Ottimizzazione delle operazioni di perforazione geotermica con il Machine Learning

La geotermia è stata considerata una delle fonti di energia più neutre in termini di emissioni di carbonio, sostenibili e rinnovabili in grado di fornire sia energia di carico di base che energia dispacciabile alla rete. Nonostante il suo potenziale per svolgere un ruolo importante nella transizione verso un futuro a impatto zero, la geotermia è attualmente la risorsa rinnovabile più sottoutilizzata a causa dell’elevato costo della geotermia profonda.

Un elemento importante del costo in qualsiasi progetto geotermico riguarda la perforazione e il completamento, che rappresentano fino al 70% dello sviluppo complessivo del progetto. In aggiunta a ciò, il settore della perforazione deve affrontare diverse sfide quando si tratta di perforazione e completamento di pozzi geotermici, come il basso tasso di penetrazione (ROP) e la mancanza di consapevolezza del fondo del pozzo, con conseguenti interventi e tempi non produttivi (NPT) spesi per caratteristiche della formazione.

Il settore manca di digitalizzazione e automazione e fa affidamento su competenze personali e vecchi dati. I sistemi di perforazione esistenti sono progettati per bacini di idrocarburi con fanghi a base di petrolio, limitando la loro utilità per formazioni geotermiche e rocciose dure. I sistemi attuali si basano anche sulla perforazione rotativa, mentre il settore della perforazione geotermica richiede nuove tecnologie come la percussione e la perforazione termica senza contatto.

La trasformazione digitale del settore energetico upstream ha generato una crescita esponenziale delle quantità e delle tipologie di dati generati negli ultimi anni. I progressi nel machine learning (ML) e nell’intelligenza artificiale (AI) stanno creando opportunità di innovazione e ottimizzazione nel settore della perforazione geotermica. Questi strumenti innovativi migliorano la precisione e il costo dell’esplorazione geotermica e ottimizzano le operazioni geotermiche, riducendo il costo complessivo dell’energia geotermica.

L’uso di algoritmi di Machine Learning può aiutare a identificare risposte anomale nei dati e a distinguere tra problemi di perforazione e difficoltà operative o logistiche. Sviluppando strategie di bonifica basate sui risultati, potrebbe essere possibile ridurre i rischi dei progetti di calore geotermico profondo e renderli più attraenti per gli investitori.

Il progetto OptiDrill è finanziato dal finanziamento Horizon 2020 della Commissione Europea che mira a sviluppare moduli di machine learning nell'ambito di un sistema di consulenza unificato. Ciascun modulo sarà responsabile dell'analisi, della previsione o dell'ottimizzazione di un aspetto del processo di perforazione o completamento.

La progettazione del sistema OptiDrill ruota attorno allo sviluppo di un sistema in grado di migliorare l'efficienza di perforazione in qualsiasi formazione. L'obiettivo è sfruttare i dati esistenti e il trasferimento di conoscenze, risolvere i problemi esistenti e migliorare i metodi e le tecnologie esistenti impiegando i seguenti approcci nell'ambito di un quadro integrato del sistema di consulenza per la perforazione geotermica OptiDrill:

• Digitalizzazione dei dati di perforazione precedenti e dei report testuali attraverso metodi di deep learning Natural Language Processing (NLP) per creare un database digitale di report e problemi giornalieri di perforazione e completamento aprire la strada alla digitalizzazione dei report giornalieri di perforazione e consentire l'ulteriore trasferimento di conoscenza del settore petrolifero e del gas;• Strumentazione del processo di perforazione attraverso l'implementazione di stringhe di sensori compatibili con l'impianto di perforazione e l'assemblaggio di fondo (BHA) e un sistema di trasferimento dati insieme alle rispettive metodologie per misurare i parametri indotti dalla perforazione (come vibrazioni, carico, coppia, flusso e segnali acustici) e per interpretarne gli effetti sul processo;• Dati sperimentali simulati su giacimenti e su scala sul campo per colmare le lacune nei set di dati disponibili e simulare vari scenari problematici di perforazione, inclusi scenari "what-if". Un database completo e senza lacune consentirà ai modelli di raggiungere le massime competenze di previsione anche in scenari di formazione o situazione per i quali erano disponibili pochissimi dati registrati in precedenza; • Modellazione della perforazione geotermica e previsione e ottimizzazione delle prestazioni mediante l'impiego di una combinazione di macchine Apprendimento e nuovi metodi di apprendimento profondo;• Previsione litologica in tempo reale della formazione utilizzando metodi di apprendimento profondo accoppiati in combinazione con nuovi dati di stringhe di sensori per la convalida del modello e il miglioramento dell'efficienza;• Previsione e rilevamento del trigger di problemi di perforazione attraverso statistiche e macchine basate sui dati Metodi di apprendimento per evitare rischi inutili e costosi e ridurre il TNP durante i processi di perforazione e completamento; • Modellazione di completamento e miglioramento dei pozzi per cluster di pozzi orizzontali e multilaterali e previsione e ottimizzazione delle prestazioni mediante l'impiego di una combinazione di machine learning e nuovi metodi di deep learning; • Validazione della modellazione statistica e ottimizzazione dei modelli di Machine Learning; e• Lo schema Federate ML in combinazione con algoritmi ML di autoapprendimento darà al sistema OptiDrill una possibilità unica di essere aggiornato attraverso ogni nuova attività di perforazione e completamento. La funzionalità garantirà una capacità a prova di futuro e di autoevoluzione del sistema di consulenza OptiDrill.