De acordo com pt.wedoany.com-A ORTOmation desenvolveu um otimizador autoaprendizagem em malha fechada, implantado em cinco poços de um campo de petróleo e gás não convencional na Bacia de Delaware (Delaware basin). O otimizador ajusta adaptativamente os parâmetros de gas lift sem a necessidade de modelos de processo ou testes de perturbação na planta.
Durante várias semanas de operação, o otimizador ajustou continuamente os parâmetros de gas lift, maximizando a produção de gás natural dos cinco poços, enquanto reduzia o uso de gas lift em 44%. O otimizador utiliza a vazão de gás natural de cada poço como variável de otimização, enquanto os controladores convencionais atuam como controladores de vazão de gas lift, reduzindo variações em parâmetros críticos e melhorando a economia do gas lift.
O valor econômico ótimo de um poço de gas lift é influenciado por mudanças nas condições econômicas, condições do reservatório e eficiência dos equipamentos. A curva de desempenho de gas lift de cada poço se altera com o envelhecimento do reservatório, e o excesso de gas lift pode eventualmente levar à estabilização ou declínio da produção. Em cenários com múltiplos poços compartilhando uma fonte de gás de lift (como em um campo), o impacto do gas lift na produção varia entre os poços. Quando a capacidade de compressão é limitada, a otimização também deve considerar essas restrições para alocar o gás disponível.
A relação entre gas lift e produção é não linear. Otimizadores tradicionais em malha fechada baseados em modelos requerem conhecimento especializado para desenvolvimento e manutenção, custos que projetos de médio e pequeno porte muitas vezes não conseguem arcar. O novo otimizador autoaprendizagem sem modelo aprende o impacto dos ajustes do processo no lucro operacional ou nos custos, ajustando-se ainda para atender às restrições, reduzindo assim os custos de implementação e a dependência de especialistas.
O otimizador autoaprendizagem é construído sobre o controle convencional, utilizando controladores Proporcional-Integral-Derivativo (PID) para manter a estabilidade do processo. Agentes de otimização (OA1 a OA4) escrevem em cascata o setpoint de cada controlador PID de variável manipulada designada, acessando as medições através de tecnologia de comunicação padrão de sistemas de controle (OPC). Os agentes utilizam algoritmos de processamento de sinais para reduzir o impacto do ruído nas medições e empregam um novo algoritmo de escalada para reduzir a taxa de variação próximo à solução ótima, otimizando gradualmente a operação.
Este teste de campo foi realizado em um campo de petróleo e gás não convencional na Bacia de Delaware (Delaware basin), otimizando cinco poços. O software do projeto foi instalado em um servidor baseado em nuvem, com treinamento de engenheiros de aproximadamente 3 horas via Microsoft Teams. O objetivo do esquema de otimização era maximizar a produção de gás natural de todos os cinco poços, com a vazão de gás produzido como variável de otimização. Funções de penalidade foram projetadas para manter o gas lift operando próximo à taxa crítica. As restrições principais incluíam a posição da válvula de controle de pressão do flare, os limites superior e inferior da vazão de gas lift e o equilíbrio de gas lift entre os poços. Se o modo do controlador de vazão de gas lift estivesse incorreto ou o compressor desarmasse, o otimizador seria pausado.
A comissionamento adotou uma abordagem incremental, com configurações iniciais conservadoras de limites de vazão de gas lift e taxas de variação, ajustadas gradualmente com base nos resultados monitorados pela ferramenta de análise ORTO. Após várias semanas de implantação, os benefícios avaliados foram observados em três aspectos: o uso total de gas lift caiu de aproximadamente 4,7 MMscfd para 2,64 MMscfd, uma redução de cerca de 44%; a produção geral foi maximizada dentro das restrições operacionais; e a variabilidade do gás produzido (desvio padrão em torno da média) foi reduzida em cerca de 40%, contribuindo para a redução do desgaste do equipamento, custos de manutenção e desarmes do processo. Simultaneamente, a redução do gas lift em cada poço diminuiu a pressão no tubing, com uma redução de aproximadamente 8% na pressão do tubing de um poço e 1,5% na pressão do casing, facilitando a extração de gás e líquido do poço.
