es.wedoany.com Noticia: La empresa ORTOmation ha implementado un optimizador de autoaprendizaje en lazo cerrado en cinco pozos de un campo no convencional de petróleo y gas en la cuenca del Delaware (Delaware basin). Este optimizador permite el ajuste adaptativo de los parámetros de levantamiento artificial por gas sin necesidad de modelos de proceso ni pruebas de perturbación en la planta.
Durante varias semanas de operación, el optimizador ajustó continuamente los parámetros de levantamiento por gas, maximizando la producción de gas natural de los cinco pozos y reduciendo el uso de gas en un 44%. El optimizador utiliza el caudal de gas de cada pozo como variable de optimización, mientras que los controladores convencionales actúan como controladores de caudal de gas para reducir las variaciones en parámetros clave y mejorar la rentabilidad del levantamiento por gas.
El valor económico óptimo de un pozo individual con levantamiento por gas se ve afectado por cambios en las condiciones económicas, las condiciones del yacimiento y la eficiencia del equipo. La curva de rendimiento del levantamiento por gas de cada pozo cambia a medida que el yacimiento envejece, y un uso excesivo de gas puede eventualmente estabilizar o reducir la producción. En el caso de múltiples pozos que comparten una fuente común de gas de levantamiento (como en un campo), el impacto del gas en la producción varía según el pozo. Cuando la capacidad de compresión es limitada, la optimización también debe considerar estas restricciones para asignar el gas disponible.
La relación entre el levantamiento por gas y la producción es no lineal. Los optimizadores tradicionales en lazo cerrado basados en modelos requieren conocimientos especializados para su desarrollo y mantenimiento, lo que a menudo resulta inasequible para proyectos de pequeña y mediana escala. El nuevo optimizador de autoaprendizaje sin modelo reduce los costos de implementación y la dependencia de expertos al aprender el impacto de los ajustes del proceso en las ganancias operativas o los costos, y luego ajustarse para cumplir con las restricciones.
El optimizador de autoaprendizaje se construye sobre el control convencional, utilizando controladores proporcionales-integrales-derivativos (PID) para mantener la estabilidad del proceso. Los agentes de optimización (OA1 a OA4) escriben en cascada los puntos de ajuste de cada controlador PID de variable manipulada designada y acceden a las mediciones a través de la tecnología de comunicación estándar del sistema de control (OPC). Los agentes utilizan algoritmos de procesamiento de señales para reducir el impacto del ruido de medición y emplean un novedoso algoritmo de escalada para reducir la tasa de cambio al acercarse a la solución óptima, optimizando gradualmente la operación.
Esta prueba de campo se realizó en un campo no convencional de petróleo y gas en la cuenca del Delaware (Delaware basin), optimizando un total de cinco pozos. El software del proyecto se instaló en un servidor basado en la nube, y se realizó una capacitación de aproximadamente 3 horas para los ingenieros a través de Microsoft Teams. El objetivo del plan de optimización era maximizar la producción de gas natural de los cinco pozos, utilizando el caudal de gas producido como variable de optimización, y se diseñaron funciones de penalización para mantener el levantamiento por gas alrededor de la tasa crítica. Las restricciones clave incluyen la posición de la válvula de control de presión de la antorcha, los límites superior e inferior del caudal de gas de levantamiento y el equilibrio de gas entre los pozos. Si el modo del controlador de caudal de gas de levantamiento es incorrecto o el compresor se dispara, el optimizador se detendrá.
La puesta en marcha se realizó de manera incremental, con límites de caudal de gas de levantamiento y tasas de cambio inicialmente conservadores, que luego se ajustaron gradualmente según los resultados monitoreados por la herramienta de análisis ORTO. Después de varias semanas de implementación, los beneficios evaluados se reflejaron en tres aspectos: el uso total de gas de levantamiento se redujo de aproximadamente 4.7 MMscfd a 2.64 MMscfd, una disminución de aproximadamente el 44%; la producción total se maximizó bajo las restricciones operativas; y la variabilidad del gas producido (desviación estándar alrededor de la media) se redujo en aproximadamente un 40%, lo que ayuda a reducir el desgaste del equipo, los costos de mantenimiento y las paradas del proceso. Al mismo tiempo, la reducción del gas de levantamiento en cada pozo disminuyó la presión en la tubería de producción, con una reducción de aproximadamente el 8% en la presión de la tubería de producción de un pozo y una reducción del 1.5% en la presión de la tubería de revestimiento, lo que facilitó la extracción de gas y líquido del pozo.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
