernet. При этом ПК серверного класса содержит одну из многих популярных баз данных временных рядов, например OSIsoft Pi. В отличие от реляционных баз данных базы данных временных рядов эффективно хранят огромные объемы информации в реальном времени.

      Данные, хранимые на месте, часто необходимы в центральных точках управления добычей, таких как центр управления, и могут передаваться различными средствами, включая сотовые и спутниковые сети связи.

      Аналогичным образом данные могут передаваться напрямую из локальной системы мониторинга на основе ПК в облако, что по сравнению с локальным хранилищем имеет много преимуществ. Здесь затраты на единицу хранения информации ниже, а само хранилище может масштабироваться по мере необходимости. Еще одно преимущество этой технологии в том, что, оказавшись в облаке, данные доступны по всему миру через любое имеющееся интернет-соединение.

      Однако удаленный доступ к локальным или облачным данным представляет некоторые проблемы в части обеспечения безопасности, и, хотя это не является непреодолимым препятствием, рассмотрение аспекта безопасности в общей проблеме хранения данных выходит за рамки настоящей статьи.

      Итак, вернемся к нашей теме. Теперь, когда данные собраны, сохранены и переданы, их можно анализировать, а результаты анализа использовать для улучшения работы.

      Улучшать и внедрять

      Многие нефтегазовые добывающие компании уже сейчас перегружены огромным объемом собранных сведений. Несмотря на заявления некоторых поставщиков инструментов, аналитика свидетельствует об обратном: невозможно просто включить искусственный интеллект или программное обеспечение с машинным обучением, предоставить им данные и сразу же получить полезную информацию. Вместо этого использование аналитики данных и ускорение машинного обучения должно следовать многоэтапному процессу, показанному на рис. 1 и более детально описанному ниже.

      Рис. 1. Аналитика данных, как правило, следует после этой серии шагов, а процесс анализа значительно упрощается благодаря использованию соответствующего программного обеспечения. Изображение предоставлено компанией Seeq. Примечание к рис. — PCA

      Первый этап — подключение к источникам данных — будет проще, если для анализа информации использовать программное обеспечение с уже защищенными предварительно подготовленными подключениями для используемых баз данных. При оценке предложений программного обеспечения для анализа данных необходимо обязательно убедиться, что такие подключения связаны не только с уже существующими, но и с ожидаемыми базами данных. Автоматическое связывание с базами данных позволяет выполнять поиск параметров и временных периодов в стиле Google. В противном случае необходимо будет написать собственный код, чтобы связать аналитическое программное обеспечение с базой данных, что является и дорогостоящей и весьма трудоемкой задачей.

      То, что мы называем на втором этапе «очисткой данных», требует выравнивания сведений, полученных от разных источников, для представления в одном масштабе времени и проверки их качества. В зависимости от характера существующих данных это может занять до 50% времени, необходимого для получения информации. Программное обеспечение для анализа должно поставляться с уже встроенными инструментами очистки данных. Однако такие инструменты должны учитывать специфику соответствующих отраслей и принимать во внимание, что они в первую очередь предназначены для применения инженером-технологом с ограниченным опытом в таких методах обработки сигналов, как обнаружение всплесков, фильтрация нижних частот, управление прерывистыми ошибочными значениями в наборах данных, и других. Задачи инженера иные, и знать все тонкости процесса обработки данных ему необязательно.

      Третий этап — выделение контекста — подразумевает то, что связывает каждую точку данных с другими. Реляционная база данных делает это при настройке и создании, с определением отношений каждой точки данных с другими. В базах данных временных рядов каждая точка данных имеет метку времени, но без связей между точками данных. Захват контекста добавляет отношения для каждого набора сведений, когда он извлекается из общей базы в программное обеспечение с целью анализа. Еще раз повторим: крайне важно, чтобы использование инструментов было интуитивно понятным для инженеров-технологов, без помощи специалистов по данным или ИТ-специалистов.

      Теперь перейдем к четвертому этапу. Для этого потребуется пояснить суть решаемой проблемы. Самым популярным сегодня инструментом анализа данных является электронная таблица, но анализ данных временных рядов с помощью этого универсального инструмента отнимает много времени и требует опыта работы с макросами, сводными таблицами и другими потаенными функциями электронных таблиц. Кроме того, объемы данных, обрабатываемые электронными таблицами, обычно ограничивают типы анализа. А здесь нам требуется программное обеспечение для анализа данных процесса временных рядов. Программное обеспечение должно поддерживать и обеспечивать «ускорение экспертизы специалистами по профилю данных» (в англ. терминологии — subject-matter experts, SME). Для этого может применяться человеко-машинный интерфейс с визуализацией данных, представляющих интерес специалистам. Такой подход позволяет прямо взаимодействовать с данными с помощью итерационной процедуры (рис. 2). Затем специалисты профильного направления могут уже сами, на основе своих знаний и личного опыта, быстро выполнять необходимые расчеты, искать шаблоны, анализировать различные режимы работы и т. д.

