fr.wedoany.com Rapport : L'optimiseur en boucle fermée auto-apprenant développé par ORTOmation a été déployé sur cinq puits d'un site de forage non conventionnel dans le bassin du Delaware (Delaware basin). Cet optimiseur permet un ajustement adaptatif des paramètres de gas-lift sans nécessiter de modèle de processus ni de tests de perturbation sur site.
Au cours de plusieurs semaines de fonctionnement, l'optimiseur a continuellement ajusté les paramètres de gas-lift, maximisant ainsi la production de gaz naturel des cinq puits tout en réduisant la consommation de gaz de lift de 44 %. L'optimiseur utilise le débit de gaz de chaque puits comme variable d'optimisation, tandis qu'un contrôleur conventionnel sert de régulateur de débit de gaz de lift, afin de réduire les variations des paramètres clés et d'améliorer la rentabilité du gas-lift.
La valeur économique optimale d'un puits de gas-lift individuel est influencée par les conditions économiques, les conditions du réservoir et les variations d'efficacité des équipements. La courbe de performance de gas-lift de chaque puits évolue avec le vieillissement du réservoir, et un gas-lift excessif peut finalement entraîner un plateau ou une baisse de la production. Dans le cas où plusieurs puits partagent une même source de gaz de lift (comme sur un site de forage), l'impact du gas-lift sur la production varie d'un puits à l'autre. Lorsque la capacité de compression est limitée, l'optimisation doit également prendre en compte ces contraintes pour répartir le gaz disponible.
La relation entre le gas-lift et la production est non linéaire. Les optimiseurs en boucle fermée en temps réel basés sur des modèles traditionnels nécessitent une expertise pour leur développement et leur maintenance, ce qui peut être difficile à supporter pour les projets de petite et moyenne envergure. Le nouvel optimiseur en boucle fermée auto-apprenant sans modèle réduit les coûts de mise en œuvre et la dépendance aux experts en apprenant l'impact des ajustements sur le profit ou le coût d'exploitation, puis en ajustant davantage pour respecter les contraintes.
L'optimiseur auto-apprenant est construit au-dessus du contrôle conventionnel, utilisant des contrôleurs proportionnels-intégraux-dérivés (PID) pour maintenir la stabilité du processus. Les agents d'optimisation (OA1 à OA4) écrivent en cascade le point de consigne de chaque contrôleur PID de variable manipulée spécifiée, et accèdent aux mesures via la technologie de communication standard du système de contrôle (OPC). Les agents utilisent des algorithmes de traitement du signal pour réduire l'impact du bruit de mesure et adoptent un nouvel algorithme de montée de colline pour réduire le taux de variation à proximité de la solution optimale, optimisant progressivement l'opération.
Cet essai sur le terrain a été réalisé sur un site de forage non conventionnel dans le bassin du Delaware (Delaware basin), optimisant cinq puits. Le logiciel du projet a été installé sur un serveur basé dans le cloud, et une formation d'environ trois heures a été dispensée aux ingénieurs via Microsoft Teams. L'objectif du plan d'optimisation était de maximiser la production de gaz naturel des cinq puits, le débit de gaz étant la variable d'optimisation, tandis qu'une fonction de pénalité a été conçue pour maintenir le gas-lift autour du débit critique. Les contraintes clés incluaient la position de la vanne de régulation de pression de la torche, les limites supérieure et inférieure du débit de gaz de lift, et l'équilibre du gas-lift entre les puits. Si le mode du contrôleur de débit de gaz de lift était incorrect ou si le compresseur déclenchait, l'optimiseur se mettait en pause.
La mise en service a été réalisée de manière incrémentale, avec des limites de débit de gaz de lift et des taux de variation initialement conservateurs, puis ajustés progressivement en fonction des résultats de surveillance de l'outil d'analyse ORTO. Après plusieurs semaines de déploiement, les bénéfices évalués se sont manifestés sous trois aspects : la consommation totale de gaz de lift est passée d'environ 4,7 MMscfd à 2,64 MMscfd, soit une réduction d'environ 44 % ; la production globale a été maximisée sous les contraintes opérationnelles ; et la variabilité de la production de gaz (écart type autour de la moyenne) a été réduite d'environ 40 %, contribuant à réduire l'usure des équipements, les coûts de maintenance et les déclenchements de processus. Parallèlement, la réduction du gaz de lift par puits a diminué la pression dans le tubing, avec une baisse d'environ 8 % de la pression de tubing et de 1,5 % de la pression de casing pour l'un des puits, favorisant le pompage du gaz et du liquide dans le puits.
