Da quando l'intelligenza artificiale è entrata nel settore delle trivellazioni, è stata spesso erroneamente percepita come semplicemente sostituzione degli ingegneri sul campo con un unico modello automatizzato.ambienti di perforazione altamente limitati, le applicazioni di IA più preziose funzionano più come sistemi di supporto alla decisione: aggregano rapidamente la storia del pozzo, i dati di formazione, le misurazioni di registrazione durante la perforazione, le condizioni del foratore,e condizioni operative sul posto per generare raccomandazioni di selezione ben definite, intervalli di parametri ottimizzati e avvisi di rischio, piuttosto che prendere decisioni autonome che non tengono conto dei vincoli di ingegneria.
Figura 1: Data pipeline e posizionamento a ciclo chiuso dell'IA nella trivellazione
Figura 2: Schema del modello di stack ibrido per la perforazione AI
Figura 3: Ottimizzazione dei parametri e scenari di allarme anticipato del rischio guidati dall'IA
I. La base della perforazione basata sull'IA non sono i modelli, ma piuttosto una condotta di dati praticabile.
Per che l'IA possa svolgere un ruolo nel processo decisionale di perforazione, i dati devono prima essere integrati senza soluzione di continuità.Configurazioni BHA e di trapano, parametri quali il peso sul bit, la velocità di rotazione e la velocità della pompa, la coppia e la pressione del fango, i dati di misurazione durante la perforazione, le variazioni di traiettoria, i registri di usura e guasto e i registri degli eventi sul campo.Se questi dati non hanno un asse temporale unificatoLa formazione di modelli, con etichette standardizzate delle condizioni di esercizio e convenzioni di denominazione coerenti, spesso sembra plausibile su carta ma non può essere applicata sul campo.
Per i produttori di trapano, i dati più critici non sono necessariamente i più complessi; piuttosto, sono le informazioni che meglio riflettono le prestazioni degli utensili, come il tipo di sezione del pozzo,versione a struttura di taglio, localizzazione del guasto, morfologia dell'usura, finestre di parametri e risultati di una sola esecuzione.L'IA può prima aiutare le aziende a stabilire raccomandazioni più affidabili per la selezione degli strumenti e quadri di identificazione dei problemi.
II. Le applicazioni di alta valenza dell'IA nella trivellazione si concentrano principalmente in sei fasi chiave
In primo luogo, fornire raccomandazioni per la selezione del foratore e del BHA sfruttando le prestazioni storiche del pozzo e la corrispondenza con condizioni operative simili per restringere la portata del trial-and-error.ottimizzare i parametri di perforazione fornendo raccomandazioni più prudenti e affidabili per il peso su bitIn terzo luogo, implementare un allarme anticipato anomalia per rilevare prontamente i problemi come lo slittamento del bastone, vibrazione della corda di trivellazione, accumulo di torta di fango,e deviazione della traiettoriaIn quarto luogo, eseguire la previsione delle prestazioni per stimare la durata di utilizzo dell'utensile, il tasso massimo di penetrazione e il tempismo ottimale di attivazione.eseguire analisi post-operazione per mappare automaticamente le esperienze di guasto ai problemi di progettazione o di processo operativoIn sesto luogo, agevolare l'accumulo di conoscenze codificando le competenze frammentate di varie squadre di trivellazione e ingegneri in regole e linee guida riutilizzabili.
Tra queste sei categorie di capacità, la rilevazione delle anomalie e le raccomandazioni relative alle finestre di parametri sono le più facili da implementare in primo luogo, in quanto forniscono un valore diretto sul posto, presentano cicli di feedback brevi,e avere confini più chiari dei datiAl contrario, il processo decisionale per la perforazione "piuttosto automatizzato" richiede in genere dati più maturi e vincoli di sicurezza più severi.e dovrebbe generalmente essere trattato come un obiettivo a lungo termine piuttosto che una priorità di marketing iniziale.
III. Le soluzioni di intelligenza artificiale che possono essere attuate praticamente nei progetti di ingegneria sono in genere modelli ibridi che combinano meccanismo + regole + dati.
L'uso esclusivo di modelli a scatola nera rende difficile ottenere una fiducia sufficiente nel settore delle trivellazioni.perché il processo decisionale in loco richiede una chiara spiegazione del perché i parametri sono regolati in questo modo, quali sono le condizioni di confine e quali rischi deriverebbero da adeguamenti errati.modelli meccanici che forniscono vincoli fisici e intervalli di funzionamento ragionevoliIn secondo luogo, basi di conoscenza basate su regole che racchiudono esperienze empiriche; e in terzo luogo, modelli di apprendimento automatico che identificano modelli, prevedono tendenze e corrispondono a sezioni di pozzo simili.
