de.wedoany.com-Bericht: Vier Feldimplementierungen in verschiedenen Becken mit unterschiedlichen künstlichen Hebemethoden zeigen, dass Edge-Computing- und Industrial-IoT-Plattformen die Automatisierung und Optimierung von Produktionsabläufen ermöglichen. Diese Fallstudien umfassen das Oriente-Becken in der Amazonasregion Ecuadors (IPTC 25145), das Perm-Becken in Texas (SPE 216829), das Williston-Becken in Bakken (SPE 222618) und das Haynesville-Becken in Louisiana (SPE 229390) und betreffen verschiedene Typen wie elektrische Tauchpumpen (ESP), Gaslift, Gestängetiefpumpen (SRP) und intermittierende Gasquellen.

In der Amazonasregion Ecuadors stand ein altes, reifes Ölfeld mit ESP-Bohrungen vor mehreren Einschränkungen: Es gab keine dauerhaft verfügbaren Workover-Rigs für Eingriffe, die Bohrlöcher befanden sich in abgelegenem Dschungelgebiet mehr als 100 km von der nächsten Stadt entfernt, und Personalknappheit führte dazu, dass ein einzelner Bediener für über 60 Bohrlöcher verantwortlich war. Traditionelle manuelle Arbeitsabläufe setzten das Personal Hochdruck-, Hochtemperatur- und elektrischen Gefahren aus, während verzögerte Anomalieerkennungen zu häufigen ESP-Ausfällen und Produktionsverlusten führten. Im Perm-Becken hatten Betreiber von unkonventionellen Horizontalbohrungen mit Gaslift Schwierigkeiten, die Gaslift-Injektionsrate zu optimieren, da herkömmliche simulationsbasierte Modelle mit starkem Schwallströmung und sich schnell ändernden Bedingungen nicht Schritt halten konnten. In Bakken zyklisierten Gestängetiefpumpenbohrungen übermäßig, wobei einige Bohrlöcher durchschnittlich sechsmal pro Tag ausfielen, und den Bedienern fehlten Echtzeitdiagnosen, um zwischen Gasstörungen, Flüssigkeitsschlag und Pumpenanschlagereignissen (Tagging-Events) zu unterscheiden. Im Haynesville-Becken hatten intermittierende Gasquellen, die manuell oder kalenderbasiert über Zyklusabschaltungen verwaltet wurden, mit schlechter Flüssigkeitsentleerung, verlängerten Stillstandszeiten und häufigen manuellen Eingriffen zu kämpfen.

Alle vier Implementierungen teilen dieselbe Architekturgrundlage: Verstärkte Edge-Computing-Geräte werden an den Bohrlöchern installiert, empfangen hochfrequente Sensordaten und führen Analysen lokal durch, um eine geschlossene Regelung mit Reaktionszeiten im Subsekundenbereich zu ermöglichen (Abbildung 1). Nur vorverarbeitete Zusammenfassungen und Alarme werden an die Cloud übertragen, wodurch das Datenvolumen im Vergleich zum ursprünglichen Sensordatenstrom um 85 % bis 95 % reduziert wird (SPE 202252, SPE 201411).

In der Amazonasregion integriert die Edge-Anwendung „Automatischer Bohrlochbediener“ (AWO) vier Arbeitsabläufe: Intelligente Produktionsüberwachung, intelligente Chemikalieninjektion, intelligenter Bohrlochtest und intelligente Oberflächenausrüstung. Diese Arbeitsabläufe werden in einer einzigen digitalen Zwillingsschnittstelle zusammengefasst, die ferngesteuerte und autonome ESP-Operationen, Chemikalieninjektion sowie maschinenlernbasierte automatische Bohrlochtests unterstützt. Im Perm-Becken läuft eine datengesteuerte Gaslift-Optimierungsanwendung direkt auf dem IIoT-Gateway-Gerät. Sie optimiert durch iteratives Testen von Injektionsraten-Sollwerten und implementiert eine geschlossene Regelung, ohne dass ein Bohrlochmodell oder Personal vor Ort erforderlich ist. In Bakken kombiniert ein Edge-basierter Arbeitsablauf maschinelle Lernklassifikation von Dynamometerdiagrammen mit Algorithmen zur schnellen Zyklusminderung und Produktionsoptimierung, die autonom auf dem Edge-Gateway zusammenarbeiten. Im Haynesville-Becken kombiniert eine autonome Flüssigkeitsentleerungsanwendung physikbasierte kritische Geschwindigkeitsberechnungen mit maschinenlernbasierten Vorhersagen der Abschaltdauer und steuert dynamisch den Drosselantrieb ohne manuelles Eingreifen.

