В современных условиях бурение представляет собой сложные и ресурсоемкие операции, требующие высокого уровня автоматизации и эффективного управления.
Научно-технический подход исследования:
- Анализ ключевых показателей эффективности (КПЭ) в процессах строительства скважин осуществляется на основе математических алгоритмов, разработанных в ходе опытно-промышленных работ на российских объектах, отличительной особенностью которого является учет как данных суточной активности по отчетам, так и по данным ГТИ.
- Применение интерактивных инфографических дашбордов в аналитическом модуле, построенном на базе BI-системы (Business Intelligence).
- Разработка алгоритма расчета оптимальной (композитной) скважины.
Материалы и методы
Исследование выполнено на основе ретроспективного анализа ежедневных отчетов и данных ГТИ. Применялись алгоритмы обработки данных программного комплекса Buroptima, классификация операций IADC, методы сравнения нормативного и фактического времени, а также автоматизированное выявление СНПВ и НПВ.
Постановка проблемы
Для достижения эффективного управления технологическими процессами на буровых площадках необходимо акцентировать внимание на трех ключевых аспектах, влияющих на анализ данных – внедрение автоматизированных систем отчетности, обеспечение прозрачного учета ключевых показателей эффективности, а также организация мониторинга в режиме реального времени позволяют оптимизировать рабочие процессы на буровой и повышать качество принимаемых производственных решений (рисунок 1).
Рисунок 1. Основные аспекты рассматриваемой проблемы
Низкое качество отчетной документации, подготовленной вручную, подчеркивает необходимость перехода к автоматизированным системам формирования отчетности. Ручное заполнение документов может приводить к ошибкам, опечаткам и неоднозначной интерпретации данных. Внедрение автоматизированных систем позволит повысить качество и точность отчетности. Отсутствие прозрачного учета ключевых показателей эффективности (КПЭ) при строительстве скважин свидетельствует о нехватке четкой системы отслеживания и оценки производственных операций на буровых объектах. Внедрение системы мониторинга и автоматизированного учета КПЭ обеспечит более точную оценку результатов строительства скважин.
Недостаточная степень использования данных, получаемых с промысловых объектов, при принятии производственных решений свидетельствует о необходимости повышения эффективности применения информации, поступающей с буровых установок и производственного оборудования. Оптимизация использования таких данных способствует принятию обоснованных производственных решений, основанных на фактических показателях работы оборудования и технологических процессов. Особый потенциал имеет применение ретроспективных исторических данных для предиктивной аналитики, в частности для прогнозирования и предотвращения такого осложнения, как прихваты бурового инструмента.
Решение
Решение в данном случае заключается в разработке кроссплатформенного приложения, позволяющего осуществлять прямой ввод данных на буровой установке посредством понятного и интуитивно воспринимаемого интерфейса. Функциональность такого приложения должна основываться на сочетании макропараметров, вводимых вручную ответственными участниками процесса в базу данных, и данных, автоматически поступающих с датчиков, установленных на буровой площадке.
Для обеспечения перечисленных выше условий в составе программного комплекса Buroptima разработаны два ключевых модуля: аналитический модуль и модуль онлайн-мониторинга.
Приближение к техническому лимиту
Technical Limit (TL), или Theoretical Well Time (TWL), – это универсальный инструмент сокращения оперативного времени строительства скважины исключительно за счет организационных изменений, без необходимости внедрения новых технологий, оборудования или материалов. Данный метод позволяет сформировать процесс, в рамках которого каждый последующий цикл превосходит предыдущий по эффективности. В настоящее время подход «Technical Limit» активно используется крупнейшими мировыми нефтегазовыми компаниями, такими как British Petroleum, Shell, ConocoPhillips, Exxon и др. [5].
Подход, реализованный в ООО «БурОптима», основан на приоритизации существующих и используемых заказчиком технологий. Одновременно возможности обработки данных в программном обеспечении позволяют выявлять конкретные технологические операции или процессы, обладающие потенциалом для сокращения временных затрат.
Для оценки эффективности буровых операций вводится понятие «невидимые потери времени» или «Скрытое непроизводительное время» (Invisible Lost Time, ILT). По сути, СНПВ представляет собой непроизводительное рабочее время буровой бригады, возникающее внутри производительного времени. Значение СНПВ рассчитывается как разница между фактической продолжительностью выполнения операции и установленными нормативами.
Рисунок 2. Баланс времени
Для достижения такого уровня строительства скважины выполняется анализ времени бурения отдельных скважин. Все виды работ разделяются на 120–200 операций, после чего с помощью программного обеспечения Buroptima определяется, на какой из скважин каждая конкретная операция была выполнена наиболее быстро и эффективно (рисунок 2).
