Optimización de las operaciones de perforación geotérmica con Machine Learning

La energía geotérmica se ha considerado una de las fuentes de energía más neutras en carbono, sostenibles y renovables que puede proporcionar tanto energía de carga base como despachable a la red. A pesar de su potencial para ser un actor importante en la transición hacia un futuro neto cero, la geotermia es actualmente el recurso renovable menos utilizado debido al alto costo de la geotermia profunda.

Un elemento importante del costo de cualquier proyecto geotérmico se relaciona con la perforación y la finalización, lo que representa hasta el 70 % del desarrollo general del proyecto. Además de eso, la industria de la perforación enfrenta varios desafíos cuando se trata de la perforación y terminación de pozos geotérmicos, como la baja tasa de penetración (ROP) y la falta de conocimiento del fondo del pozo, lo que resulta en viajes y tiempo improductivo (NPT) gastado en características de la formación.

La industria carece de digitalización y automatización, y se basa en habilidades personales y datos antiguos. Los sistemas de perforación existentes están diseñados para cuencas de hidrocarburos con lodos a base de aceite, lo que limita su utilidad para formaciones geotérmicas y de roca dura. Los sistemas actuales también se basan en la perforación rotatoria, mientras que el sector de la perforación geotérmica requiere nuevas tecnologías como la percusión y la perforación térmica sin contacto.

La transformación digital de la industria energética upstream ha generado un crecimiento exponencial en las cantidades y tipos de datos generados en los últimos años. Los avances en el aprendizaje automático (ML) y la inteligencia artificial (IA) están creando oportunidades para la innovación y la optimización en la industria de la perforación geotérmica. Estas herramientas innovadoras mejoran la precisión y el costo de la exploración geotérmica y optimizan las operaciones geotérmicas, lo que reduce el costo total de la energía geotérmica.

El uso de algoritmos de Machine Learning puede ayudar a identificar respuestas anómalas en los datos y a diferenciar entre problemas de perforación y dificultades operativas o logísticas. Al desarrollar estrategias de remediación basadas en los hallazgos, puede ser posible reducir el riesgo de los proyectos de calor geotérmico profundo y hacerlos más atractivos para los inversores.

El proyecto OptiDrill está financiado por la subvención Horizonte 2020 de la Comisión Europea que tiene como objetivo desarrollar módulos de aprendizaje automático bajo un sistema de asesoramiento unificado. Cada módulo será responsable del análisis, la predicción o la optimización de un aspecto del proceso de perforación o terminación.

El diseño del sistema OptiDrill gira en torno al desarrollo de un sistema que pueda mejorar la eficiencia de perforación en cualquier formación. El enfoque está establecido para aprovechar la transferencia de datos y conocimientos existente, resolver los problemas existentes y mejorar los métodos y tecnologías existentes mediante el empleo de los siguientes enfoques bajo un marco integrado del sistema de asesoramiento de perforación geotérmica OptiDrill:

• La digitalización de datos de perforación anteriores e informes basados ​​en texto a través de métodos de aprendizaje profundo de Procesamiento del lenguaje natural (NLP) para crear una base de datos digital de informes y problemas diarios de perforación y finalización allana el camino hacia la digitalización de informes de perforación diarios y permite la transferencia adicional de conocimiento del sector del petróleo y el gas; • instrumentación del proceso de perforación a través de la implementación de cadenas de sensores compatibles con la plataforma de perforación y el conjunto inferior (BHA) y un sistema de transferencia de datos junto con las respectivas metodologías para medir los parámetros inducidos por la perforación (como vibraciones, carga, par, flujo y señales acústicas), e interpretar sus efectos en el proceso; • Datos experimentales a escala de campo y simulados en yacimientos para llenar los vacíos en los conjuntos de datos disponibles y simular varios escenarios de problemas de perforación, incluidos escenarios hipotéticos. Una base de datos completa e ininterrumpida permitirá que los modelos alcancen sus competencias de predicción más altas, incluso en escenarios de formación o situación para los cuales ha habido muy pocos datos registrados previamente disponibles; • Modelado de perforación geotérmica y predicción y optimización del rendimiento mediante el empleo de una combinación de Aprendizaje y métodos novedosos de aprendizaje profundo;• Predicción litológica en tiempo real de la formación mediante el empleo de métodos acoplados de aprendizaje profundo en combinación con datos novedosos de cadenas de sensores para la validación del modelo y la mejora de la eficiencia;• Predicción y detección de desencadenantes de problemas de perforación a través de estadísticas y Métodos de aprendizaje para evitar riesgos innecesarios y costosos y reducir el NPT durante los procesos de perforación y finalización; • Modelado de mejora y finalización de pozos para grupos de pozos horizontales y multilaterales, y predicción y optimización del rendimiento mediante el empleo de una combinación de aprendizaje automático y métodos novedosos de aprendizaje profundo; • Validación y optimización de modelos estadísticos de los modelos de Machine Learning; y • El esquema de ML federado en combinación con algoritmos de ML de autoaprendizaje le dará al sistema OptiDrill una posibilidad única de actualizarse a través de cada nueva actividad de perforación y terminación. La función garantizará una capacidad autoevolutiva preparada para el futuro del sistema de asesoramiento OptiDrill.

OptiDrill es un proyecto liderado por la industria, y el consorcio está compuesto por 11 socios de perforadores y operadores altamente experimentados, consultores de perforación, organizaciones de investigación y expertos en tecnología, que incluyen:

Los socios del consorcio OptiDrill tienen acceso a datos de perforación y registro de más de 500 pozos y cientos de formaciones que varían desde lutitas blandas hasta rocas ígneas y metamórficas muy duras. Además, obtendremos datos de dos pozos geotérmicos profundos en el Reino Unido: Eden Project (4,5 km) y United Downs Project (5,2 km). Además de los socios de perforación, también tendremos datos del proyecto Parta en Rumania, ÉS-Géothermie (para datos de la cuenca de París, Francia), Koekoekspolder (Países Bajos), Instituto Federal de Geociencias y Recursos Naturales (Alemania) y VITO (Bélgica). ). También estamos en conversaciones con Dago, Hogewerf, ACL, etc., para perforar y registrar datos.

El sistema OptiDrill se validará en condiciones operativas relevantes en el equipo de perforación de un socio en el nivel de preparación tecnológica (TRL) 5.

Los modelos de aprendizaje automático de ROP, litología, problemas de perforación, terminación y mejora de pozos y modelos de optimización de perforación geotérmica acoplada desarrollados por el proyecto OptiDrill están diseñados para mejorar la ROP, la vida útil y la confiabilidad en comparación con las tecnologías existentes. Los modelos ML de optimización de perforación acoplados de OptiDrill en el sistema de asesoramiento de perforación permitirán a los perforadores alcanzar mayores profundidades y temperaturas más altas de manera rentable en todo tipo de formaciones geológicas para la perforación geotérmica. Este proyecto está diseñado para optimizar los parámetros de perforación, acelerando así la producción y la perforación de pozos de inyección para energía geotérmica. Mejorará el crecimiento de la energía geotérmica al reducir significativamente el gasto de capital (CapEx) de la planta de energía geotérmica gastado en la perforación, al mismo tiempo que reduce significativamente el impacto ambiental durante la instalación.

El proyecto OptiDrill está financiado por la Acción de Investigación e Innovación Horizonte 2020 de la Unión Europea en virtud del acuerdo de subvención n.º 101006964.

Divulgación: Cualquier información sobre este trabajo refleja únicamente la opinión del autor, y ni la Unión Europea ni CINEA son responsables del uso que pueda hacerse de la información aquí contenida.

Tenga en cuenta que este artículo también aparecerá en la decimocuarta edición de nuestra publicación trimestral.

Guarde mi nombre, correo electrónico y sitio web en este navegador para la próxima vez que comente.

D