Nach 17 Monaten kontinuierlichem AWO-Betrieb erzielte die Implementierung in der ecuadorianischen Amazonasregion eine Produktionssteigerung von 6 % und einen kumulierten Anstieg von 22.300 Barrel Öl. Der ESP-Ausfallindex sank von 0,5 auf 0,26, wodurch mindestens ein größerer Workover vermieden wurde. Die Bohrlochtestdauer reduzierte sich von 10 auf 4 Stunden (eine Verringerung um 60 %) bei einer Messgenauigkeit von 95 %. Die Bedienereffizienz verbesserte sich um 80 %, und durch die Vermeidung von Vorort-Einsätzen wurden 26 Tonnen CO2-Emissionen eingespart. Im Perm-Becken wurde die datengesteuerte Gaslift-Optimierungsanwendung auf 8 unkonventionellen Horizontalbohrungen mit Gaslift implementiert. Im Einzelbohrloch-Optimierungsmodus übertrafen die Kandidatenbohrungen manuell verwaltete Bohrlöcher um 5 %; bei der Mehrbohrloch-Optimierung in einer Dreiergruppe reichte die Produktionssteigerung von 5 % bis 25 %, wobei ein zuvor leistungsschwaches Bohrloch in einem einzigen Optimierungszyklus eine sprunghafte Produktionssteigerung von etwa 20 % erzielte – der gesamte Arbeitsablauf lief vollständig autonom ab. In Bakken zeigte ein Pilotversuch mit 8 SRP-Bohrungen, dass die Kombination aus maschineller Lernklassifikation, schneller Zyklusminderung und Produktionsoptimierungs-Workflows bei minimalem manuellem Eingriff eine durchschnittliche Steigerung der abgeleiteten Produktion um 15 %, eine Erhöhung der Betriebszeit um 3 % und eine Verringerung der Pumpenzyklen um 29 % (durch Aufrechterhaltung der optimalen Pumpenbefüllung) erreichte. An einem Bohrloch wurde die tägliche Anzahl der Ausfälle durch systematische Optimierung der Frequenzumrichtergeschwindigkeit (VFD) von durchschnittlich 6 auf 1 reduziert. Im Haynesville-Becken führte die Implementierung der autonomen Flüssigkeitsentleerungsanwendung an 9 intermittierenden Gasquellen auf 8 Bohrplätzen während eines Optimierungszeitraums von 63 bis 83 Tagen zu einem kumulierten Anstieg der Erdgasproduktion um 70 % bis 139 % (Abbildung 2 und Tabelle 1), mit täglichen Produktionssteigerungen von bis zu 350 Mscf/D. Analysen schätzen eine jährliche Mehrproduktion von über 80 MMscf pro Bohrloch.

Die konsistenten Ergebnisse in vier unterschiedlichen Betriebsumgebungen (mit verschiedenen künstlichen Hebemethoden, Geografien, Konnektivität und organisatorischer Reife) bestätigen das Potenzial der Edge-IIoT-Architektur als breit anwendbare Plattform. In jedem Fall erwies sich die Fähigkeit des Edge-Geräts, die Regelung lokal zu schließen, als entscheidend – beispielsweise um innerhalb einer Stunde in Bakken auf Anomalien im Dynamometerdiagramm zu reagieren oder im Haynesville-Becken wochenlang autonome Bohrlochzyklen ohne Cloud-Verbindung aufrechtzuerhalten. Diese Implementierungen zeigen, dass Edge Computing durch die Kombination physikbasierter Modelle mit datengesteuerten Analysen autonome Optimierungs-Workflows ermöglicht. Die modulare Architektur unterstützt die horizontale Skalierung: Das AWO-Framework in der Amazonasregion ist für die Nachbildung auf weiteren Bohrlöchern mit minimalem Hardware-Ausbau ausgelegt; die containerisierte Implementierung der Haynesville-Lösung erforderte keine Änderungen am SCADA-System.

