Tilbake til søkeresultatene

PETROMAKS2-Stort program petroleum

Transfer learning for oil and gas wells: unlocking the collective potential of production data from multiple oil fields

Alternativ tittel: Læring på tvers av olje- og gassbrønner: hvordan utnytte det kollektive potensialet i produksjonsdata fra flere oljefelt

Tildelt: kr 6,0 mill.

Prosjektleder:

Prosjektnummer:

327880

Prosjektperiode:

2021 - 2023

Midlene er mottatt fra:

Kunstig intelligens (KI) fører i dag til disrupsjon på tvers av industrier i hele verden; olje- og gassbransjen er intet unntak. Dette prosjektet handler om en helt ny tilnærming til virtuelle strømningsmålere basert på maskinlæringsalgoritmer som lærer av produksjonsdata. En slik virtuell måler hjelper produksjonsteam med å estimere produksjonen fra hver brønn, en kritisk oppgave på felt i drift. Vår underliggende idé er å kombinere og utnytte produksjonsdata fra flere ulike brønner og felt til å øke datamengden og dermed muliggjøre krysslæring, for til slutt å oppnå bedre ytelse til lavere kost. Solution Seeker sin eksisterende database av produksjonsdata fra flere enn 1000 brønner et unikt og avgjørende fundament for prosjektet. Innovasjonen utnytter det kollektive potensialet i produksjonsdata samlet inn over hele verden, til å levere strømningsestimater med høyere nøyaktighet og mindre innsats enn tradisjonelle virtuelle målere. Mer nøyaktige strømningsrater kan potensielt bidra til økt utvinning på opp til 190 millarder kroner på norsk sokkel, og 12.000 millarder kroner globalt. Dette er en enorm mulighet til å skape en KI-suksesshistorie i olje og gass, samtidig som det bidrar til større industrisamarbeid på grunn av den åpenbare fordelen av å dele data på tvers av operatører via en tredjepart som sikrer dataene samtidig som alle deltagere får høyere nøyaktighet på egne modeller. Primærmålet i prosjektet er å utvikle en prototype av en virtuell strømningsmåler basert på krysslæring og teste den på felt i drift med våre partnere. De mest kritiske F&U utfordringene og relaterte aktiviteter i prosjektet er: standardisering av datasett på tvers av felt, nye modellarkitekturer for krysslæring, og utvikling av sanntidskalibreringsstrategier som vedlikeholder modellene. Å løse disse utfordringene gjennom prosjektets planlagte aktiviteter vil føre til en høyst automatisert og nøyaktig virtuell strømningsmåler som lærer fra kontinuerlige datastrømmer fra mange felt. Prosjektet har lykkes med å produsert forskning og innovasjonsresultater som er direkte anvendbare i praksis, og som er med på å forsterke den datadrevne strømningsmålerteknologien. Resultatene har blitt dokumentert i tre forskningsartikler, hvorav en allerede er fagfellevurdert og publisert i en nivå 2 journal. Tema som adresseres i disse artiklene er modellusikkerhet, samt kalibrering, skalering, og monitorering av modellene i drift. I tillegg, så har det blitt skrevet et whitepaper, som beskriver teknologien for et bredere publikum. Prosjektet har også produsert to teknologiresultater. Det ene er en forbedret metode for prosessering og behandling av treningsdata som har opphav fra ulike felter. Den andre er en forbedret metode for å oppdatere datadrevne strømningsmålere. Disse resultatene er av direkte nytte for sanntids anvendelse av datadrevne strømningsmålere.

Prosjektet har vært en stor suksess for Solution Seeker, og resultatene støtter direkte oppunder et produkt basert på datadrevne strømningsmålinger, og er med på å muliggjøre driften av et slikt produkt. Både OKEA og Lundin (nå AkerBP) bruker resultater fra prosjektet i daglig drift av deres offshore olje- og gassfelter som var med i prosjektet, og det er planlagt å ta i bruk teknologien på ytterligere felter fremover. Den datadrevne modellen, som er et nevralt nettverk, leveres nå som en sanntidsbasert kunstig intelligens-tjeneste til hele seks operatører av offshore olje- og gassfelt, og vi er i ferd med å sette den opp for ytterligere to kunder. Totalt har prosjektresultatene potensialet til å påvirke til sammen nesten 2000 brønner fordelt over Asia, Europa, Nord- og Sør-Amerika med Solution Seekers nåværende kundebase. For de olje- og gassfeltene vi leverer tjeneste til som har mulighet til å sammenligne ytelsene av våre datadrevne modeller med multifasemeter eller fysikkbaserte modeller, observerer vi at vår tjeneste leverer god ytelse. Vi ser også at vi er mye mer skalerbare i måten vi leverer på, og at vi kan levere en tjeneste som er vedlikeholdsfri sett fra kundens perspektiv. Dette oppleves som en stor forbedring ovenfor de tradisjonelle produktene på markedet, og er et stort salgsargument mot fremtidige kunder, og åpner opp for å installere strømningsmålinger på felter hvor dette ellers ville vært lite aktuelt. Et verdidrivende aspekt med denne modellen, utover det å levere sanntids strømningsestimater, er muligheten den gir til å optimere olje- og gassproduksjonen og på den måten utnytte reservoaret og utbygget kapasitet til sitt fulle potensial. Dette gjelder både dag-til-dag optimering av gjennomstrømningen igjennom olje- og gassnetverket, men også hvordan reservoaret utnyttes optimalt over hele levetiden. Modellen er også egnet for andre utforskende offlline studier og analyser. Dette gjør at prosjektresultatene har potensielle ringvirkninger utover sanntidsestimering. I det videre arbeidet bygger vi nå flere applikasjoner rundt modellen for å kunne bidra i en større del av verdikjeden. Vi ser også flere muligheter for å forbedre og videreutvikle metoden, samt generalisere den til nye anvendelser. Vi har også begynt å bruke samme modelleringsteknologi mot andre bransjer, blant annet fiskeoppdrett, hvor vi har et stort prosjekt sammen med Salmon Evolution.

The soaring field of artificial intelligence (AI) is disrupting all industries across the globe, and the oil and gas industry is no exception. This project proposes a completely new approach to virtual flow metering based on machine learning algorithms that learn from production data. A virtual flow meter helps production teams estimate the production from each well, a crucial task in operations. Our underlying idea is to combine and leverage production data from different wells, assets and oil companies to increase the dataset and enable cross-learning, ultimately to achieve better performance at less cost. Since data is the fuel of any successful AI application, Solution Seeker’s existing database of production data from more than 1000 wells is a unique and crucial enabler for the project. The innovation unlocks the collective potential of production data gathered around the world, to deliver flow rate estimates with higher accuracy and much less effort than traditional virtual flow metering systems. Accurate flow rates have the potential to unlock more than 190 BNOK in increased oil recovery on the Norwegian Continental Shelf and 12 000 BNOK globally. This is a huge opportunity to create a lacking AI success story in oil and gas operations, and foster greater industry collaboration since such data sharing across operators through a third party creates a win-win situation with better performance for all. The primary objective of this project is to develop a prototype virtual flow meter based on cross-learning and test it in live operations together with our participating partners. The most critical R&D challenges that the project will face are related to: dataset standardization across assets; creating new model architectures for cross-well learning; and, developing online calibration strategies to keep models up to date. Solving these challenges will lead to a highly automated virtual flow meter that learns from continuous streams of data from multiple fields.

Budsjettformål:

PETROMAKS2-Stort program petroleum