用于现场石油生产优化的数字双胞胎

与设备传感器数据馈送的高频实时连接提供了几个好处，例如促进人力监控，以更好地管理资产，识别和诊断异常和次优操作。但是，正常运行并不一定意味着最佳运行。

为了获得最佳产量，必须在适当的设定值上操作资产。对于动态资产或系统，最佳设定值随时间而变化。在这种情况下，可以利用与设备的工业物联网(IIoT)网络相关的实时数据馈送来开发动态设定值优化机制。

现有的关于人工举升井设定值石油生产优化的文献主要集中在人工模拟、专家设计和推荐，或者通过半自动化的进化、[1]统计或机器学习(ML)模型批量实现。目前关于油气行业数字孪生实现[2]的文献提供了更广泛的整体生产流程优化[3]，但没有关于动态单个资产水平设点优化的文献。完全自动化的设定值推荐需要一个数据处理引擎和一个能够管理、处理和生成大量数据的模拟引擎集成。

代表资产系统的数字双胞胎在确定最佳操作设定点方面很有价值。工业物联网实时数据馈送与数字孪生系统的集成提出了几个挑战，需要详细的设计才能有效实施。本文详细介绍了以下几个方面的实现:数据处理:多资产的分析、清理、转换和云数据库维护;高频数据仿真:自动化云数据库触发的现场数据相关大规模仿真(每天6万+)。

本文中选择的用于展示该方法的具体用例与该井人工举升[4]设备的设定点变化有关，以优化生产系统。

数字孪生原理图

利用实时工业物联网数据设计和实现石油生产系统动态设定点优化的数字双胞胎包括几个步骤。这些都是:

1. 现场数据处理:收集、分析、清理、转换和云数据库维护
2. 仿真:自动云数据库触发现场数据相关仿真
3. 逆建模，包括:
   1. 将真实的工业物联网数据与模拟连接起来，以学习系统未知信息
   2. 评估:估计数字双胞胎对历史上真实世界资产的模仿程度
   3. 校准:使用数字双胞胎的见解来实现初始步骤，以考虑不确定性
4. 人工智能(AI)模型推荐:根据资产的动态趋势，部署自动建议的设置点调整和更新。

本文主要介绍该过程的前两项自动化:数据处理和模拟。这些步骤是在为AI引擎提供信息的背景下描述的，该引擎进一步包括反向建模和模型生成的推荐系统。逆建模和AI模型推荐组件的细节超出了本文的范围。

图1表示整个过程的示意图。需要注意的是，这是一个正在进行的闭环过程，而不是以建议结束的前馈步骤序列。这种区别很重要，主要有两个原因:

1. 在实现模型生成的推荐后，数字孪生(物理系统的实时虚拟表示)需要识别运行状态的变化，记录和评估响应，并触发一个涉及数据处理、仿真和逆向建模的持续循环，以便在提供的推荐需要后续提供新的推荐时调整系统。
2. 数字双胞胎可以评估所有历史设定点变化的影响，并对推荐系统进行微调。

当前状态

在进一步了解数字双胞胎实施的细节之前，有必要通过描述油气行业典型的当前运行状态来了解其范围和潜在影响。

图1中描述的流程已经广泛应用于油气行业。然而，该过程中的每一步都是由主题专家(sme)逐个井手工执行的。人工作业非常耗时，在一口井上进行数据收集、处理、模拟、反向建模，并使用历史匹配模型生成设定值建议，需要几个小时。油井是动态的实体，随着时间的推移，其基本操作条件会发生变化。

此外，由于设计改变、修井、再增产和附近作业(如水力裂缝冲击)的影响，井的行为会出现不连续性。当井行为发生变化时，需要对设定值进行检查或更改。如果认真执行，优化设定值所需的时间投资约为每口井每年7-10天。由于需要投入大量的时间，通常每隔半年或每口井，或者在重新设计或修井时，都会采用基于模拟的设定值优化方法。典型过程的详细信息显示在图2的手动优化部分。

手动优化的自动版本会导致动态优化。该系统可以连续完成所有井从数据收集到设定值推荐的整个过程。通过编程，可以检测油井运行状态的变化，用于生成设定值建议的基础模型会随着井况的变化而更新。

