Оптимизация операций геотермального бурения с помощью машинного обучения

Геотермальная энергия считается одним из наиболее углеродно-нейтральных, устойчивых и возобновляемых источников энергии, которые могут обеспечивать как базовую, так и диспетчерскую электроэнергию в сеть. Несмотря на свой потенциал стать важным игроком в переходе к нулевому будущему, геотермальная энергия в настоящее время является наиболее малоиспользуемым возобновляемым ресурсом из-за высокой стоимости глубокой геотермальной энергии.

Основной элемент затрат в любом геотермальном проекте связан с бурением и завершением работ, на которые приходится до 70% от общего объема разработки проекта. В дополнение к этому, буровая отрасль сталкивается с рядом проблем, когда дело доходит до бурения и заканчивания геотермальных скважин, таких как низкая скорость проходки (МСП) и недостаточная осведомленность о забое скважины, что приводит к спуско-подъемным операциям и непроизводительному времени (НПВ), затрачиваемому на бурение и заканчивание геотермальных скважин. характеристики формации.

Отрасли не хватает цифровизации и автоматизации, она полагается на личные навыки и старые данные. Существующие буровые системы предназначены для углеводородных бассейнов с буровыми растворами на нефтяной основе, что ограничивает их применимость для геотермальных и твердых пород. Современные системы также основаны на роторном бурении, тогда как сектор геотермального бурения требует новых технологий, таких как ударное и бесконтактное термическое бурение.

Цифровая трансформация добывающей энергетической отрасли привела к экспоненциальному росту объемов и типов данных, генерируемых в последние годы. Достижения в области машинного обучения (МО) и искусственного интеллекта (ИИ) открывают возможности для инноваций и оптимизации в отрасли геотермального бурения. Эти инновационные инструменты повышают точность и стоимость геотермальных исследований, а также оптимизируют геотермальные операции, снижая общую стоимость геотермальной энергии.

Использование алгоритмов машинного обучения может помочь выявить аномальные реакции в данных и отличить проблемы бурения от эксплуатационных или логистических трудностей. Разработав стратегии восстановления на основе полученных результатов, возможно, удастся снизить риски проектов глубокого геотермального отопления и сделать их более привлекательными для инвесторов.

Проект OptiDrill финансируется за счет гранта Европейской комиссии Horizon 2020, целью которого является разработка модулей машинного обучения в рамках единой консультативной системы. Каждый модуль будет отвечать за анализ, прогнозирование или оптимизацию одного аспекта процесса бурения или заканчивания скважин.

Проект системы OptiDrill направлен на разработку системы, которая может повысить эффективность бурения в любом пласте. Основное внимание уделяется использованию существующих данных и передачи знаний, решению существующих проблем и совершенствованию существующих методов и технологий путем использования следующих подходов в рамках интегрированной структуры консультативной системы геотермального бурения OptiDrill:

• Оцифровка предыдущих данных бурения и текстовых отчетов с помощью методов глубокого обучения обработки естественного языка (NLP) для создания цифровой базы данных ежедневных отчетов о бурении и заканчивании, а также проблем, прокладывает путь к оцифровке ежедневных отчетов о бурении и позволяет осуществлять дальнейшую передачу знания из нефтегазового сектора; • Инструментирование процесса бурения путем внедрения совместимых с буровой установкой и нижним блоком (КНБК) цепочек датчиков и системы передачи данных, а также соответствующих методологий для измерения параметров, вызываемых бурением (таких как вибрации, нагрузка, крутящий момент, поток и акустические сигналы), а также интерпретировать их влияние на процесс; • Моделирование пласта и экспериментальные данные в масштабе месторождения для заполнения пробелов в доступных наборах данных и моделирования различных сценариев проблем бурения, включая сценарии «что, если». Полная база данных без пробелов позволит моделям достичь высочайшей точности прогнозирования даже в сценариях пластов или ситуаций, для которых ранее было очень мало зарегистрированных данных; • Моделирование геотермального бурения, прогнозирование и оптимизация производительности за счет использования комбинации машинного оборудования. Обучение и новые методы глубокого обучения; • Прогнозирование литологии пласта в режиме реального времени с использованием связанных методов глубокого обучения в сочетании с новыми данными цепочек датчиков для проверки модели и повышения эффективности; • Прогнозирование и обнаружение проблем бурения с помощью статистических и машинных данных, управляемых данными. Методы обучения, позволяющие избежать ненужных и дорогостоящих рисков и сократить непроизводительный срок службы во время процессов бурения и заканчивания; • Моделирование заканчивания и улучшения скважин для горизонтальных и многоствольных кластеров скважин, а также прогнозирование и оптимизация производительности за счет использования комбинации машинного обучения и новых методов глубокого обучения; • Статистическая проверка и оптимизация моделей машинного обучения; и • Схема федерации машинного обучения в сочетании с самообучающимися алгоритмами машинного обучения даст системе OptiDrill уникальную возможность обновляться при каждой новой операции по бурению и заканчиванию скважин. Эта функция обеспечит перспективность и саморазвивающуюся способность консультативной системы OptiDrill.