      Рис. 2. Предоставление специалистам визуального отображения данных позволяет им напрямую взаимодействовать между собой для решения возникающих проблем. Изображение предоставлено компанией Seeq

      Шестой этап — это возможность сбора данных и совместной работы с ними. Он дает специалистам профильного направления возможность обмениваться результатами с коллегами. Это не только помогает совместно обсудить решение той или иной возникшей проблемы, но и поддерживает накопление опыта и передачу знаний. Захваченные аннотированные результаты позволяют другим следовать по пути, который уже сгенерировал первоначальные идеи.

      То, что мы назвали возможностью расширения данных, обеспечивает нам гибкость использования решения для анализа данных в любое время и в любом месте. Интерфейс на основе браузера означает, что внешний вид и внешний вид устройства одинаковы как для офисного ПК, так и для планшета, работающего в полевых условиях.

      Следующий этап — запуск в масштабе — означает, что программное обеспечение для анализа информации работает с самыми большими наборами данных для решения самых сложных проблем. В крайних случаях программное обеспечение действует на нескольких серверах, чтобы использовать вычислительную мощность и необходимое локальное хранилище данных. В дальнейшем эта возможность станет более важной по мере роста объемов данных и последующего развертывания сенсорных сетей и, соответственно, сложностей в решении проблем.

      Наконец, последний этап, условно названный «опубликовать (отчет), поделиться, транслировать», подразумевает, что специалист профильного направления может захотеть создать приложения для мониторинга, чтобы предупредить заинтересованные стороны 
      о конкретных условиях эксплуатации и их последствиях, обеспечивая более раннее предупреждение о вероятности возникновения критического события и ускоряя принятие корректирующего его действия.

      Пример использования предлагаемого подхода

      В качестве примера возьмем компанию Pioneer Energy — поставщика услуг и производителя оригинального оборудования, который решает задачи по переработке газа на месторождении с установками для улавливания и выделения газа из паровоздушной смеси в резервуаре (с нефтепродуктом) и факельного газа.

      Компания управляет и контролирует свои географически рассредоточенные подразделения непосредственно из штаб-квартиры в Лейквуде, штат Колорадо, и для обеспечения постоянного улучшения показателей анализирует результаты работы оборудования.

      Pioneer Energy специализируется на механических холодильных установках (MRU), которые являются модульными, мобильными и масштабируемыми для удовлетворения потребностей клиента в обработке газа. Обработка газа обеспечивается на площадке установками FlareCatcher, каждая из которых может обрабатывать приблизительно 5 млн куб. футов в сутки газа на месте. При этом топливный газ для генератора может быть продуктом переработки любых угле­водородов, обрабатываемых данным оборудованием и составляющих всего около 5% от общей энергии газа.

      Пока у компании есть системы, установленные на западе США. Однако будущие месторождения могут появиться в любой точке мира, где имеется сотовая или спутниковая связь. В то же время решением может стать и локальная беспроводная сеть, способная передавать сведения в сетевой концентратор.

      Данные со скважин конкретного месторождения отправляются в локальный центр обработки со встроенными резервными источниками питания и необходимыми сетевыми сервисами. Для их обработки компания Pioneer Energy имеет центры обработки данных в Денвере и Далласе, которые, чтобы добавить динамическое масштабирование и балансировку нагрузки для улучшения сбора данных на местах, широко применяют виртуализацию представления данных.

      Аналоговые данные в сети компании передаются с интервалом в 1 с, а дискретные данные — по мере их изменения, но проблема в том, что у компании Pioneer Energy не было инструментов для комплексного анализа такого потока информации. Если бы у инженеров появилось свободное время, то они, для расчета нескольких основных показателей, вручную загружали бы исторические данные в электронную таблицу Microsoft Excel. Но такого свободного времени у них нет, а такой прекрасный инструмент, как Excel (как мы уже выяснили), не вполне подходит для расчетов достаточной сложности, поэтому большая часть собранных данных не была использована для ситуативной оценки и организации прогнозного обслуживания.

      Для решения проблемы компания Pioneer Energy выбрала приложение для расширенной аналитики Seeq, поскольку оно отвечало потребностям специалистов компании. Приложение имеет базу данных графиков, оптимизацию временных рядов, чистый интерфейс на основе браузера, а также расширенные возможности анализа данных и обмена информацией. Решение было легко увидеть сразу же после демонстрации инструмента для визуального поиска.

      Выбранное решение позволяет компании оптимизировать поток данных. Простые вычисления выполняются непосредственно на границе (периферии) сети, после чего определяется, какие данные передаются в штаб-квартиру компании Pioneer Energy для анализа, а какие архивируются локально, как исторические.