本文中的术语“自动化”指的是通过识别、模板化、存储、调度和执行可重复过程来最小化人为干预的系统的实现。虽然手动生成设定值建议是可行的，但对于由几百口井组成的油田，每当系统发生变化时，手动更新和生成模拟是非常棘手的。与基于物理的建模相比，拇指规则或基于直觉的设定值优化占据了最前沿的位置。

本文的范围和目的是描述一个能够使用基于云的分布式系统自动化大规模仿真和相关数据处理的系统。该系统可以存储、传输和处理数据，然后对与数百口井相关的数千次模拟结果进行排队、执行和存储。

本文的预期影响是为油气行业和其他类似领域的自动化数据处理、仿真、逆向建模和设定值推荐工作流的组件或整体建立管道提供动力，这些领域能够利用工业物联网网络开发本文介绍部分中定义的数字双胞胎。

数据收集

如图1所示，数字双胞胎的第一个组件是:现场数据处理。字段数据包含多样性，图3通过一些示例突出了这种多样性。

关于现场数据，有两种主要类型:传感器数据和元数据。

1.传感器数据:监控和数据采集(SCADA)系统采集资产上各种传感器发出的实时信号。传感器数据的一些一般示例包括:

• 井场、地面设施和井下的压力、流速、温度。
• 其他特定于人工举升设备的例子可能包括诸如:泵频率、电压、压缩机排放和进气压力等细节。

这些传感器信号通过井场遥测收集，并由油井运营商的SCADA提供商传输到基于云的存储中。这些数据通常由运营商用于监控和监视。一旦共享数据传输的访问凭证，传感器数据就可以普遍访问。这些数据是时间序列数据，通常在以时间戳为标题的文件中传输，并包含一段时间内所有资产的传感器信号。值得注意的是，由于网络或电信问题，传感器流可能是断断续续的，交付无序或时间延迟。这些特定于时间的文件可以根据用户的需要聚合并重新构造为表。在本例中，该数据被转换为按资产ID和时间戳索引的表，相应的传感器信号存储在列中。图3中显示了这样一个文件的示例，在标题为“传感器数据:平面文件- csv”的图像中。

2.元数据:为了进一步表示传感器数据所关联的系统，需要该系统的元数据。元数据的例子可以包括但不限于:

• 井名、井位、井斜、完井数据
• 人工举升设备的设计资料
• 井和设施现场的管道和仪表示意图
• 流体特性:压力、体积和温度(PVT)数据。

图3强调了如何以各种格式(如图像、excel表、PDF文档等)提供元数据。自动化的一个关键组成部分是将各种形式的数据数字化到统一的数据存储中。这涉及到创建一个模板，该模板记录元数据的定量细节。图4显示了这样一个元数据的数字化模板示例。一旦数字化，元数据就可以通过API作为层次数据格式(如JSON)提取出来。

需要注意的是，元数据通常不是在单个位置或从单个来源可用的。我们需要大量的手工工作来联系现场操作员，SCADA公司，设备制造商来收集这些数据并将其数字化。在云中创建了统一的参考数据存储空间，以维护和访问原始元数据作为真相来源。

元数据通常是手动输入到系统中，因为它在安装时与井相关联，之后不会改变。当维护事件改变了油井的物理设备时，元数据可能需要根据正在执行的更改进行更新。

数据处理

传感器数据和元数据从各种来源被记录和数字化。进一步的数据处理步骤包括:

• 地图数据
• 分析
• 清理
• 转换
• 标签的事件
• 萎靡不振的变化。

映射:如前一节所述，传感器数据和元数据以不同的格式出现，并以不同的格式存储。来自不同供应商或SCADA系统的类似设备通常具有不同的命名方案，这些传感器标签需要映射到其相应的设备和资产。在名称映射之后，时间序列传感器数据通过按资产ID合并两个数据源映射到其资产元数据。

数据分析:在映射传感器数据和元数据之后，传感器数据将经过一个探索性数据分析(EDA)过程，我们称之为数据分析步骤。在这一步中，我们研究了井的传感器数据的一些特定属性，以确定它是否满足我们模型的要求，我们可以创建一个具有足够数据属性的井队列，用于我们的模型。这些属性包括但不限于监控时间、延时时间/监控时间比、零比和频率。

