Redukcja emisji w procesie wydobycia ropy i gazu za pomocą modułu AI/ML

Thuy Nguyen Thi Thanh, Samie Lee, The Nguyen, Le Quang Duyen
{"title":"Redukcja emisji w procesie wydobycia ropy i gazu za pomocą modułu AI/ML","authors":"Thuy Nguyen Thi Thanh, Samie Lee, The Nguyen, Le Quang Duyen","doi":"10.29227/im-2023-02-43","DOIUrl":null,"url":null,"abstract":"Według (McKinsey & Company, 2020) operacje wiertnicze i wydobywcze odpowiadają za 10% z około 4 miliardów ton CO2 emitowanych rocznie przez sektor ropy i gazu. Aby obniżyć emisję dwutlenku węgla, firmy stosowały różne strategie, w tym wprowadzenie nowego sprzętu, zmianę źródeł energii, przywrócenie równowagi w portfelach produktów i rozwój technologii wychwytywania i utylizacji dwutlenku węgla (CCUS). Ewolucja technologii wraz ze strategią transformacji cyfrowej jest niezbędna do opracowania na nowo i optymalizacji istniejącego modelu pracy, ograniczenia długotrwałych procesów i zwiększenia wydajności w celu zapewnienia zrównoważonego rozwoju. Szczegółowe badania podpowierzchniowe trwają 6–12 miesięcy i obejmują analizę sejsmiczną i statyczną, szacowanie zasobów i symulację w celu wsparcia operacji wiertniczych i wydobywczych. Ręczne i powtarzalne procesy, starzejąca się infrastruktura z ograniczonymi możliwościami obliczeniowymi to czynniki powodujące długi czas obliczeń. Aby stawić czoła złożoności powierzchni podpowierzchniowej, symuluje się setki tysięcy scenariuszy. Każda stacja robocza w której prowadzi się symulację zużywa 24 tys. kWh/miesiąc przez regularne 40 godzin/miesiąc i wytwarza 6,1 kg CO2. Uczenie maszynowe (ML) staje się kluczowe w transformacji cyfrowej, nie tylko oszczędzając czas, ale także wspierając merytoryczne podejmowanie decyzji. Skrócenie czasu o 80%, dzięki modelowaniu sejsmicznemu i statycznemu ML zastosowanemu w badaniu zbiornika pozwoliło na znaczące skrócenie czasu z dni do godzin dzięki wdrożeniu przetwarzania w chmurze w celu symulacji setek tysięcy scenariuszy. Te oszczędności czasu pomagają zredukować emisję CO2, co skutkuje bardziej zrównoważonym rozwojem co wspiera cel postawionym na rok 2050.","PeriodicalId":14535,"journal":{"name":"Inżynieria Mineralna","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2023-12-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Inżynieria Mineralna","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.29227/im-2023-02-43","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

Abstract

Według (McKinsey & Company, 2020) operacje wiertnicze i wydobywcze odpowiadają za 10% z około 4 miliardów ton CO2 emitowanych rocznie przez sektor ropy i gazu. Aby obniżyć emisję dwutlenku węgla, firmy stosowały różne strategie, w tym wprowadzenie nowego sprzętu, zmianę źródeł energii, przywrócenie równowagi w portfelach produktów i rozwój technologii wychwytywania i utylizacji dwutlenku węgla (CCUS). Ewolucja technologii wraz ze strategią transformacji cyfrowej jest niezbędna do opracowania na nowo i optymalizacji istniejącego modelu pracy, ograniczenia długotrwałych procesów i zwiększenia wydajności w celu zapewnienia zrównoważonego rozwoju. Szczegółowe badania podpowierzchniowe trwają 6–12 miesięcy i obejmują analizę sejsmiczną i statyczną, szacowanie zasobów i symulację w celu wsparcia operacji wiertniczych i wydobywczych. Ręczne i powtarzalne procesy, starzejąca się infrastruktura z ograniczonymi możliwościami obliczeniowymi to czynniki powodujące długi czas obliczeń. Aby stawić czoła złożoności powierzchni podpowierzchniowej, symuluje się setki tysięcy scenariuszy. Każda stacja robocza w której prowadzi się symulację zużywa 24 tys. kWh/miesiąc przez regularne 40 godzin/miesiąc i wytwarza 6,1 kg CO2. Uczenie maszynowe (ML) staje się kluczowe w transformacji cyfrowej, nie tylko oszczędzając czas, ale także wspierając merytoryczne podejmowanie decyzji. Skrócenie czasu o 80%, dzięki modelowaniu sejsmicznemu i statycznemu ML zastosowanemu w badaniu zbiornika pozwoliło na znaczące skrócenie czasu z dni do godzin dzięki wdrożeniu przetwarzania w chmurze w celu symulacji setek tysięcy scenariuszy. Te oszczędności czasu pomagają zredukować emisję CO2, co skutkuje bardziej zrównoważonym rozwojem co wspiera cel postawionym na rok 2050.
利用人工智能/ML 模块减少石油和天然气开采过程中的排放量
根据(麦肯锡公司,2020 年),在石油和天然气行业每年排放的约 40 亿吨二氧化碳中,钻探和生产作业占 10%。为了减少碳排放,公司采取了各种策略,包括引进新设备、改变能源来源、重新平衡产品组合以及开发碳捕获和利用技术(CCUS)。技术的发展和数字化转型战略对于重塑和优化现有工作模式、减少冗长流程和提高效率以确保可持续发展至关重要。详细的地下研究需要 6-12 个月的时间,包括地震和静态分析、资源评估和模拟,以支持钻探和生产作业。人工和重复性流程、计算能力有限的老化基础设施都是导致计算时间过长的因素。为了应对复杂的地下情况,需要模拟成百上千种情况。每个模拟工作站每月正常工作 40 小时,每月消耗 24,000 千瓦时,产生 6.1 千克二氧化碳。机器学习(ML)正在成为数字化转型的关键,它不仅能节省时间,还能支持实质性决策。储层研究中使用的地震和静态 ML 建模可将时间减少 80%,通过采用云计算模拟数十万种情况,可将时间从数天大幅减少到数小时。这些时间节省有助于减少二氧化碳排放,从而实现更可持续的发展,支持 2050 年目标。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信