Digitalisering av energi sektoren
Abstract
Repsol er i ferd med å utvikle Nidaros feltet og vil lære av erfaringer gjort ved Kalvskinnetfeltet. Erfaringene fra Kalvskinnet er at feltet hadde store produksjonstap knyttet tiluplanlagte hendelser, og da spesielt problemer knyttet til gassløft kompressorene.
Repsol vurderer ulike AI teknologier for å redusere tapene. Selskapet er spesielt interesserte iden velkjente Maskinlærings modellen, men vurderer også en lovende men relativt uprøvdfunksjons modellerings system kalt MFM. I oppgaven vurderes to AI teknologier opp mothverandre og konkluderer med at MFM er en mer passende modell. Dette fordi denneteknologien vil per idag gi økt sikkerhet og gevinst i forhold til Maskinlæringsmodeller. Storekonsekvenser for mennesker og miljø ved feil, vil medføre at modeller basert påmaskinlæring som forbedres ved prøving og feiling, ikke kan anbefales her.
Analysen er basert på historiske logger fra Kalvskinnet feltet, viser at tapene er betydelige. Enestimerer uplanlagt produksjonstap til om lag 100 million NOK/år i de første 10produksjonsårene på Nidaros. Av dette står uplanlagte problemer med gassløft kompressorenefor ca. 37 millioner NOK i året. I oppgaven har MFM modellen blitt testet ut teoretisk på enbestemt uplanlagt feil («unplanned upset») som skapte store produksjonstap og risiko påKalvskinnet. Resultatene er svært gode. MFM kan i slike tilfeller indentifisere årsaken tilfeilen umiddelbart, noe som gjør at en tidsperiode med økt risiko for personell offshoreforkortes vesentlig. Denne tidsbesparelsen vil også kutte produksjons tapene med over 50%,og i mange tilfeller avverge risikable situasjoner og feil fullstendig. Analysen viser dermed atgevinsten ved bruk av MFM for å redusere kun gasskompressorfeil på Nidaros, tilsvareromlag 18,5 millioner NOK i året.
Denne anslåtte gevinsten inkluderer ikke effekten av å kunne identifisere feil tidlig slik atikke problemet eskalerer og gir ytterligere kostnader. Det er heller ikke tatt med mulighetenfor å redusere menneskelige ressurser for kontroll og styring, som igjen vil kunne få positiveHMS effekter (færre folk på plattformene, færre helikopter turer etc.). Ved bruk av effektiveAI teknologi, vil en kunne forstå og kontrollere utviklingen i reservoaret bedre. Produksjonenvil da kunne økes. Den samlede gevinsten av å ta i bruk AI teknologier for å identifisere ogjustere for feil samt for å effektivisere kontrollen av reservarutviklingen, vil derfor kunnevære svært høy og økende med størrelsen på produksjonen i feltet.
MFM bør testes i flere sammenhenger før en endelig konklusjon angående installering påNidaros tas, men basert på resultatene fra utvalgt «upset» er dette en modell som bør kunne givesentlige gevinster. Kostnadene med å installere MFM er i utgangspunktet minimale. Hvisikke tilbyderne av slik teknologi krever for store summer, bør Repsol sterkt vurdere åimplementere dette som del av Nidaros utbyggingen. I tillegg til økt avkastning på feltet, vilprogrammene kunne gi økt sikkerhet for ansatte og redusere risikoen for negativemiljøkonsekvenser av produksjonen. Repsol is in the process of developing the Nidaros field and wishes to learn from theexperience gained from the Kalvskinnet field. The experience from Kalvskinnet is that thefield had large production losses related to unplanned events (unplanned upset), andespecially problems related to the gas lift compressors.
Repsol assesses various AI technologies to reduce losses. The company is particularlyinterested in the well-known Machine Learning model, but also considers a promising butrelatively untested modelling system called MFM (Multilevel Flow Modelling). In the task,two AI technologies are considered against each other and conclude that MFM is a moreappropriate model. This is because MFM, as of today, will increased safety and value added,compared to Machine Learning Models. The large consequence considering environmentalissues and loss of human life, means that models based on machine learning, which learnsfrom trying and failing, cannot be recommended here.
The analysis is based on historical production logs from the Kalvskinnet field, show that theproduction losses are significant. When multiplied with Nidaros’s planned production,unplanned production losses are estimated to about 100 million NOK/year during the first 10years. Of this, unplanned problems with the gas lift compressors amounts to about 37 millionNOK/year. In this thesis, the MFM model was tested theoretically on a specific “unplannedupset” which created large production losses and risk to safety at Kalvskinnet. The results arevery good. It is estimated that MFM can reduce production losses by more than 50% andidentify the cause for the upset immediately. The analysis therefore calculates the gain fromusing MFM to reduce gas lift compressor errors at Nidaros, amounts to about 18.5 millionNOK/year.
The estimated profit does not include the effect of being able to identify errors early, so thatthe problem does not escalate and incurs additional costs. Neither has the possibility ofreducing human resources for control and management been included, which in turn couldhave positive HSE effects (fewer people on the platforms, fewer helicopter trips etc). Byusing effective AI technology, the operator can understand and control the development of thereservoir better. Production will then increase. The overall benefit of using AI technology toidentify and adjust for errors and to streamline the control of the reservoir development couldtherefore be very high and increasing with the size of production in the field.
The MFM model should, be tested in several contexts before reaching a conclusion regardinginstallation on Nidaros. But, based on the result from the chosen upset, this is a model thatshould be able to yield significant gains. The cost of installing the MFM is minimal. If theproviders of such technology do not require large sums, Repsol should strongly considerimplementing this as part of the Nidaros development. In addition to increased returns on thefield, the programs should be able to provide increased security for employees and reduce therisk of negative environmental consequences of production.