Key points are not available for this paper at this time.
_ Dans la quête pour augmenter la production de manière économique, les opérateurs expérimentent des méthodes de levage artificiel et comment la technologie numérique peut améliorer ses performances. Les experts en levage artificiel intègrent de plus en plus l'intelligence artificielle (IA), l'apprentissage automatique (AA) et les opérations autonomes dans leurs flux de travail, car ces technologies basées sur les données montrent qu'elles peuvent générer des augmentations lorsqu'elles sont soigneusement développées et déployées. Les opérateurs examinent également la performance des puits à levage de gaz haute pression (HPGL) par rapport aux puits utilisant des pompes submersibles électriques (ESP) pour le levage artificiel. Enfin, les opérateurs doivent parfois décider s'ils doivent prendre le risque de remplacer un équipement qui semble fonctionner, même à des niveaux inférieurs, afin d'augmenter la production. Boost numérique Les flux de travail de levage de gaz optimisés et les points de consigne pour les ESP mis en œuvre de manière autonome aident ExxonMobil et Vital Energy à produire plus de pétrole. Le levage de gaz est une méthode de levage artificiel populaire en partie parce que le système est simple, robuste et économique à exploiter, mais son optimisation a historiquement été chronophage. SPE 219553 décrit l'approche d'ExxonMobil pour automatiser l'optimisation du levage de gaz pour les puits dans le bassin permien. Le flux de travail résultant, qui repose sur l'IA et l'AA, a généré une augmentation de 2,2 % de la production dans plus de 1 300 puits où il a été déployé, sans nécessiter de changements d'équipement de surface ou de fond de trou ni générer des travaux supplémentaires pour le personnel. Derek Burmaster, ingénieur en optimisation de production pour ExxonMobil Upstream Integrated Solutions, a déclaré lors de la Conférence et Exposition sur le Levage Artificiel (ALCE) de SPE en août que l'un des grands avantages de l'application du flux de travail d'optimisation itérative du levage de gaz puits par puits est qu'il supprime le besoin pour un ingénieur ou un spécialiste de se rendre sur le terrain à plusieurs reprises pour changer les débits d'injection et analyser les données du puits. « Pour chaque puits, cela pourrait prendre quelques heures, au moins », a-t-il déclaré. « Nous avons fait cela sur des centaines et des centaines de puits, et cela se produit chaque mois sans personne, sans main-d'œuvre, ni quoi que ce soit. Donc c'est l'un des énormes avantages de faire cela de manière axée sur les données. » Le levage de gaz est si robuste qu'il peut être difficile de diagnostiquer si le système fonctionne dans un état sous-optimal, a noté l'article. Des changements dans le taux d'eau d'un puits ou sa productivité peuvent faire perdre l'efficacité à un système précédemment optimisé, ce qui pourra ne pas être connu pendant des années. ExxonMobil recherchait une méthode pour optimiser le levage de gaz qui surveillerait en continu l'état du système et répondrait immédiatement. Le logiciel à boucle fermée résultant effectue de manière itérative des tests multidébits, analyse les résultats et met en œuvre à distance les changements de points de consigne pour optimiser les puits. « Le processus d'optimisation est le plus efficace sous une forme itérative, dans laquelle chaque test multidébit produit un modèle qui suggère un changement donné », a indiqué l'article. Bien que chaque modèle produise son propre débit d'injection optimal, les modèles ultérieurs peuvent indiquer le même débit d'injection, de sorte que les changements ne sont pas toujours effectués, a noté Burmaster. Même si un point de consigne initialement suggéré n'est pas optimal, il « pousse le puits dans la bonne direction », ce qui améliore le point de départ pour le test suivant et aide le puits à atteindre un point de consigne optimal au cours de quelques itérations, selon l'article. Le flux de travail a été testé en deux phases différentes, la première phase de 3 mois nécessitant une approbation manuelle des points de consigne recommandés.
Jennifer Pallanich (Tue,) a étudié cette question.