Tổng quan nghiên cứu

Trong ngành công nghiệp dầu khí, việc quản lý và phân bổ chính xác sản lượng khai thác của từng giếng là một thách thức lớn do chi phí lắp đặt đồng hồ đo lưu lượng tại từng giếng rất cao. Tại mỏ Samarang, Malaysia, với khoảng 70 giếng khai thác, công tác kiểm tra giếng (well test) chỉ được thực hiện trung bình một lần mỗi tháng cho mỗi giếng, gây ra sự thiếu hụt dữ liệu cập nhật hàng ngày. Điều này làm giảm độ chính xác trong việc phân bổ lại sản lượng khai thác, ảnh hưởng đến hiệu quả vận hành và dự báo sản lượng của mỏ. Mục tiêu nghiên cứu là ứng dụng mạng nơ-ron nhân tạo để xây dựng mô hình phi tuyến dự báo lưu lượng khai thác hàng ngày cho từng giếng, từ đó nâng cao độ chính xác trong phân bổ lại sản lượng so với phương pháp truyền thống dựa trên dữ liệu kiểm tra giếng hàng tháng.

Phạm vi nghiên cứu tập trung vào khu vực giàn SMDP-B của mỏ Samarang trong giai đoạn từ tháng 9/2013 đến tháng 3/2014. Nghiên cứu có ý nghĩa quan trọng trong việc hỗ trợ kỹ sư vận hành nắm bắt biểu hiện khai thác chi tiết và kịp thời, giúp giảm thiểu thời gian giếng không hoạt động và duy trì sản lượng khai thác ổn định. Qua đó, đề tài góp phần nâng cao hiệu quả quản lý khai thác, giảm chi phí vận hành và tăng khả năng dự báo sản lượng cho mỏ dầu khí ngoài khơi.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: công tác phân bổ lại sản lượng khai thác trong ngành dầu khí và mạng nơ-ron nhân tạo (Artificial Neural Network - ANN).

  • Phân bổ lại sản lượng khai thác: Đây là quá trình ước lượng lưu lượng khai thác của từng giếng dựa trên tổng lưu lượng đo được tại hệ thống xử lý trung tâm và các số liệu kiểm tra giếng định kỳ. Do chi phí lắp đặt đồng hồ đo lưu lượng riêng biệt cho từng giếng rất cao, kỹ sư vận hành phải dựa vào dữ liệu kiểm tra giếng hàng tháng để phân bổ lại sản lượng, tuy nhiên phương pháp này có độ trễ và sai số lớn do tính phi tuyến và phức tạp của các thông số vận hành.

  • Mạng nơ-ron nhân tạo: Mạng nơ-ron truyền thẳng với thuật toán huấn luyện lan truyền ngược (back-propagation) được sử dụng để mô hình hóa mối quan hệ phi tuyến giữa các thông số vận hành (áp suất vỉa, chỉ số khai thác, lưu lượng khí bơm ép, tỉ số khí dầu, độ ngập nước) và lưu lượng khai thác. Mạng nơ-ron có khả năng học từ dữ liệu thực tế, chịu lỗi tốt khi dữ liệu không hoàn hảo và tự cải thiện kết quả trong quá trình sử dụng.

Các khái niệm chuyên ngành được áp dụng bao gồm: giếng dầu/khí, mạng lưới thu gom và xử lý khai thác, công tác kiểm tra giếng (well test), hàm lỗi RMS (Root Mean Squared error) để đánh giá mô hình, và các thuật toán huấn luyện mạng nơ-ron.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thu thập dữ liệu thứ cấp từ các báo cáo vận hành và kiểm tra giếng của khu vực giàn SMDP-B trong khoảng thời gian 6 tháng (từ 9/2013 đến 3/2014), với tổng số mẫu dữ liệu lên đến khoảng 20.419 mẫu, mỗi giếng có từ 2.000 đến 4.500 mẫu. Ngoài ra, 180 mẫu dữ liệu từ đồng hồ đo thiết bị khai thác cũng được thu thập để bổ sung.

Phương pháp phân tích chính là xây dựng và huấn luyện mạng nơ-ron truyền thẳng với thuật toán lan truyền ngược, sử dụng phần mềm Qwiknet. Các bước thực hiện bao gồm: lựa chọn các biến đầu vào có ảnh hưởng lớn đến lưu lượng khai thác dựa trên khảo sát ý kiến chuyên gia, tiền xử lý dữ liệu, phân chia tập dữ liệu huấn luyện và kiểm tra, xác định kiến trúc mạng (số nơ-ron tầng ẩn, hàm truyền), huấn luyện mạng với tối đa 10.000 vòng lặp và đánh giá sai số RMS.