Результаты
На самом детализированном уровне, предусмотренном корпоративными стандартами, выделяется отдельная технологическая операция, например спуск одной трубы. Для каждой операции в компании установлены нормативные показатели производительности, контроль за которыми осуществляется как по данным ГТИ, так и по общему балансу времени, что позволяет сопоставлять фактическое значение с плановым (целевым).
Рассмотрим это на примере автоматического распознавания детализированных операций СПО (Running In Hole / Pulling Out of Hole – спуск в скважину / подъем из скважины) для одной скважины, представленном на рисунке 3.
Рисунок 3. Пример автоматического распознавания операции СПО с расчетом СНПВ
На основе подобных примеров формируется так называемая лучшая композитная скважина. Такая скважина конструируется «на бумаге» путем объединения наиболее эффективно пробуренных интервалов. Тем не менее даже в композитной скважине сохраняются неэффективности и элементы непроизводительного времени, что означает, что она все еще далека от идеального варианта.
Рисунок 4. Пример построения лучшей композитной скважины
Исключение скрытого и непроизводительного времени позволяет сформировать проект наиболее практически достижимой скважины. Однако возможно сделать еще один шаг в направлении теоретически достижимой скважины, в которой не только отсутствует непроизводительное время, но и достигается максимальная эффективность всех операций за счет применения лучших существующих технологий.
В ходе работы получили следующие результаты:
- Пересмотр нормативной продолжительности операций на основе детального анализа
- В результате анализа было выявлено более 230 часов СНПВ и свыше 877 часов неактированного непроизводительного времени (НПВ).
- Оптимизирован график ГГД для последующего планирования бурения скважин.
Рисунок 5. Расчет потенциала оптимизации сроков строительства скважины
Итоги
- Пересмотр нормативной продолжительности операций на основе детального анализа.
- В результате анализа было выявлено более 230 часов СНПВ и свыше 877 часов неактированного непроизводительного времени (НПВ).
- Оптимизирован график ГГД для последующего планирования бурения скважин.
Выводы
Основу данного подхода составляет тщательное планирование работ, всесторонний анализ накопленного опыта и его интеграция в процесс строительства последующих скважин, что в конечном итоге способствует формированию эффективной командной деятельности. Дальнейшее развитие подхода предполагает использование собранных массивов исторических данных (включая выявленные 877 часов НПВ) для создания алгоритмов предиктивной аналитики прихватов, что позволит перейти от реактивного управления к проактивному предотвращению аварий.
Литература
1 Tavallali M., Bakhtazma A., Meymandpour R., Sadeghi M., Hamed A. A drilling scheduling toolbox for oil and gas reservoirs // Computer Aided Chemical Engineering. 2015. Proc. 12th Int. Symp. on Process Systems Engineering and 25th European Symp. on Computer Aided Process Engineering. (In Eng)
2 Well construction time optimization leveraging analysis of invisible lost time
4 Alkharouf N.W. Online Analytical Processing (OLAP): A Fast and Effective Data Mining Tool for Gene Expression Databases // Journal of Biomedicine and Biotechnology. 2005. № 181. DOI: 10.1155/JBB.2005.181. (In Eng)
5 De Wardt J.P., Rushmore P.H., Scott P.W. True Lies: Measuring Drilling and Completion Efficiency // SPE Paper 178850-MS. 2016. DOI: 10.2118/178850-MS. (In Eng)
6 Mittal M., Lakhanpal V., Samuel R. Measuring Microinvisible Loss (MILT) Time in Drilling Operations // SPE Paper 199674-MS. 2020. DOI: 10.2118/199674-MS. (In Eng)
7 Yin Q. Drilling performance improvement in offshore batch wells based on rig state classification using machine learning // Journal of Petroleum Science and Engineering. 2020. Vol. 184.DOI: 10.1016/j.petrol.2020.107306. (In Eng)
8 Andersen K., Sjowall P.A., Maidla E.E., King B., Thonhauser G., Zollner P. Case history: automated performance measurement of crews and drilling equipment // SPE Paper 119746-MS. 2009.DOI: 10.2118/119746-MS. (In Eng)
9 Temirchev P., Simonov M., Kostoev R., Burnaev E., Oseledets I., Akhmetov A., Margarit A., Sitnikov A., Koroteev D. Deep neural networks predicting oil movement in a development unit // Journal of Petroleum Science and Engineering. 2020. Vol. 184. DOI: 10.1016/j.petrol.2019.106513.
Zhou X., Tyagi M.,Zhang G., Yu H., Chen Y. Data driven modeling and prediction for reservoir
characterization using seismic attribute analyses and big data analytics // SPE
Paper 195856-MS. 2019. DOI: 10.2118/195856-MS. (In Eng)