Weiterführende Literatur: SPE 216829 „A Robust Method for Data-Driven Gas-Lift Optimization“, Autoren A. Gambaretto und K. Rashid, SLB; IPTC 25145 „Automated Well Operator—AWO: The Future of Production Operations“, Autoren S. Guaigua, H. Quevedo und L. Bustamante et al., SLB; SPE 202252 „Edge Computing: A Powerful and Agile Platform for Digital Transformation in Oilfield Management“, Autoren A. Sharma, P. Samuel und D. Gupta et al., SLB; SPE 201411 „Edge Computing: Continuous Surveillance and Management of Production Operations in a Cost-Effective Manner“, Autoren A. Sharma, P. Samuel und G.M. Gey et al., SLB; SPE 222618 „Enhancing Edge-Based SRP Production Optimization Algorithm With Fast-Loop Mitigation“, Autoren Z. Hyder, M. Yermekova und C. Kemp et al., SLB; SPE 229390 „Smart Liquid-Unloading IIoT Application for Gas Wells in the Haynesville Basin“, Autoren A. Gambaretto, C. Kemp und R. Marin Nunez et al., SLB.

Akshay Dhavale (SPE-Mitglied) ist Product Champion für Agora Edge AI im SLB-Büro in Houston. Er leitet die Entwicklung und globale Implementierung von Edge-Lösungen für Bohrloch- und Anlagenbetrieb, einschließlich künstlicher Hebesysteme, Fließsicherung und Sicherheitssysteme für Energieanlagen. Unter seiner Leitung wurde Agora Edge AI weltweit in Südostasien, Westafrika und Amerika implementiert. Mit über 16 Jahren Erfahrung in der Softwarebranche ist Dhavale vom leitenden Entwickler über Lösungsarchitekten und Projektmanager bis zu seiner aktuellen Position aufgestiegen und bringt fundierte Kenntnisse des gesamten Produktstapels von der Systemarchitektur bis zur Marktstrategie mit. Er ist ein aktiver Beitragender der SPE und hat begutachtete Konferenzbeiträge zu autonomer Bohrlochoptimierung und Edge-Produktionstechnologien veröffentlicht. Er besitzt 4 US-Patente (1 erteilt, 3 anhängig) und einen Masterabschluss in Computertechnik von der Universität Pune, Indien.

Zeshan Hyder ist Product Champion der Agora Edge AI-Gruppe im SLB-Büro in Houston und leitet die Entwicklung von Edge-Lösungen für Energieanlagen, einschließlich künstlicher Hebesysteme, Fließsicherung und Sicherheit für Bohrloch- und Anlagenbetrieb. Mit über 25 Jahren Erfahrung in der Öl- und Gasindustrie umfasst seine Karriere Produktionstechnik, Betrieb und Entwicklung digitaler Lösungen für nationale und internationale Betreiber sowie Dienstleistungsunternehmen. Seine Fachgebiete umfassen ein breites Spektrum an Produktionsoptimierungstechniken, insbesondere künstliche Hebesysteme, mit Schwerpunkt auf der Integration von fortgeschrittener Analytik, maschinellem Lernen und Edge Computing in Feldoperationen. Hyder hat mehrere SPE-Beiträge zu autonomer Optimierung und Edge-Produktionstechnologien veröffentlicht. Er besitzt einen Bachelorabschluss in Chemieingenieurwesen von der Texas A&M University und einen MBA von der University of Calgary.