      Для того чтобы определить правила для рабочих параметров, система анализирует накопленные исторические данные. В цикле такого непрерывного улучшения все данные, когда они разблокированы и использованы, имеют потенциальную ценность. Програм­мное обеспечение Seeq — это среда не только для анализа, но и для экспериментов и обучения, а визуальная обратная связь позволяет инженерам анализировать комплексные данные в разумные сроки.

      Например, механические холодильные установки (mechanical refrigeration unit, MRU) компании Pioneer Energy очень чувствительны к изменяющимся условиям эксплуатации. Программное обеспечение Seeq позволяет компании выявить и своевременно изолировать проблемы, определить их причины и разработать простые операционные правила, что в итоге помогает продлить непрерывный эксплуатационный период и, соответственно, нарастить получение прибыли от капиталовложений.

      Поскольку компания Pioneer Energy получает данные, обработанные операционными системами удаленно, то в случае, если программное обеспечение идентифицирует проблему с полевым оборудованием, корректирующие действия могут быть предприняты максимально быстро. Так, Pioneer Energy использует каскадные холодильные системы с воздушным охлаждением. В жаркие дни из-за нагнетания температура и давление могут повышаться до предельных уровней, что в случае непринятия соответствующих мер способно привести к отказу оборудования. Обнаружив это, система разрешает операторам вмешиваться в ход технологического процесса, снижая пропускную способность.

      Все сведения о скважине передаются в централизованный, защищенный от внешнего и внутреннего несанкционированного вмешательства центр обработки данных, в котором находится главный сервер. Интерфейс доступен через веб-прокси-сервер. Технические специалисты и инженеры Pioneer могут получить доступ к данным в любом месте, где есть подключение к сети, в том числе и непосредственно на буровой площадке, естественно, если там есть активная точка сотовой связи.

      Таким образом, мы видим, что установка и использование программного обеспечения для аналитики улучшают операционный интеллект, проливают свет на сложные процессы и помогают найти оптимальные ответы.


      Использование предлагаемого подхода: краткие примеры

      Оптимизация добычи нефти

      Проблема: компания собирала нефть с разрозненных буровых площадок, но, даже принимая во внимание неустойчивый по своей природе процесс добычи, никогда не оптимизировала маршруты доставки поднятой нефти. Причина крылась в том, что использование возможностей внутреннего анализа ситуации с помощью данных уровня буровых площадок здесь оказалось не то что неэффективным, а просто бесплодным.

      Решение: используя программный анализ, производственные данные с участков отслеживают путем контролирования скорости изменений добычи, а результаты учитываются для прогнозирования оптимального времени отправки конкретного грузовика в указанное место. Заявки на поставку грузовиков станут более эффективны, а отчеты генерируются автоматически.

      Анализ функционирования скважинного насоса

      Проблема: инженеры по управлению оборудованием по обеспечению добычи нефти, следящие за отклонениями в условиях ее перекачки, столкнулись с трудностями при анализе данных о добыче скважин на большой группе участков нефтедобычи. Математическая модель может выполнять вычисления, но обычно это занимает целый день, откладывая, в случае выявления нежелательных и даже критических отклонений, своевременное принятие тех или иных корректирующих действий.

      Решение: благодаря улучшению модели те же самые вычисления могут быть сделаны значительно быстрее, а результаты будут готовы приблизительно через 30 мин. Это значительно облегчает выявление проблемных ситуаций и оценку эффективности корректирующих мер, улучшая общую добычу.

      Анализ производительности скважины

      Проблема: инженеры по обеспечению бесперебойной добычи нефти знали, что конкретные характеристики сырой нефти из данной скважины являются симптомами таких проблем падения производительности оборудования, как засорение, загрязнение и коррозия труб (колонок), но не могли разработать адекватные математические модели для точных прогнозов, когда потребуется то или иное корректирующее проблему вмешательство.

      Решение: с помощью данных из большой группы скважин решение связывает характеристики нефти с характеристиками оборудования, помогая отделам эксплуатации и технического обслуживания определить, когда и как изменение состава добытой нефти может вызвать проблемы в работе того или иного оборудования.

      Оценка работоспособности вращающегося оборудования

      Проблема: даже при наличии всех диагностических датчиков, применяемых к большим установкам, в составе которых имеется вращающееся оборудование, то есть любое оборудование, включающее вращающиеся механизмы, например электродвигатели, пользователи испытывали трудности с получением полезной информации, выходящей за рамки самых основных сигналов тревоги. Выполнение необходимого сложного анализа с помощью традиционных инструментов оказалось труднодостижимым.

      Решение: путем использования накопленных исторических данных и широкой аналитики процессов технический персонал получает возможность быстро и эффективно находить первопричины, расшивая узкие места, и выявлять ложные сигналы предупреждения, характерные для менее сложных аналитических подходов. При таком подходе намного легче определить оптимальные условия работы и избежать простоев дорогостоящего оборудования, а часто и самих скважин.