Otimizando operações de perfuração geotérmica com aprendizado de máquina

A geotérmica tem sido considerada uma das fontes de energia mais neutras em carbono, sustentáveis ​​e renováveis ​​que podem fornecer carga de base e energia despachável para a rede. Apesar de seu potencial para ser um ator importante na transição para um futuro líquido zero, a energia geotérmica é atualmente o recurso renovável mais subutilizado devido ao alto custo da energia geotérmica profunda.

Um elemento importante do custo em qualquer projeto geotérmico está relacionado à perfuração e conclusão, respondendo por até 70% do desenvolvimento geral do projeto. Além disso, a indústria de perfuração enfrenta vários desafios quando se trata de perfuração e completação de poços geotérmicos, como baixa taxa de penetração (ROP) e falta de percepção do fundo do poço, resultando em viagens e tempo não produtivo (NPT) gasto em características de formação.

A indústria carece de digitalização e automação, contando com habilidades pessoais e dados antigos. Os sistemas de perfuração existentes são projetados para bacias de hidrocarbonetos com lamas à base de petróleo, limitando sua utilidade para formações geotérmicas e de rocha dura. Os sistemas atuais também são baseados em perfuração rotativa, enquanto o setor de perfuração geotérmica requer novas tecnologias como percussão e perfuração térmica sem contato.

A transformação digital da indústria de energia upstream gerou um crescimento exponencial nas quantidades e tipos de dados gerados nos últimos anos. Avanços em Aprendizado de Máquina (ML) e Inteligência Artificial (IA) estão criando oportunidades para inovação e otimização na indústria de perfuração geotérmica. Essas ferramentas inovadoras melhoram a precisão e o custo da exploração geotérmica e otimizam as operações geotérmicas – reduzindo o custo geral da energia geotérmica.

O uso de algoritmos de Machine Learning pode ajudar a identificar respostas anômalas nos dados e diferenciar entre problemas de perfuração e dificuldades operacionais ou logísticas. Ao desenvolver estratégias de remediação com base nas descobertas, pode ser possível reduzir o risco de projetos de calor geotérmico profundo e torná-los mais atraentes para os investidores.

O projeto OptiDrill é financiado pela bolsa Horizon 2020 da Comissão Europeia, que visa desenvolver módulos de aprendizado de máquina sob um sistema consultivo unificado. Cada módulo será responsável pela análise, previsão ou otimização de um aspecto do processo de perfuração ou conclusão.

O projeto do sistema OptiDrill gira em torno do desenvolvimento de um sistema que pode melhorar a eficiência da perfuração em qualquer formação. O foco é aproveitar os dados existentes e a transferência de conhecimento, resolver os problemas existentes e aprimorar os métodos e tecnologias existentes, empregando as seguintes abordagens em uma estrutura integrada do sistema consultivo de perfuração geotérmica OptiDrill:

• Digitalização de dados de perfuração anteriores e relatórios baseados em texto por meio de métodos de aprendizado profundo de Processamento de Linguagem Natural (NLP) para criar um banco de dados digital de relatórios e problemas diários de perfuração e conclusão, abrindo caminho para a digitalização de relatórios diários de perfuração e permitindo a transferência adicional de conhecimento do setor de petróleo e gás;• Instrumentação do processo de perfuração por meio da implementação de colunas de sensores compatíveis com o equipamento de perfuração e conjunto inferior (BHA) e sistema de transferência de dados juntamente com as respectivas metodologias para medir parâmetros induzidos pela perfuração (como vibrações, carga, torque, fluxo e sinais acústicos) e para interpretar seus efeitos no processo; • Simulação de reservatório e dados experimentais em escala de campo para preencher as lacunas nos conjuntos de dados disponíveis e simular vários cenários de problemas de perfuração, incluindo cenários hipotéticos. Um banco de dados completo e sem lacunas permitirá que os modelos alcancem suas mais altas proficiências de previsão, mesmo em cenários de formação ou situação para os quais há muito poucos dados registrados anteriores disponíveis;• Modelagem de perfuração geotérmica e previsão e otimização de desempenho pelo emprego de uma combinação de máquinas Aprendizado e novos métodos de aprendizado profundo; • Previsão de litologia em tempo real da formação, empregando métodos de aprendizado profundo acoplados em combinação com novos dados de sequências de sensores para validação de modelo e aprimoramento de eficiência; • Previsão e detecção de acionamento de problemas de perfuração por meio de estatística e máquina baseadas em dados Métodos de aprendizado para evitar riscos desnecessários e custosos e reduzir o NPT durante os processos de perfuração e completação;• Modelagem de aprimoramento e completação de poços para agrupamentos de poços horizontais multilaterais e previsão e otimização de desempenho pelo emprego de uma combinação de aprendizado de máquina e novos métodos de aprendizado profundo; • Validação e otimização de modelagem estatística dos modelos de Machine Learning; e• Esquema de ML federado em combinação com algoritmos de ML de autoaprendizagem dará ao sistema OptiDrill uma possibilidade única de ser atualizado a cada nova atividade de perfuração e completação. O recurso garantirá uma capacidade de auto-evolução à prova de futuro do sistema de consultoria OptiDrill.