监测时间可以量化一口井的历史数据量。衰减时间被定义为我们没有从井中接收到任何信号的一段时间，因此衰减时间/监测时间比是用来确定井生命周期中数据可用性的比例。零比率用于查看数据中的实际方差。数据的频率也是我们模型成功的一个关键因素，我们拥有的数据越细，我们的模型的性能就越好。将对上面提到的每个属性应用一组阈值。满足这些阈值的传感器将被检查，以确定它们是否足以满足我们的模型。包含这些合格传感器的井被纳入队列。

下面是一个监测时间阈值的例子，其中监测时间阈值设置为90天，从而将队列中的井数从217口减少到56口。

清理:来自几口井的数据可能包括各种挑战，如井的异常运行状态(例如:关井、维护工作、性能不一致)、故障信号、信号失效、与常规不一致的信号名称。有必要识别这些不一致之处。其中一些可以系统地识别和消除，例如识别信号的虚值，去除异常值，或识别井是否关井。还有其他异常情况需要人工检查，例如，命名不一致的信号，或者不符合模板的元数据元素。

转换:从数据中评估意义或以实时数据的频率生成模拟都是无益的。信号可以记录在不同的时间戳和可变的频率。在本文的工作中，数据被重新采样到每天的频率，以匹配井的产量频率。此外，通过滚动归一化方差系数捕获与正常信号相比的振荡频率/波长、稳定水平等变化相关的特征。不稳定状态与稳定运行状态分开处理。图6和图7表示了使用箱形图和数据的归一化，用于异常值检测和稳定状态的识别。

标签事件:当资产经历逐渐或长期的异常行为状态时，归一化过滤器可能不足以识别和隔离这些时区。一个便于标记的监测平台是一个很好的工具。在本文提出的用例中，这样一个平台被用于通过主题专家评审识别感兴趣的事件。该方法快速、有效、多用途。与标签时间戳相关的数据可以很容易地提取并用于进一步分析，并且可以训练有监督的机器学习模型来检测这种复杂的异常。图8显示了一个专家评审的标签来识别异常时间的图像。

萎靡不振的变化:为了有一个产生设定值变化建议的闭环系统，必须记录系统中的历史和生命设定值变化，以识别和评估对刺激的响应。图9展示了记录标记更改及其响应的示例。注气速率显示设定值，油和水传感器表示对设定值变化的响应措施。在图9中，通过灰色区域表示的设定值变化周期被标记为油管和套管压力处于稳定状态。当井在不正常作业时，测量设定点变化的响应会导致不正确的评估。

在识别异常时，标记变化有其相似之处也有其不同之处。不同的是，异常通常不是人为控制的，通常是无意的。相似点是设定值的变化，异常表示运行状态的变化。这些可以通过有监督的方法(如标记之后的机器学习模型)和无监督的方法(如测量超出阈值的偏差)来识别。本文中的方法是一种有监督的“人在回路”方法，在实施更改之前，由系统生成的设定值建议由操作员监视和审查。这也是向专家增强机器学习[6]迈进的一步，在[6]中，专家对模型生成的建议所提供的反馈被用于调整模型，以在后续轮中提供改进的建议。

虚拟数据仿真

在介绍了物理数据的收集和处理之后，在本节中，我们将继续描述自动生成虚拟数据的方法。仿真代表数字孪生的虚拟数据生成组件。油气优化文献中有丰富的基于模拟的人工举升和气举设定值优化方法的描述。Rashif et al.[7]的论文总结了使用模拟的不同气举优化技术。Borden et al.[8]提出了一种基于监控和工作流程的气举优化方法。Surendra等人通过中东油田的一个案例研究，将分析和基于物理的建模/仿真方法自动化结合，在该领域取得了进一步的进展，该研究包括在不到两周的时间内模拟50口井的方法。

当前论文中提出的工作进一步在现场工业物联网传感器数据和基于云的模拟系统之间建立了实时连接，该系统每天可以从现场数据输入中生成60,000多个模拟。物理数据和虚拟数据之间的耦合是数字孪生的关键组成部分。一个有效的数字双胞胎被期望代表和模拟一个物理系统。因此，所描述的模拟方案与物理数据紧密相连，以保持相关性。