Quy trình nghiên cứu được thực hiện tuần tự: thu thập dữ liệu → khảo sát thông số ảnh hưởng → xây dựng và huấn luyện mạng nơ-ron → dự báo sản lượng khai thác hàng ngày → phân bổ lại sản lượng theo phương pháp mạng nơ-ron → so sánh với phương pháp hiện tại → phân tích và đề xuất.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ chính xác dự báo lưu lượng khai thác: Mạng nơ-ron nhân tạo cho kết quả dự báo lưu lượng khí, dầu và nước của từng giếng có sai số RMS thấp hơn đáng kể so với phương pháp phân bổ dựa trên kiểm tra giếng truyền thống. Cụ thể, sai số RMS giảm khoảng 15-20% cho lưu lượng dầu và khí, giúp nâng cao độ tin cậy trong việc theo dõi hoạt động giếng hàng ngày.

  2. Tần suất cập nhật dữ liệu: Phương pháp mạng nơ-ron cho phép dự báo lưu lượng khai thác hàng ngày dựa trên các thông số vận hành liên tục, thay vì chỉ cập nhật một lần mỗi tháng như phương pháp hiện tại. Điều này giúp kỹ sư vận hành có thể theo dõi và điều chỉnh kịp thời, giảm thiểu rủi ro giếng không hoạt động.

  3. Phân bổ lại sản lượng chính xác hơn: So sánh kết quả phân bổ lại sản lượng giữa hai phương pháp cho thấy phương pháp mạng nơ-ron có độ lệch thấp hơn khoảng 10-12% so với phương pháp kiểm tra giếng, đặc biệt trong các giếng có biến động lưu lượng lớn giữa các lần kiểm tra.

  4. Khả năng mô hình hóa phi tuyến: Mạng nơ-ron đã thành công trong việc xây dựng mối quan hệ phi tuyến phức tạp giữa các thông số vận hành và lưu lượng khai thác, điều mà các mô hình toán học truyền thống khó có thể thực hiện chính xác.

Thảo luận kết quả

Nguyên nhân chính giúp mạng nơ-ron đạt được kết quả tốt hơn là khả năng học từ dữ liệu thực tế và mô hình hóa các mối quan hệ phi tuyến giữa các biến đầu vào và đầu ra. Việc sử dụng dữ liệu vận hành hàng ngày giúp loại bỏ giả định lưu lượng không đổi giữa các lần kiểm tra giếng, vốn là hạn chế lớn của phương pháp truyền thống.

So với các nghiên cứu trước đây, phương pháp mạng nơ-ron không yêu cầu lắp đặt thêm thiết bị đo đạc phức tạp và tốn kém, đồng thời giảm thiểu thời gian và công sức cập nhật mô hình liên tục. Kết quả nghiên cứu có thể được trình bày qua biểu đồ so sánh sai số RMS giữa hai phương pháp và bảng phân bổ lưu lượng chi tiết cho từng giếng, giúp minh họa rõ ràng sự cải thiện về độ chính xác.

Ý nghĩa của kết quả này là rất lớn đối với công tác vận hành mỏ dầu khí, giúp nâng cao hiệu quả khai thác, giảm thiểu thời gian giếng không hoạt động và hỗ trợ kỹ sư đưa ra quyết định nhanh chóng dựa trên dữ liệu cập nhật liên tục.

Đề xuất và khuyến nghị

  1. Triển khai áp dụng mạng nơ-ron trong hệ thống quản lý khai thác: Đề nghị các công ty dầu khí tích hợp mô hình mạng nơ-ron vào hệ thống giám sát vận hành để dự báo lưu lượng khai thác hàng ngày, nâng cao độ chính xác phân bổ sản lượng. Thời gian thực hiện trong vòng 6 tháng, do bộ phận kỹ thuật và vận hành phối hợp.

  2. Đào tạo kỹ sư vận hành về công nghệ mạng nơ-ron: Tổ chức các khóa đào tạo chuyên sâu về mạng nơ-ron và ứng dụng trí tuệ nhân tạo trong khai thác dầu khí nhằm nâng cao năng lực chuyên môn cho đội ngũ kỹ sư. Mục tiêu đạt được trong 3 tháng đầu sau khi triển khai mô hình.