Il vantaggio di questa architettura ibrida è che conserva sia il buon senso ingegneristico che le soglie di sicurezza, sfruttando i dati per una rapida iterazione.Questo è particolarmente importante nelle applicazioni relative alle perforazioni, in quanto i guasti dei bit sono tipicamente influenzati da una combinazione di fattori strutturali, idraulici, di formazione e operativi, rendendo difficile catturarli completamente con un singolo algoritmo.Integrando modelli meccanici, regole di dominio e dati, l'approccio si allinea meglio con le condizioni di campo reali.
IV. La chiave dell'ottimizzazione online non risiede nel "computare velocemente", ma nel "controllare il ciclo di feedback".
Per far sì che l'intelligenza artificiale si trasformi da uno strumento analitico in un sistema di ottimizzazione online, devono essere chiaramente affrontate quattro questioni chiave: chi fornisce le raccomandazioni, chi le approva e le attua,la frequenza delle revisioni, e in quali circostanze è necessario un intervento umano.In particolare nei tratti di pozzo ad alto rischio, il sistema deve non solo informare il settore su come adeguarsi, ma anche spiegare perché l'adeguamento è necessario, quali sono i rischi associati e quando interrompere le operazioni per la revisione".
Pertanto, i sistemi di ottimizzazione online all'avanguardia adottano in genere un approccio semiautomatico: il modello viene eseguito continuamente e fornisce raccomandazioni in tempo reale,mentre l'esecuzione rimane limitata da limiti meccanici e autorizzazione umanaQuesta architettura sfrutta i vantaggi del processo decisionale basato sui dati senza rinunciare al controllo in loco.È anche la ragione fondamentale per cui i sistemi di perforazione basati sull'IA sono attualmente più facilmente accettati.
V. affinché l'intelligenza artificiale fornisca un vero valore, essa deve essere integrata nei processi post-mortem e di ricerca e sviluppo.
Molte aziende vedono solo risultati modesti dopo aver implementato sistemi di IA, e la causa principale non sono algoritmi scadenti, ma il fatto che i risultati non rientrano nei processi a valle.Se un modello fornisce solo una raccomandazione una tantum senza riporre informazioni sul progettoInfatti, quando le informazioni generate dall'IA possono essere utilizzate per perfezionare i database di usura, il valore del sistema si ridurrà rapidamente.regolare i parametri di taglio, e sviluppare modelli per scenari di applicazione tipici, il sistema diventa sempre più preciso nel tempo.
Per i costruttori di trapano, questo processo a circuito chiuso, che permette di passare senza intoppi dalle operazioni sul campo alla ricerca e sviluppo, è particolarmente importante.ogni decisione proattiva di tirare fuori il filo di trivellazione prima del previsto, e ogni identificazione di modelli di usura dovrebbe servire da input per il prossimo ciclo di aggiornamenti dei prodotti, piuttosto che essere relegata a riassunti unici del progetto.
VI. Raccomandazioni per Xingtong: prima sviluppare un database di drill bit e un motore di analisi post-mortem, quindi discutere la costruzione di una piattaforma di intelligenza artificiale su larga scala.
Per stabilire una presenza credibile nel settore dell'intelligenza artificiale e delle trivellazioni, Xingtong è invitata a costruire prima di tutto tre pilastri fondamentali attorno alle sue risorse di dati più preziose:sviluppare un dizionario dei dati unificato che copra i modelli di trapano, geometrie delle piastre di taglio, configurazioni dei denti di taglio, sezioni di pozzo applicabili e prestazioni storiche; in secondo luogo, creare un atlas completo di morfologie di usura e modalità di guasto,collegamento delle fotografie sul campo con le etichette delle condizioni operativeIn terzo luogo, istituire finestre di parametri e una banca dati dei risultati di una sola esecuzione, che consenta di confrontare e riutilizzare le pratiche di successo in diversi tratti di pozzo.
Su questa base, svilupperemo progressivamente funzionalità quali raccomandazioni di selezione dei prodotti, suggerimenti di ottimizzazione dei parametri e avvisi di anomalie.il sito ufficiale dovrebbe evidenziare in modo prominente le nostre capacità di data closed-loop e optimization parametreCiò che interessa veramente ai clienti guidati dalla tecnologia è se un'organizzazione può sfruttare i dati per integrare senza soluzione di continuità il design, le operazioni,e revisioni post-evento, riducendo in ultima analisi i costi di prova ed errore.
Riferimenti
- Baker Hughes: Informazioni disponibili al pubblico sul software Kantori e sulla trivellazione direzionale automatizzata i-Trak.
- Halliburton: Informazioni disponibili al pubblico sull'integrazione di dati di perforazione intelligente e di perforazione.
- Liu Qingyou: Materiali di ricerca relativi ai futuri sistemi di perforazione intelligenti, tra gli altri.
- Materiali disponibili al pubblico relativi alla conferenza sulla tecnologia dell'intelligenza artificiale per il petrolio e il gas in Cina del 2025.