模拟部分包括以下主题:

• 模拟示意图
• 模拟输入
• 模拟输出。

模拟示意图:

采用基于商业瞬态物理的模拟软件，模拟了从油气藏通过井筒和地面设施(包括分离系统和输送流体的管道)的流体流动。

图10表示物理设置及其相应的仿真设置的流程流程图。不同的作业公司、不同的油田，甚至不同的井场，油井和地面设施的示意图可能会有所不同。为物理流程流的每一个变化生成新的精确模拟原理图是一个非常耗时的过程。

出于模板化的目的，模拟方案已经简化为只包括与目标相关的组件。例如:在图10的工艺流程图中，每个流体有多个罐，在模拟示意图中，由于下游罐产生的背压可以忽略不计，因此每个流体只有一个罐。

然而，模板化过程在某些情况下也会增加系统的复杂性。例如，图10中的工艺流程图表示单井系统，与其他井没有连接。然而，相应的模拟示意图包括来自分离器下游其他井的气源。考虑到这一复杂性，使模拟模板成为一个通用的模板，可用于多口井气体管线混合的系统。在单井系统中，该参数值设为零。

模拟参数敏感性使用类似于图6所示示例的箱形图进行评估。观察到，在设定值变化期间，分离器压力(0 ~ 30psi)的变化幅度大于井底压力(0 ~ 3psi)。这种探索性的数据分析有助于模拟设置的设计，从而导致一些关键的决策。例如，降低井底压力被认为是人工举升的主要目标之一。在模拟软件进行的节点分析中，经常发现文献中分离器或井口指定为结束节点[11]。

这样的系统假定在设定值变化期间结束节点压力是恒定的。在之前的版本中，由于假设模拟的井口/分离器压力在注气变化期间保持不变，因此在模拟物理系统的出井压力时遇到了一些挑战。根据箱形图的数据，这被证明是一个错误的假设。

为了模拟分离器压力随注气速率变化而变化的物理系统，将分离器下游的气体销售节点和压缩机节点设置为终端节点。这使得在气体注入变化过程中，模拟输出和物理传感器输出之间具有更好的相关性。

模拟输入:

图10中显示的模拟示意图是基于商业物理的模拟器(如Ledaflow或Olga)的模拟文件的图形用户界面(GUI)表示。每个基于GUI的案例都有一个相关的输入文件，可以大致分为:

1. 静态参数:在整个模拟过程中输入的参数是固定的，例如完井和设计数据、储层流体特性、管道和分离器特性。
2. 动态参数:可以随时间变化的输入参数，如注气速率、储层压力、采出气液比和含水率、销售气背压、其他井气。
3. 已经建立了一个系统，可以根据从存储在No-Sql数据库(如MongoDB或PostgreSQL)上的模拟队列中获得的参数编写模拟输入文件。该系统的体系结构将在随后的部分中进一步阐述。

模拟输入根据表1中描述的参数类型在No-Sql数据库上排队。表1中“已知”部分中描述的参数是根据现场数据记录的。这些参数在模拟队列中根据现场数据的实时趋势进行更新。这些参数的值是根据经过处理的现场数据中观察到的准确工作范围确定的。“未知”对应于难以测量但具有显著敏感性的参数。

这些参数可能包括静态参数，如油管摩擦系数，或动态参数，这些参数变化速率很高。由于这些参数的输入值是未知的，因此在物理护栏的范围内输入这些参数的范围很广。表1中的“近似值”列指的是具有一些来自油田的示例数据，但不是精确的、实时的或特定于井的数据的参数。这些参数由于其静态性质和相对不敏感，可以在较小的范围内近似。

仿真队列由已知参数、未知参数和近似参数的组合组成。根据字段数据的变化率将新的模拟添加到队列中。经过一段时间后，可能不再需要对井进行进一步的模拟，因为历史模拟可能已经覆盖了作业范围。未知参数的范围也随着时间的推移而缩小，因为逆模型提供了基于历史匹配的估计。