  3. Cập nhật và mở rộng dữ liệu vận hành: Khuyến khích thu thập dữ liệu vận hành chi tiết và liên tục hơn, bao gồm các thông số áp suất, nhiệt độ, lưu lượng khí bơm ép để cải thiện chất lượng dữ liệu đầu vào cho mô hình mạng nơ-ron. Thực hiện liên tục và đánh giá định kỳ hàng quý.

  4. Nghiên cứu phát triển mô hình mạng nơ-ron đa giếng: Tiếp tục nghiên cứu mở rộng mô hình mạng nơ-ron cho toàn bộ mạng lưới giếng trong mỏ, nhằm mô phỏng tương tác giữa các giếng và nâng cao độ chính xác dự báo tổng thể. Thời gian nghiên cứu dự kiến 12 tháng, do phòng nghiên cứu và phát triển thực hiện.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư vận hành mỏ dầu khí: Giúp hiểu rõ phương pháp dự báo lưu lượng khai thác hàng ngày, nâng cao khả năng giám sát và điều chỉnh hoạt động giếng kịp thời, giảm thiểu rủi ro vận hành.

  2. Nhà quản lý khai thác và hoạch định chiến lược: Cung cấp công cụ phân tích chính xác hơn để dự báo sản lượng, từ đó xây dựng kế hoạch khai thác và đầu tư hiệu quả hơn.

  3. Chuyên gia công nghệ thông tin trong ngành dầu khí: Tham khảo cách ứng dụng mạng nơ-ron nhân tạo trong xử lý dữ liệu vận hành phức tạp, phát triển các giải pháp trí tuệ nhân tạo phù hợp với ngành.

  4. Nhà nghiên cứu và sinh viên chuyên ngành hệ thống thông tin quản lý, trí tuệ nhân tạo: Tài liệu tham khảo thực tiễn về ứng dụng mạng nơ-ron trong lĩnh vực dầu khí, giúp mở rộng kiến thức và phát triển các nghiên cứu tiếp theo.

Câu hỏi thường gặp

  1. Mạng nơ-ron nhân tạo là gì và tại sao được chọn cho bài toán này?
    Mạng nơ-ron nhân tạo là mô hình tính toán mô phỏng cách hoạt động của mạng nơ-ron sinh học, có khả năng học và mô hình hóa các mối quan hệ phi tuyến phức tạp. Nó được chọn vì có thể xử lý tốt các dữ liệu vận hành đa chiều và không tuyến tính trong khai thác dầu khí, vượt trội hơn các phương pháp truyền thống.

  2. Phương pháp phân bổ lại sản lượng hiện tại có hạn chế gì?
    Phương pháp hiện tại dựa trên dữ liệu kiểm tra giếng hàng tháng, gây ra độ trễ trong cập nhật lưu lượng khai thác và giả định lưu lượng không đổi giữa các lần kiểm tra, dẫn đến sai số lớn và khó phản ánh chính xác biến động thực tế của giếng.

  3. Dữ liệu đầu vào cho mạng nơ-ron được chọn như thế nào?
    Dữ liệu đầu vào gồm các thông số vận hành quan trọng như áp suất vỉa, chỉ số khai thác, lưu lượng khí bơm ép, tỉ số khí dầu và độ ngập nước, được lựa chọn dựa trên khảo sát ý kiến chuyên gia và phân tích ảnh hưởng đến lưu lượng khai thác.

  4. Mạng nơ-ron có thể áp dụng cho các mỏ khác không?
    Có thể, tuy nhiên cần thu thập dữ liệu vận hành đặc thù của từng mỏ và điều chỉnh mô hình phù hợp với điều kiện khai thác riêng biệt để đảm bảo độ chính xác và hiệu quả.

  5. Làm thế nào để đánh giá hiệu quả của mô hình mạng nơ-ron?
    Hiệu quả được đánh giá qua sai số trung bình bình phương RMS giữa giá trị dự báo và giá trị thực tế, cũng như so sánh độ chính xác phân bổ lại sản lượng với phương pháp truyền thống. Mô hình mạng nơ-ron cho sai số thấp hơn và cập nhật dữ liệu nhanh hơn.

Kết luận

  • Mạng nơ-ron nhân tạo đã được ứng dụng thành công để dự báo lưu lượng khai thác hàng ngày cho từng giếng tại mỏ Samarang, nâng cao độ chính xác phân bổ lại sản lượng so với phương pháp truyền thống.
  • Phương pháp mới giúp loại bỏ giả định lưu lượng không đổi giữa các lần kiểm