Kunstig intelligens og Big Data i petrokjemisk sektor – sensor- og avbildingsteknologi: før og nå

For flere tiår siden spilte geofysisk avbilding en viktig rolle i revolusjoneringen av olje- og gassindustrien. Storskala seismisk avbilding av hydrokarbonreservoarer satt standarden for forvaltning av big data lenge før en så at det var behov for det i andre sektorer. Økt bruk av visualisering av større undervannskonstruksjoner bidro til bedre strategier for olje- og gassutvinning ved å tilrettelegge for bedre og mer fleksible beslutninger. Slik storskala bildebehandling var begrenset til letevirksomheten og det var sjelden en kom på at teknikken kunne brukes i produksjonsvirksomheten.

Teknologien er ikke tatt i bruk i strømningssikringssektoren, som har ansvar for strømningsledningene som frakter olje fra brønnene til offshore-plattformene (eller fra offshore til innretninger på land). I motsetning til i leteaktivitetene bruker denne sektoren måleapparater og sensorer med signaler i sanntid. Det muliggjør rask prosesstyring av hurtigstrømmende systemer.

Overvåking og styring av produksjonen, i dag og i fremtiden

Dagens overvåking og styring av produksjonen er basert på tradisjonelle måleteknologier som opprinnelig ble utviklet for flere tiår siden, og som brukes med god virkning den dag i dag. Hovedmålet er å opprettholde stabile produksjonsrater. Noen av de største utfordringene forbundet med denne prosessen er hydratdannelse, avleiringer, sandtransport og tettpakkede lag (i separatorer). For å håndtere de fleste av disse problemstillingene trengs det forbedringer innen online strømningsmålinger i rørledninger samt mer hensiktsmessige løsninger eller kontrollstrategier basert på forståelse av strømningegenskaper.

I denne artikkelen vil vi se nærmere på hvordan forbedringer innen måle- og sensorteknologien kan fremme nyskapning i den petrokjemiske industrien. Etter skiferoljerevolusjonen vil neste gjennombrudd bestå i å utvikle ideer om hvordan man kan gjøre oljeutvinningen og automatiseringen mest mulig effektiv, noe som igjen vil spare kostnader og føre til billigere oljeproduksjon. Bedre målesystemer vil gjøre det mulig å samle inn detaljert informasjon om strømningsegenskaper som kan brukes til å støtte opp om intelligent beslutningstaking og dermed optimere produksjonen. I fremtiden vil dette ytterligere redusere behovet for menneskelig innblanding i produksjonsoperasjoner.

Forbedre målesystemer

Strømningsratemålinger har tradisjonelt sett blitt gjennomført ved hjelp av Venturi-målere (for differensialtrykk) eller Coriolis-målere for blant annet enfasestrømning. Disse metodene kan imidlertid ikke måle essensielle parametere som gass-, olje- eller vannfasefraksjoner i strømningsledninger. Til slike målinger trengs det flerfasestrømningsmålere. Før ble fasefraksjonsberegninger utført ved hjelp av partielle utskillere som krevde stor plass og var tungvinte å bruke. Selv om en kan utføre gode strømningsmålinger med dagens målesystemer er det fremdeles store forbedringsmuligheter.

De siste tiårene har det blitt utviklet flere typer inline multifasemålere. Enheter som kapasitive sensorer og gamma tetthetsmålere er enkle å bruke og gir rimelig nøyaktige målinger. Sensorene kan måle gass-, olje- og vannfasefraksjoner langs høyden på strømningskanalen. Nyutviklinger innen hurtig dataoverføring online og behandling av sensorpunktmålinger gir bedre forståelse av fremherskende strømningsmønstre, samt bedre faseberegninger.

Flere forskningsinstitutter og selskaper som DNV GL, Christian Michelsens institutt (CMR), FMC og SINTEF satser nå på å perfeksjonere slike teknologier.

Redusere behovet for menneskelige operatører

Den utfordringen som sektoren nå står overfor er hvordan en kan bruke sensorprofilene fra forskjellige punkt på strømningsledninger som grunnlag for intelligent beslutningstaking og optimale operasjoner. En forenklet versjon av disse teknologiene (som kalles virtuelle strømningsmålere) er allerede i bruk. Den bruker trykkmålinger langs strømningsledningene, samt kombinerte og nervesystemlignende nett. Uten hurtig signalbehandling i sanntid trodde man at slike teknologier ikke ville være levedyktige. Men etter at moderne grafikkprosessorer ble stadig mindre og bærbare, kan de nå installeres i prosessområdet og brukes på en effektiv måte. For å kunne redusere behovet for menneskelige operatører og legge til rette for effektive undervannsoperasjoner, er det behov for avanserte styringssystemer som kan håndtere store mengder prosessdata fra flere sensorer.

Individuelle strømningsfaser (gass, vann eller olje) inneholder også dispergerte fraksjoner fra andre faser. Det er ikke mulig å måle fraksjonen eller størrelsen på små dråper/bobler i den rennende strømmen ved hjelp av dagens løsninger. I enkelte situasjoner er målingene i dispergerte systemer ikke særlig nøyaktige. Dersom en kan løse dette problemet, vil en kunne åpne for nøyaktige faseberegninger og nøyaktige målinger av produksjonen. Slike verktøy vil også være svært nyttige i prosessen for separering av olje/vann, der dannelse av tettpakkede lag nå er til hinder for ytelsen. Effektiv bruk av produksjonskjemikalier som emulsjonsbrytere er avgjørende for effektive operasjoner. Dråpesensorer som fungerer i sanntid har muligheten til å revolusjonere separatoroperasjonen.

Forening av kunstig intelligens og big data i stor målestokk.

Noen nyetablerte selskaper som for eksempel SOPAT har utviklet nye konsepter for avanserte laser- og xenonprober som kan overvåke dråpestørrelsen. Bilder av dråpene fanges opp av probekameraer, og dimensjonene måles ved hjelp av deteksjonsprogramvare. Raske parallelliseringsmetoder anvender bærbare grafikkprosessorer som muliggjør bildebehandling i sanntid i prosessområdet. Statistisk logging av dråpemålinger er et mulig første trinn i målesensorprosesser i sanntid. SINTEF forsker nå på hvordan en kan beregne dråpefasefraksjoner ved hjelp av distribusjonsdata. Slike ideer bidrar til å forene kunstig intelligens og big data i stor målestokk.

Multiple probesensorer som monteres langs tverrsnittet (høyden) på rørledningene muliggjør direkte måling av dispersjonslagprofiler. Det krever imidlertid omfattende bildebehandling for hver enkelt måleprobe. Med den utviklingen som nå pågår for å redusere kostnader forbundet med beregninger av hastighet, vil denne prosessen snart bli relativt enkel. Selv om slike prosesser var helt utenkelige bare for noen få tiår siden, vil montering av et stort antall små GPU-chips i prosessområdet muliggjøre slike målinger i nær fremtid. Dersom en i fremtiden lykkes med slikt overvåkingsutstyr vil det, sammen med stordata, fremme utstrakt bruk av avansert kunstig intelligens i oljeutvinningsektoren. Det vil imidlertid ta mange år med utvikling og påvist robust bruk før oljeindustrien er klar til å akseptere slike teknologier.