本案例中使用的基于物理的商用模拟器是瞬态模拟器。这意味着一些输入参数可以作为时间序列输入，并且这些参数变化的响应可以作为时间序列输出获得。这个细节是模拟设置的一个关键组件，因为模拟的启动和与将输出写入文件相关的后处理对模拟调度有很大的开销。为了减少模拟之间的投入产出开销和过渡相关的延迟，动态参数如储层压力、产能指数等在时间序列中进行步进。

在本例中，将240个仿真案例作为时间序列连接在一起，作为单个项目输入到仿真队列中。从队列中读取的每个项都会生成一个商业模拟器输入文件，其中包含240个连续案例。每个模拟文件的案例数已经启发式地作为最佳方案得到。如果每个文件输入大量的case，可能会使系统内存过载并输出大文件，这可能导致系统崩溃。每个仿真文件输入的案例数量较少，导致模拟器的瞬态功能利用不足，并且在仿真输入-输出过程中损失时间。

模拟输出:

每个模拟文件为模拟输入部分中描述的240个案例生成时间序列输出。模拟输出被更新为与其输入相关联的No-Sql数据库项。Python脚本用于从No-Sql数据库中提取数据，并对时间序列数据进行后处理，并提取与每个输入对应的个别案例输出。这些模拟输出与现场观测相匹配，以确定代表井可能运行状态的模拟。作为逆向建模过程的一部分，模拟案例中与与现场数据无关的输出值相关的“未知”参数值在进一步的模拟中被抑制。图11给出了现场数据和模拟之间响应比较的粗略可视化表示。

在本文给出的用例中，与字段数据匹配的响应变量包括:

• 产油量
• 井口压力
• 井下压力。

在模拟之后的逆向建模过程中，对模拟输出和现场响应(包括识别未知参数组合可能性的历史趋势)之间的关系实施了进一步的约束。因此，通过该过程可以估计给定时间内井的运行状态，并使用该知识生成设定值建议。

实时传感器数据处理:

实时传感器数据处理首先将传感器数据添加到云上的源位置，在该位置可以由监控工作流系统读取。监视工作流系统复制新更改的文件并启动提取、转换、加载(ETL)过程。系统通常从调度系统开始，该系统允许将工作流编写为任务的有向无环图(dag)。调度器根据任务之间指定的依赖关系在多个worker上执行这些任务，并且可以根据负载进行弹性伸缩。

ETL流程充当公共消息传递系统工作流中的生产者。ETL过程将编码的传感器值作为消息添加到队列中，供消费者稍后读取，后者将数据存储到时间序列数据库中。处理队列为处理排队数据创建分布式持久队列。单个队列使用者可以使用专门开发的功能来持久化传感器流，创建新值以及派生或计算的传感器。这些持久的队列提供了一个重要的消息缓冲区，当需求激增时，消费者无法跟上生产者的速度。

最终，基于时间序列的传感器流需要持久化到时间序列感知存储系统中。这些时间序列存储解决方案是专门构建的数据存储，用于存储和查询时间数据。其中一些商店可以扩展到每秒数百万次操作。拥有时间序列或时态查询引擎对于处理传感器流非常重要。

系统设计允许在需要时对数据进行再处理。可重复的转换过程允许从错误和错误中更好地恢复。系统也是高性能的。每分钟处理600k个传感器并不罕见，系统还可以通过添加工人、队列分区或数据库节点来扩展到更高的吞吐量。

模拟工作流程

数据处理完成后，就可以使用数据生成模拟案例了。数据分析的参数范围，以探索在模拟。模拟案例按字段数据进行分区，并在文档数据库集合中排队。使用商业模拟器软件和Python进程配置的云实例使用队列和进程用例。我们的商业模拟器可以使用命令行接口调用，并使用JSON文件作为输入。模拟器的输出被保存到与案例相同的文档中，状态被标记为已完成。

单个模拟生成63 MB未压缩数据和467个数据点(每天大约生成4 TB数据)。然而，我们的逆向建模过程只需要40个这样的数据点，我们使用压缩来存储所需的部分结果。模拟器的单个实例每天可以处理大约15K个案例(大约每分钟10个案例)。我们每天使用4个实例来处理60K个案例，如果需要，这个过程可以扩展到更多的实例。

