fr.wedoany.com Rapport : Quatre déploiements dans des champs pétroliers situés dans différents bassins et utilisant différentes méthodes de levage artificiel montrent que la plateforme de calcul en périphérie et d’Internet industriel des objets (IIoT) permet d’automatiser et d’optimiser les opérations de production. Ces cas couvrent le bassin de l’Oriente en Amazonie équatorienne (IPTC 25145), le bassin permien au Texas (SPE 216829), le bassin de Williston dans le Bakken (SPE 222618) et le bassin de Haynesville en Louisiane (SPE 229390), impliquant divers types de pompes électriques submersibles (ESP), de levage par gaz, de pompes à tiges (SRP) et de puits à gaz intermittents.
En Amazonie équatorienne, un champ mature utilisant des puits ESP est confronté à de multiples contraintes : absence de tours de forage disponibles en permanence pour les interventions, emplacement des puits dans une jungle isolée à plus de 100 km de la ville la plus proche, et pénurie de main-d’œuvre obligeant un seul opérateur à gérer plus de 60 puits. Les opérations manuelles traditionnelles exposent le personnel à des risques de haute pression, haute température et électriques, tandis que la détection tardive des anomalies entraîne des pannes fréquentes des ESP et des pertes de production. Dans le bassin permien, les opérateurs gérant des puits horizontaux non conventionnels par levage au gaz rencontrent des difficultés à optimiser le taux d’injection de gaz, les modèles traditionnels basés sur la simulation ne parvenant pas à suivre les conditions de bouchons sévères et les changements rapides. Dans le Bakken, les puits à pompe à tiges subissent des cycles excessifs, certains s’arrêtant en moyenne six fois par jour, les opérateurs manquant de diagnostics en temps réel pour distinguer les interférences gazeuses, les coups de liquide et les événements de contact (tagging events). Dans le bassin de Haynesville, les puits à gaz intermittents gérés par des cycles de fermeture manuels ou basés sur le calendrier souffrent d’un mauvais déchargement des liquides, de temps d’arrêt prolongés et d’interventions humaines fréquentes.
Tous les quatre déploiements partagent la même architecture de base : installation d’équipements de calcul en périphérie renforcés sur les sites des puits, réception des données des capteurs à haute fréquence et exécution d’analyses localement, permettant un contrôle en boucle fermée avec un temps de réponse inférieur à la seconde (Figure 1). Seuls les résumés et alertes prétraités sont transmis au cloud, réduisant le volume de données de 85 % à 95 % par rapport au flux de données brutes des capteurs (SPE 202252, SPE 201411).
En Amazonie, l’application Edge de l’opérateur de puits automatisé (AWO) intègre quatre flux de travail : surveillance intelligente de la production, injection intelligente de produits chimiques, test intelligent des puits et équipements de surface intelligents, regroupés dans une interface unique de jumeau numérique, permettant des opérations ESP à distance et autonomes, l’injection de produits chimiques et les tests automatiques de puits basés sur l’apprentissage automatique. Dans le bassin permien, une application d’optimisation du levage par gaz pilotée par les données fonctionne directement sur le dispositif de passerelle IIoT, optimisant en testant itérativement les points de consigne du taux d’injection et en mettant en œuvre un pilotage en boucle fermée, sans nécessiter de modèle de puits ni de personnel sur site. Dans le Bakken, un flux de travail basé sur la périphérie combine la classification des diagrammes dynamométriques par apprentissage automatique avec des algorithmes d’atténuation des cycles rapides et d’optimisation de la production, fonctionnant de manière autonome et collaborative sur la passerelle périphérique. Dans le bassin de Haynesville, une application autonome de déchargement des liquides combine des calculs de vitesse critique basés sur la physique avec des prédictions de durée de fermeture par apprentissage automatique, contrôlant dynamiquement le pilotage des étrangleurs sans intervention humaine.
Après 17 mois de fonctionnement continu de l’AWO, le déploiement en Amazonie équatorienne a permis une augmentation de la production de 6 %, avec un cumul de 22 300 barils de pétrole supplémentaires. L’indice de défaillance des ESP est passé de 0,5 à 0,26, évitant au moins une intervention majeure de réparation. La durée des tests de puits est passée de 10 heures à 4 heures (réduction de 60 %), avec une précision de mesure de 95 %. L’efficacité des opérateurs a augmenté de 80 %, et 26 tonnes d’émissions de CO₂ ont été évitées grâce à la réduction des déplacements sur site. Dans le bassin permien, l’application d’optimisation du levage par gaz pilotée par les données a été déployée sur 8 puits horizontaux non conventionnels. En mode d’optimisation par puits unique, les puits candidats ont surpassé les puits gérés manuellement de 5 % ; dans l’optimisation multi-puits d’un groupe de trois puits, l’augmentation de la production a varié de 5 % à 25 %, un puits auparavant sous-performant ayant enregistré une augmentation progressive d’environ 20 % en un seul cycle d’optimisation, l’ensemble du flux de travail s’exécutant de manière entièrement autonome. Dans le Bakken, un essai sur 8 puits SRP a montré que la combinaison de la classification par apprentissage automatique, de l’atténuation des cycles rapides et des flux de travail d’optimisation de la production a permis, avec une intervention humaine minimale, une augmentation moyenne estimée de la production de 15 %, une amélioration du temps de fonctionnement de 3 %, et une réduction des cycles de pompe de 29 % (en maintenant un remplissage optimal de la pompe). Sur un puits, grâce à une optimisation systématique de la vitesse du variateur de fréquence (VFD), le nombre d’arrêts quotidiens est passé d’une moyenne de 6 à 1. Dans le bassin de Haynesville, après le déploiement de l’application autonome de déchargement des liquides sur 9 puits à gaz intermittents répartis sur 8 sites, la production cumulée de gaz a augmenté de 70 % à 139 % sur une période d’optimisation de 63 à 83 jours (Figure 2 et Tableau 1), avec des gains de production quotidiens allant jusqu’à 350 Mscf/j, et une analyse estimant une augmentation supplémentaire de plus de 80 MMscf par puits et par an.
