I det kompetansebyggende prosjektet KPN New Hydrate Management kombinerer SINTEF og NMBU nye eksperimentelle metoder for ekstraksjon av spesifikke komponenter fra råolje med maskinlæring. Målet er å identifisere noen spesifikke kjemiske komponenter i råoljen som vi vet har positiv effekt på produksjonen og bruke denne kunnskapen til å redusere kjemikaliebruk og miljøbelastning.
Gasshydrater er en is-lignende struktur som dannes under høyt trykk og lav temperatur. Vannmolekylene organiserer seg i gitterstrukturer som «fanger» gassmolekyler. Disse gitterstrukturene kan vokse til å bli partikler. Partiklenes overflate er i utgangspunktet det som kalles for «vannfuktende» og to hydratpartikler vil fort kunne koble seg sammen med en «vannbro». Når mange nok slike partikler gjør dette så får man store klumper med hydrat, eller de starter å vokse på en overflate, f.eks innsiden av et rør og kan til slutt blokkere hele røret.
Hydrathåndtering – energikrevende og farlig
Gasshydrater er blant de største utfordringene i olje- og gassproduksjon. De tradisjonelle metodene for å håndtere gasshydrater bidrar til en vesentlig del av utslippene fra petroleumssektoren, hovedsakelig gjennom bruk av store mengder strøm for å holde milevis med rør varme eller store mengder kjemikalier som må regenereres i energi- og plasskrevende prosesser. En nylig studie konkluderte med at CO2-utslippene fra oljeproduksjon kan reduseres med 20 – 30% hvis man kan produsere helt uten å bruke disse tradisjonelle hydrathåndteringsmetodene*. Hvordan kan man gjøre det? Det har i flere tiår vært kjent at noen oljer ikke får problemer selv om det dannes hydrater og det har blitt vist til at disse inneholder naturlig forekommende komponenter som gir disse egenskapene slik at man kan transportere oljen trygt, selv med hydrater.
Hva er naturlige hydratinhibitorer?
Hvilke komponenter er dette? Det vet vi ikke, men fra tidligere studier gjennomført av blant annet SINTEF, Equinor og TotalEnergies så har det vært vist at det kan være noen spesifikke organiske syrer eller andre kompliserte molekyler, for eksempel asfaltener, som kan bidra til disse naturlig hydratinhiberende egenskapene. En grunn til at disse komponentene fortsatt ikke er identifisert, er de antatt svært lave konsentrasjonene og den generelle kjemiske kompleksiteten til råoljer.
Maskinlæring for å finne nåla i høystakken
I prosjektet «New Hydrate Management» bruker SINTEF og NMBU maskinlæring til å analysere store og kompliserte datasett. Disse dataene kommer fra et høyoppløselig massespektrometer (FT-ICR MS) som er utviklet for på en svært nøyaktig måte å kunne skille mellom komponenter på molekylnivå. En vanlig måte å forklare FT-ICR MS sammenlignet med andre metoder er at sistnevnte ser skogen i fugleperspektiv, mens FT-ICR MS går ned på skogbunnen og kan se alle busker, gresstrå, mose og sopp. Det KPN New Hydrate Management gjør er å analysere FT-ICR MS-data fra mange ulike råoljer og sammenligne med kunnskap om disse råoljenes iboende hydrategenskaper. De veldig detaljerte datasettene krever avansert multivariat dataanalyse og maskinlæring for å finne «nåla i høystakken», altså de hydrataktive komponentene som er ansvarlige for ikke-pluggende gasshydrater.
Kunnskap gir miljøgevinst
Resultatene fra prosjektet skal brukes til å utvikle metoder og kunnskap som kan gi betydelig reduksjon i miljøbelastningen fra oljeproduksjon. Dette oppnås ved at man på en sikker måte kan produsere olje innenfor området for hydratdannelse uten bruk av varme eller tilsatte kjemikalier. Vi er da tilbake til den «tradisjonelle» versus den kunnskapsbaserte hydratstrategien som selskapene ønsker å benytte seg av i større grad. Resultatet av en slik tilnærming er økt miljøgevinst ved redusert energi- og kjemikaliebruk.
Forskning gir resultater
Til nå i prosjektet har vi testet flere oljer med ulike hydrategenskaper ved SINTEFs Flerfaselaboratorium på Tiller, tatt ut prøver og analysert på SINTEF sin lab på NTNU. De første analysene viser at vi har klart å oppkonsentrere de hydrataktive komponentene med vår nye metode. Vi har også vist, ved å tilsette oppkonsentrerte hydrataktive komponenter at de endret oljens hydratagenskaper i ønsket retning. Dette bygger opp under tidligere studier og analyser gjennomført i tidligere prosjekter ledet av blant annet SINTEF, Equinor og TotalEnergies. Nye metoder innenfor multivariat dataanalyse for å analysere oljenes sammensetning og hydrategenskaper er utviklet. Gjennom det videre arbeidet frem til prosjektslutt så har vi et godt håp om å komme nærmere «nåla i høystakken», altså de hydrataktive komponentene som gjør råoljer ikke-pluggende. Dersom vi lykkes, vil dette være et viktig bidrag til en mer bærekraftig energiproduksjon. I tillegg vil metodene som blir utviklet i prosjektet, særlig de innen maskinlæring og dataanalysene, være nyttige også utenfor olje- og gassforskning.
* Technical and environmental evaluation of a hydrate cold flow technique to produce an oil reservoir using a ling tie-back and comparison against traditional development concepts, the 41st International Conference on Ocean, Offshore and Arctic Engineering (OMAE 2022) in Hamburg, Germany in June 2022
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, accepted)
- 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, accepted)
Prosjektstøtte og partnere
KPN New Hydrate Management er støttet av Forskningsrådet (prosjektnummer 294636). NMBU, OMV, Wintershall DEA, Equinor og TotalEnergies er partnere.
0 kommentarer på “Maskinlæring reduserer miljøbelastningen fra oljeproduksjon”