Redukcja emisji w procesie wydobycia ropy i gazu za pomocą modułu AI/ML

Abstract

Według (McKinsey & Company, 2020) operacje wiertnicze i wydobywcze odpowiadają za 10% z około 4 miliardów ton CO2 emitowanych rocznie przez sektor ropy i gazu. Aby obniżyć emisję dwutlenku węgla, firmy stosowały różne strategie, w tym wprowadzenie nowego sprzętu, zmianę źródeł energii, przywrócenie równowagi w portfelach produktów i rozwój technologii wychwytywania i utylizacji dwutlenku węgla (CCUS). Ewolucja technologii wraz ze strategią transformacji cyfrowej jest niezbędna do opracowania na nowo i optymalizacji istniejącego modelu pracy, ograniczenia długotrwałych procesów i zwiększenia wydajności w celu zapewnienia zrównoważonego rozwoju. Szczegółowe badania podpowierzchniowe trwają 6–12 miesięcy i obejmują analizę sejsmiczną i statyczną, szacowanie zasobów i symulację w celu wsparcia operacji wiertniczych i wydobywczych. Ręczne i powtarzalne procesy, starzejąca się infrastruktura z ograniczonymi możliwościami obliczeniowymi to czynniki powodujące długi czas obliczeń. Aby stawić czoła złożoności powierzchni podpowierzchniowej, symuluje się setki tysięcy scenariuszy. Każda stacja robocza w której prowadzi się symulację zużywa 24 tys. kWh/miesiąc przez regularne 40 godzin/miesiąc i wytwarza 6,1 kg CO2. Uczenie maszynowe (ML) staje się kluczowe w transformacji cyfrowej, nie tylko oszczędzając czas, ale także wspierając merytoryczne podejmowanie decyzji. Skrócenie czasu o 80%, dzięki modelowaniu sejsmicznemu i statycznemu ML zastosowanemu w badaniu zbiornika pozwoliło na znaczące skrócenie czasu z dni do godzin dzięki wdrożeniu przetwarzania w chmurze w celu symulacji setek tysięcy scenariuszy. Te oszczędności czasu pomagają zredukować emisję CO2, co skutkuje bardziej zrównoważonym rozwojem co wspiera cel postawionym na rok 2050.