Les résultats cohérents obtenus dans quatre environnements opérationnels différents (impliquant différentes méthodes de levage artificiel, géographies, connectivités et maturités organisationnelles) valident le potentiel de l’architecture IIoT périphérique en tant que plateforme largement applicable. Dans chaque cas, la capacité de l’équipement périphérique à exécuter un contrôle en boucle fermée localement s’est avérée cruciale, par exemple pour répondre à une anomalie de diagramme dynamométrique en une heure dans le Bakken, ou pour maintenir des cycles de puits autonomes pendant plusieurs semaines sans connexion cloud dans le bassin de Haynesville. Ces mises en œuvre montrent que la périphérie, en combinant des modèles basés sur la physique avec des analyses pilotées par les données, permet de réaliser des flux de travail d’optimisation autonomes. L’architecture modulaire soutient une expansion horizontale : le cadre AWO en Amazonie est conçu pour être reproduit sur davantage de sites de puits avec un minimum d’extensions matérielles ; le déploiement conteneurisé de la solution Haynesville ne nécessite aucune modification du SCADA.
Lectures complémentaires : SPE 216829 « A Robust Method for Data-Driven Gas-Lift Optimization », par A. Gambaretto et K. Rashid, SLB ; IPTC 25145 « Automated Well Operator—AWO: The Future of Production Operations », par S. Guaigua, H. Quevedo et L. Bustamante et al., SLB ; SPE 202252 « Edge Computing: A Powerful and Agile Platform for Digital Transformation in Oilfield Management », par A. Sharma, P. Samuel et D. Gupta et al., SLB ; SPE 201411 « Edge Computing: Continuous Surveillance and Management of Production Operations in a Cost-Effective Manner », par A. Sharma, P. Samuel et G.M. Gey et al., SLB ; SPE 222618 « Enhancing Edge-Based SRP Production Optimization Algorithm With Fast-Loop Mitigation », par Z. Hyder, M. Yermekova et C. Kemp et al., SLB ; SPE 229390 « Smart Liquid-Unloading IIoT Application for Gas Wells in the Haynesville Basin », par A. Gambaretto, C. Kemp et R. Marin Nunez et al., SLB.
Akshay Dhavale (membre SPE) est le champion produit (product champion) d’Agora Edge AI au bureau de SLB à Houston. Il dirige le développement et le déploiement mondial de solutions périphériques pour les opérations de puits et d’installations (y compris le levage artificiel, l’assurance écoulement et les systèmes de sécurité des actifs énergétiques). Sous sa direction, Agora Edge AI a été déployé à l’échelle mondiale, couvrant l’Asie du Sud-Est, l’Afrique de l’Ouest et les Amériques. Fort de plus de 16 ans d’expérience dans l’industrie du logiciel, Dhavale est passé de développeur principal à architecte de solutions, chef de projet, jusqu’à son poste actuel, apportant une profondeur sur l’ensemble de la pile produit, de l’architecture système à la stratégie de marché. Il est un contributeur actif de SPE, ayant publié des articles de conférence évalués par des pairs sur l’optimisation autonome des puits et les technologies de production périphériques. Il possède 4 brevets américains (1 accordé, 3 en instance) et un master en génie informatique de l’Université de Pune, en Inde.
Zeshan Hyder est le champion produit (product champion) du groupe Agora Edge AI au bureau de SLB à Houston, dirigeant le développement de solutions périphériques pour les actifs énergétiques (y compris le levage artificiel, l’assurance écoulement et la sécurité des opérations de puits et d’installations). Avec plus de 25 ans d’expérience dans l’industrie pétrolière et gazière, sa carrière couvre l’ingénierie de production, les opérations et le développement de solutions numériques pour des opérateurs et des entreprises de services nationaux et internationaux. Son expertise inclut un large éventail de techniques d’optimisation de la production, en particulier les systèmes de levage artificiel, avec un accent sur l’intégration de l’analyse avancée, de l’apprentissage automatique et du calcul en périphérie dans les opérations de terrain. Hyder a publié plusieurs articles SPE sur l’optimisation autonome et les technologies de production périphériques. Il est titulaire d’une licence en génie chimique de l’Université Texas A&M et d’un MBA de l’Université de Calgary.
