Forskning på oljers kjemi kan både bidra til å redusere kjemikalie- og energibruk og å forstå mekanismene bak gode hydrategenskaper.
I samarbeid med industrien og akademia har SINTEF ved Flerfaselaboratoriet på Tiller i mange tiår forsket på hva det er som gjør at noen oljer blokkerer rørene, mens andre ikke gjør det. Forskningen har hatt direkte innvirkning på beslutninger for olje- og gassindustrien og gitt sikrere produksjon, store kostnadsbesparelser for selskaper, i tillegg til viktige bidrag for miljøet.
De siste tre årene har SINTEF AS og Norges miljø- og biovitenskaplige universitet (NMBU), sammen med industripartnerne Equinor ASA, Wintershall Dea Norge AS, OMV (Norge) AS og TotalEnergies EP Norge AS, gjennomført et forskningsprosjekt for å øke kunnskapen gasshydrater i olje- og gassproduksjon. Prosjektet, KPN Hydrate Management, har vært finansiert av Forskningsrådet og industripartnerne og har hatt tittelen Fremtidens hydratkontroll: Ny forståelse av hydratfenomener i oljesystemer for å sikre trygge operasjoner innenfor hydratlikevektsområdet.
Forskning på gasshydrater
Gasshydrater er is og snø-lignende strukturer som kan stanse flyten av olje- og gasstransport fra havbunn til plattform, også kalt «plugging». Hydratplugger er svært kostnadskrevende og risikable å smelte og bør derfor unngås for enhver pris.
Hydratdannelse styres av ulike faktorer som vil variere avhengig av feltet (det vil si reservoaret oljen kommer fra). Temperaturer på havbunnen og trykket i rørledningen er de viktigste parameterne, men i tillegg vil de fysiske og kjemiske egenskapene til oljen og vannfasen også ha en stor innvirkning. De tre hovedstrategier for å forhindre blokkering på grunn av gasshydrater er å holde trykk og temperatur utenfor hydratområdet, varme opp rørveggen slik at hydratene ikke fester seg og bruk av kjemikalier. Likevel er ingen av disse strategiene optimale da trykket og temperatur er styrt av dybde og havbunnstemperatur, mens installasjon av oppvarming er dyrt, eller ofte ikke mulig å få til dersom et felt allerede er i produksjon. Kjemikaliebruk har både praktiske, kostnad- og miljøutfordringer, men er ofte den enkleste og vanligste løsningen for å unngå hydrater.
Les mer om forskning på gasshydrater for OMV på SINTEF.no
Forskningsprosjektet ønsket å se om forskning på oljers kjemi kunne utnyttes til både å redusere kjemikaliebruk og hjelpe til med å forstå mekanismene bak gode hydrategenskaper. Bakgrunnen var antagelsen om at det finnes kjemiske stoffer i oljene som hindrer hydratpartiklene fra å klumpe seg sammen. Dette ønsket prosjektet å studere nærmere ved bruk av eksperimenter, analytisk kjemi og maskinlæring/KI.
Hydrataktive komponenter – hva er det?
Tidligere forskning har vist at oljer fra noen oljefelt danner «gode» gasshydrater, mens andre danner «dårlige». De dårlige vil kunne føre til blokkering av rørledningen, mens de gode har vist seg å kunne transportere gasshydrater uten at det gir problemer med blokkering.
Årsaken til at det finnes «gode» oljer i forbindelse med gasshydrater er at mange oljer inneholder naturlige komponenter som har den egenskapen at de hindrer gasshydrater fra å klumpe seg sammen. Disse komponentene kan sies å være «hydrataktive», og det er disse komponentene KPN HyMa var ute etter å finne.
Hvordan finne hydrataktive komponenter?
En hovedproblemstilling i prosjektet var om det var mulig å finne mer ut av hva disse hydrataktive komponentene er. Derfor ble det ved prosjektets start stilt følgende spørsmål:
- Hva slags kjemiske stoffer finnes i oljene som hindrer hydratplugging?
- Hvilke mengder av de kjemiske stoffene finnes i disse oljene?
- Hvilken sammenheng er det mellom de kjemiske sammensetningene i oljene og egenskapene til hydrater som dannes?
For å få svar på dette utførte SINTEF eksperimenter og studier av en mengde forskjellig oljer fra norsk og internasjonale felt. Eksperimentene besto i å bruke en metode for å indeksere hydrategenskapene til oljer.
Denne indeksen bestemmes gjennom en rekke tester, som til slutt putter oljen på en skala mellom -1 og +1. Jo lavere verdi på denne skalaen, dess større sannsynlighet er det for at oljen vil være en «dårlig» olje. I tillegg ble det utført en prosedyre der målet var å oppkonsentrere, det vil si øke mengden, hydrataktive stoffer.
Oljeprøver fra både hydratindeks og oppkonsentrering ble videre analysert med FT-ICR MS (Fourier-transform ion cyclotron resonance mass spectroscopy) og infrarød og nærinfrarød spektroskopi. Disse metodene gir det som kalles «spektre» som brukes til å «se» den kjemiske strukturen til stoffer. I tillegg vil man dersom man har analysert mange forskjellige stoffer kunne bruke datamodeller og algoritmer til å hente ut informasjon som er vanskelig å finne kun ved å se på spektrene.
Hvor godt eller dårlig strømmer en olje i et rør når hydrater dannes?
Det ble også gjort eksperimenter for å studere egenskapene til oljene ved rørstrømning når hydrater blir dannet. Disse testene, såkalte «hjulforsøk», ble utført ved bruk av SINTEFs strømningshjul. Målet var å sammenligne transport- og plugge-egenskapene for de ulike oljene under relevante trykk og temperaturforhold og samle data for å utvikle nye datamodeller som kan lære oss mer om hydratdannelse i rørtransport.
