De acordo com pt.wedoany.com-Quatro casos de implantação em campos localizados em diferentes bacias e que utilizam diferentes métodos de elevação artificial demonstram que a computação de borda e as plataformas de IIoT podem automatizar e otimizar as operações de produção. Esses casos abrangem a Bacia Oriente (IPTC 25145) na região amazônica do Equador, a Bacia Permiana (SPE 216829) no Texas, a Bacia Williston (SPE 222618) em Bakken e a Bacia Haynesville (SPE 229390) na Louisiana, envolvendo diversos tipos como Bombas Submersas Elétricas (ESP), Gas Lift, Bombas de Haste (SRP) e poços de gás intermitente.

Na região amazônica do Equador, um campo maduro com poços ESP enfrentava múltiplas limitações: ausência de sondas de intervenção permanentemente disponíveis, localização remota em selva a mais de 100 km da cidade mais próxima e escassez de mão de obra, onde um único operador era responsável por mais de 60 poços. As operações manuais tradicionais expunham o pessoal a riscos de alta pressão, alta temperatura e perigos elétricos, enquanto a detecção tardia de anomalias resultava em falhas frequentes das ESP e perda de produção. Na Bacia Permiana, operadores gerenciando poços de gás não convencionais com Gas Lift enfrentavam dificuldades para otimizar as taxas de injeção de gás, pois os modelos tradicionais baseados em simulação não conseguiam acompanhar as condições de fluxo intermitente severo e mudanças rápidas. Em Bakken, poços com bombas de haste sofriam ciclos excessivos, com alguns poços parando em média seis vezes ao dia, e os operadores careciam de diagnósticos em tempo real para distinguir entre interferência de gás, golpe de líquido e eventos de batida (tagging events). Na Bacia Haynesville, poços de gás intermitente gerenciados por ciclos de fechamento manuais ou baseados em calendário enfrentavam problemas como drenagem de líquido ineficiente, tempo de parada prolongado e intervenções manuais frequentes.

Todas as quatro implantações compartilham a mesma base arquitetônica: dispositivos de computação de borda robustos instalados no local do poço recebem dados de sensores de alta frequência e executam análises localmente, permitindo controle em malha fechada com tempo de resposta inferior a um segundo (Fig. 1). Apenas resumos e alertas pré-processados são transmitidos para a nuvem, reduzindo o volume de dados em 85% a 95% em comparação com o fluxo de dados brutos dos sensores (SPE 202252, SPE 201411).

Na região amazônica, a aplicação de borda do Operador Automatizado de Poços (AWO) integra quatro fluxos de trabalho: monitoramento inteligente de produção, injeção inteligente de produtos químicos, teste inteligente de poços e equipamentos inteligentes de superfície. Esses fluxos são consolidados em uma única interface de gêmeo digital, suportando operações remotas e autônomas de ESP, injeção de produtos químicos e testes automáticos de poços baseados em aprendizado de máquina. Na Bacia Permiana, uma aplicação de otimização de Gas Lift orientada por dados é executada diretamente no gateway IIoT, otimizando através de testes iterativos de pontos de ajuste da taxa de injeção e implementando acionamento em malha fechada, sem necessidade de modelo de poço ou pessoal em campo. Em Bakken, o fluxo de trabalho baseado em borda combina classificação de diagramas de dinamômetro por aprendizado de máquina com algoritmos de mitigação de ciclo rápido e otimização de produção, operando de forma autônoma e colaborativa no gateway de borda. Na Bacia Haynesville, uma aplicação autônoma de drenagem de líquido combina cálculos de velocidade crítica baseados em física com previsão de duração de fechamento orientada por aprendizado de máquina, controlando dinamicamente o acionamento do estrangulador sem intervenção humana.