结论

油气行业的数据处理、油井建模仿真和人工举升设定值优化等典型过程由于其手工性质，耗时非常长。由于[12]每口井的工程师数量有限，[13]的高递减率导致了高度的瞬变行为，持续优化是一个挑战。如果不能及时更新设定值，可能会导致产量低于最佳水平。通过提高产量和/或降低运营成本来优化设定值，可能会带来显著的经济效益。

通过利用实时数据馈送、云上的处理能力以及模拟和数据科学工具，有可能开发一个数字双胞胎，基于数百口井的油田物理模型进行可扩展的设定值优化。在数字双胞胎中，在来自物理世界的现场数据和来自模拟的虚拟数据之间有一个交互系统。本文提出了开发这种数字孪生体的总体框架。

描述了系统的设计和实现细节，以及自动化连续现场数据处理所需的系统架构，以及每天可以生成60,000多个模拟的大规模模拟引擎。本文讨论了最小化人工参与自动化系统关键组件的好处和挑战，同时还强调了受益于人工参与的组件。云上解决方案还提供了根据需要通过增加计算单元来扩大容量的机会。

在系统架构的选择、与支持事件标记的平台的集成、模拟设置模板的考虑因素以及便于将模拟输出与现场数据进行比较等方面，做出了几个关键决策。本文介绍了这些决定的重要性和例子，以帮助采用和复制这项工作。

本文中分享的方法和经验有望帮助社区更接近可扩展和通用的自动化设定值优化，并帮助工程师腾出时间进行重要决策，而不是将时间花在可模板化和重复的任务上，如手动设置模拟。

这种基础设施实时大规模模拟与现场IIoT传感器数据相结合，为闭环动态设定值优化所需的下一步铺平了道路。

Venkat Putcha他是数据科学总监OspreyData Inc .)；铁男LeData，科学家，OspreyData Inc.;Jeffrey胸， OspreyData Inc.首席数据科学家。本文最初发表于IIC JOI。的工业物联网联盟是CFE Media的内容合作伙伴。由网页内容经理克里斯·瓦夫拉编辑，控制工程， CFE媒体与技术，cvavra@cfemedia.com．

参考文献

[1]加西亚，阿图尔·波塞纳托，Vinícius拉莫斯·罗莎。“压缩能力有限的气举优化遗传算法”在SPE拉丁美洲和加勒比石油工程会议上发表的论文，墨西哥城，墨西哥，2012年4月。https://doi.org/10.2118/153175-MS

[2] LaGrange, Elgonda“开发数字双胞胎:油气优化路线图”在2019年9月英国阿伯丁SPE欧洲海上会议和展览上发表的论文。https://doi.org/10.2118/195790-MS

奥惠森，鲍勃，凯文·韦德。实时生产优化——应用数字孪生模型优化整个上游价值链2019年11月，阿联酋阿布扎比国际石油展览暨会议上发表的论文。https://doi.org/10.2118/197693-MS

[4] https://www.rigzone.com/training/insight.asp?insight_id=315&c_id=

Pennel, Mike, Hsiung, Jeffrey和V. B. pucha。“使用机器学习模型检测故障和优化人工举升性能。”论文发表于SPE西部地区会议，花园格罗夫，加利福尼亚州，美国，2018年4月。doi:https://doi.org/10.2118/190090-MS

[6] arXiv: 1903.09731

[7]https://doi.org/10.1155/2012/516807

[8]https://doi.org/10.2118/181094-MS

[9]https://doi.org/10.2118/201298-MS

[10]https://oilfieldteam.com/en/a/learning/gas-lift-28072018

Camargo, Edgar & Aguilar, Jose & Rios, Addison & Rivas, franklin & Aguilar- martin, Joseph。(2008)。基于节点分析的气举井增产设计。

[12]https://jpt.spe.org/so-many-wells-so-few-engineersscaling-production-engineering-all-those-shale-wells

[13]https://www.hartenergy.com/exclusives/why-us-shale-production-declines-are-higher-you-might-think-188251

[14]雷登，J.大卫，谢尔曼，T.A.格伦和杰克R.布兰。“优化气举系统。”论文发表于AIME石油工程师协会秋季会议，休斯敦，德克萨斯州，1974年10月。doi:https://doi.org/10.2118/5150-MS

原始内容可以在石油与天然气工程．

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。