Thuy Nguyen Thi Thanh, Samie Lee, The Nguyen, Le Quang Duyen
{"title":"利用人工智能/ML 模块减少石油和天然气开采过程中的排放量","authors":"Thuy Nguyen Thi Thanh, Samie Lee, The Nguyen, Le Quang Duyen","doi":"10.29227/im-2023-02-43","DOIUrl":null,"url":null,"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.","PeriodicalId":14535,"journal":{"name":"Inżynieria Mineralna","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2023-12-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Redukcja emisji w procesie wydobycia ropy i gazu za pomocą modułu AI/ML\",\"authors\":\"Thuy Nguyen Thi Thanh, Samie Lee, The Nguyen, Le Quang Duyen\",\"doi\":\"10.29227/im-2023-02-43\",\"DOIUrl\":null,\"url\":null,\"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.\",\"PeriodicalId\":14535,\"journal\":{\"name\":\"Inżynieria Mineralna\",\"volume\":null,\"pages\":null},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2023-12-31\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Inżynieria Mineralna\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.29227/im-2023-02-43\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Inżynieria Mineralna","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.29227/im-2023-02-43","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
Redukcja emisji w procesie wydobycia ropy i gazu za pomocą modułu AI/ML
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.