Após 17 meses de operação contínua do AWO, a implantação na região amazônica do Equador resultou em um aumento de produção de 6%, com um acréscimo acumulado de 22.300 barris de petróleo. O índice de falhas de ESP caiu de 0,5 para 0,26, evitando pelo menos uma intervenção de grande porte. A duração do teste de poço foi reduzida de 10 horas para 4 horas (uma redução de 60%), com precisão de medição de 95%. A eficiência do operador aumentou em 80% e 26 toneladas de emissões de CO₂ foram evitadas através da redução de deslocamentos em campo. Na Bacia Permiana, a aplicação de otimização de Gas Lift orientada por dados foi implantada em 8 poços de gás não convencionais com Gas Lift. No modo de otimização de poço único, os poços candidatos superaram os poços gerenciados manualmente em 5%; na otimização de múltiplos poços com um grupo de três poços, o aumento de produção variou de 5% a 25%, com um poço anteriormente de baixo desempenho alcançando um aumento escalonado de aproximadamente 20% em um único ciclo de otimização, com todo o fluxo de trabalho executado de forma totalmente autônoma. Em Bakken, um piloto em 8 poços SRP mostrou que a combinação de classificação por aprendizado de máquina, mitigação de ciclo rápido e fluxos de trabalho de otimização de produção resultou em um aumento médio estimado de produção de 15%, um aumento de 3% no tempo de operação e uma redução de 29% nos ciclos da bomba (mantendo o enchimento ideal da bomba), com o mínimo de intervenção humana. Em um poço, através da otimização sistemática da velocidade do VFD, o número de paradas diárias foi reduzido de uma média de 6 para 1. Na Bacia Haynesville, após a implantação da aplicação autônoma de drenagem de líquido em 9 poços de gás intermitente em 8 locais, a produção acumulada de gás aumentou de 70% a 139% (Fig. 2 e Tabela 1) durante um período de otimização de 63 a 83 dias, com ganhos de produção diária de até 350 Mscf/D, e a análise estima um aumento adicional de produção de mais de 80 MMscf por poço por ano.

Os resultados consistentes obtidos em quatro ambientes operacionais distintos (envolvendo diferentes métodos de elevação artificial, geografias, conectividade e maturidade organizacional) validam o potencial da arquitetura IIoT de borda como uma plataforma amplamente aplicável. Em cada caso, a capacidade do dispositivo de borda de executar controle em malha fechada localmente provou ser crucial, como responder a anomalias no diagrama de dinamômetro em uma hora em Bakken ou manter ciclos autônomos de poço por semanas sem conexão com a nuvem em Haynesville. Essas implementações demonstram que a computação de borda, combinando modelos baseados em física com análise orientada por dados, pode viabilizar fluxos de trabalho de otimização autônoma. A arquitetura modular suporta escalabilidade horizontal: o framework AWO na Amazônia foi projetado para ser replicado para mais poços com o mínimo de expansão de hardware; a implantação conteinerizada da solução Haynesville não requer modificações no SCADA.

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

Akshay Dhavale (membro da SPE) é o product champion do Agora Edge AI no escritório da SLB em Houston. Ele lidera o desenvolvimento e a implantação global de soluções de borda para operações de poços e instalações (incluindo elevação artificial, garantia de fluxo e sistemas de segurança de ativos de energia). Sob sua liderança, o Agora Edge AI alcançou implantação global, cobrindo o Sudeste Asiático, África Ocidental e Américas. Com mais de 16 anos de experiência na indústria de software, Dhavale progrediu de desenvolvedor principal a arquiteto de soluções, gerente de projetos e até sua posição atual, trazendo profundidade em toda a pilha de produtos, desde arquitetura de sistemas até estratégia de mercado. Ele é um contribuidor ativo da SPE, tendo publicado artigos de conferência revisados por pares sobre otimização autônoma de poços e tecnologias de produção de borda. Ele possui 4 patentes nos EUA (1 concedida, 3 pendentes) e um mestrado em Engenharia da Computação pela Universidade de Pune, na Índia.

Zeshan Hyder é o product champion do grupo Agora Edge AI no escritório da SLB em Houston, liderando o desenvolvimento de soluções de borda para ativos de energia (incluindo elevação artificial, garantia de fluxo e segurança em operações de poços e instalações). Com mais de 25 anos de experiência na indústria de petróleo e gás, sua carreira abrange engenharia de produção, operações e desenvolvimento de soluções digitais em operadoras e prestadoras de serviços, tanto nacionais quanto internacionais. Sua especialização inclui uma ampla gama de técnicas de otimização de produção, particularmente sistemas de elevação artificial, com foco na integração de análises avançadas, aprendizado de máquina e computação de borda em operações de campo. Hyder publicou vários artigos da SPE sobre otimização autônoma e tecnologias de produção de borda. Ele possui um bacharelado em Engenharia Química pela Texas A&M University e um MBA pela University of Calgary.