Dataene fra strømningshjulet ble brukt til å utvikle og teste nye algoritmer og modeller som vil brukes i videre studier av blant annet SINTEF og de andre forskningspartnerne i prosjektet.
Brukte maskinlæring for å lete etter hydrataktive komponenter
Dataene fra SINTEFs FT-ICR MS instrument ble brukt av PhD stipendiaten ved NMBU for å trene og teste maskinlæringsmodeller. PhD-student Elise Lunde Gjelsvik og veileder Professor Kristin Tøndel ved NMBU, gjennomførte analysearbeidet der målet var å finne mønstre og å hente ut informasjon som kunne hjelpe oss å identifisere hydrataktive stoffer i råoljene basert på prøvene som var analysert.
Analysearbeidet viste at selv med avanserte målemetoder (FT-ICR MS) og maskinlæring var det utfordrende å bekrefte hvilke komponenter i råolje som var hydrataktive. Likevel viste resultatene at noen generelle kjemiske strukturer gikk igjen i de oppkonstruerte prøvene, slik som sulfoksider, naftensyrer og asfaltener, i tillegg til polyetylenglykol (PEG) som tilsettes i oljeproduksjonen. Resultatene er publisert i flere fagfellevurderte journaler, på konferanser og til industripartnerne.
Mål som ble oppnådd og gjenstående «mysterier»
Forskningsprosjektet oppnådde mange av sine mål, hvor de viktigste resultatene var å etablere en ny metode for oppkonsentrering, samt identifisering av hydrataktive komponenter under reelle betingelser. Hjulforsøk på åtte råoljesystemer med gasshydrater ble gjennomført og analysert. De nye datamodellene/algoritmer som ble utviklet for å hente ut og tolke informasjon fra hjulforsøkene gav bedre mulighet til å evaluere fysiske og kjemiske betingelser i løpet av hydratdannelsesprosessen.
I tillegg til å utdanne en PhD innen maskinlæring/KI, gav prosjektet en generell økt forståelse av muligheter og utfordringer med bruk av SINTEFs FT-ICR MS instrument for analyser av råoljer og -komponenter. Vi fikk ny kunnskap om styrker og svakheter ved eksperimenter og analysemetoder ble identifisert. Den nye datamodellen/algoritmen for analysere hjulforsøkene vil bli brukt i videre analyser av kommersielle tester for å kunne gi økt forståelse av hydrategenskaper og forhåpentligvis hjelpe operatørene på norsk- og internasjonal sokkel til å produsere tryggere, mer effektivt og med lavere miljøfotavtrykk.
Studiene i KPN HyMa har vist at forskning på oljers kjemi potensielt kan bidra til å redusere kjemikaliebruken for gitte oljefelt, i tillegg til å forstå mekanismer bak gode hydrategenskaper. Fortsatt gjenstår det likevel å løse mysteriet om nøyaktig hvilke komponenter i råoljen som er hydrataktive. Vi har fått en viss forståelse av hvilke typer, men flere studier med mer avansert separasjon og karakterisering trengs for å kunne trekke ut enkeltmolekyler og definere hvilke grupper som er årsaken til de «gode» oljene.
KPN New Hydrate Management er støttet av Forskningsrådet (prosjektnummer 294636). Partnere i prosjektet er SINTEF, NMBU, OMV, Wintershall DEA, Equinor og TotalEnergies.
Referanser
Konferansebidrag
- Successive accumulation of naturally occurring hydrate active components and the effect on the wetting properties (OFCS 2021)
- Machine learning as a basis for better understanding of flow assurance through FT-ICR-MS analysis of gas hydrates (OFCS 2021)
- Towards a machine learning based produced for interpretation of mass spectra for better understanding of hydrate phenomena in oil systems (SSC17 2021)
- Identifying Components Related to Hydrate Formation by Machine Learning-based Variable Selection(OFCS 2022)
- A new high pressure method for successive accumulation of hydrate active components (ECGH2022, June 13-17)
- Utilization of machine learning on FT-ICR MS spectra for improved understanding and prediction of the properties of hydrate-active components (ECGH2022, June 13-17)
- Developing machine learning models for identifying chemical components from wide and short FT-ICR mass spectrometry data (DAISYS Workshop 2022)
NMBU – aktiviteter og resultater
- Using machine learning-based variable selection to identify hydrate related components from FT-ICR MS spectra (https://doi.org/10.1371/journal.pone.0273084)
- Increased interpretation of deep learning models using hierarchical cluster-based modelling (https://doi.org/10.1371/journal.pone.0295251)
- Current overview and way forward for the use of machine learning in the field of petroleum gas hydrates (https://doi.org/10.1016/j.fuel.2022.126696)
- Crude Oil Density Prediction Improved by Multiblock Analysis of Fourier Transform Ion Cyclotron Resonance Mass Spectrometry, Fourier Transform Infrared, and Near-Infrared Spectroscopy Data (https://opg.optica.org/as/abstract.cfm?uri=as-77-10-1138)
- Combined Approach to Evaluate Hydrate Slurry Transport Properties through Wetting and Flow Experiments (https://doi.org/10.1021/acsomega.2c05773)
- PhD-avhandling: New understanding of gas hydrate phenomena and natural inhibitors in crude oil systems through mass spectrometry and machine learning (Elise Lunde Gjelsvik, NMBU) https://nmbu.brage.unit.no/nmbu-xmlui/handle/11250/3067940
Kommentarer
Ingen kommentarer enda. Vær den første til å kommentere!