Digitalisering av energi sektoren

Abstract

Repsol er i ferd med å utvikle Nidaros feltet og vil lære av erfaringer gjort ved Kalvskinnet feltet. Erfaringene fra Kalvskinnet er at feltet hadde store produksjonstap knyttet til uplanlagte hendelser, og da spesielt problemer knyttet til gassløft kompressorene.

Repsol vurderer ulike AI teknologier for å redusere tapene. Selskapet er spesielt interesserte i den velkjente Maskinlærings modellen, men vurderer også en lovende men relativt uprøvd funksjons modellerings system kalt MFM. I oppgaven vurderes to AI teknologier opp mot hverandre og konkluderer med at MFM er en mer passende modell. Dette fordi denne teknologien vil per idag gi økt sikkerhet og gevinst i forhold til Maskinlæringsmodeller. Store konsekvenser for mennesker og miljø ved feil, vil medføre at modeller basert på maskinlæring som forbedres ved prøving og feiling, ikke kan anbefales her.

Analysen er basert på historiske logger fra Kalvskinnet feltet, viser at tapene er betydelige. En estimerer uplanlagt produksjonstap til om lag 100 million NOK/år i de første 10 produksjonsårene på Nidaros. Av dette står uplanlagte problemer med gassløft kompressorene for ca. 37 millioner NOK i året. I oppgaven har MFM modellen blitt testet ut teoretisk på en bestemt uplanlagt feil («unplanned upset») som skapte store produksjonstap og risiko på Kalvskinnet. Resultatene er svært gode. MFM kan i slike tilfeller indentifisere årsaken til feilen umiddelbart, noe som gjør at en tidsperiode med økt risiko for personell offshore forkortes vesentlig. Denne tidsbesparelsen vil også kutte produksjons tapene med over 50%, og i mange tilfeller avverge risikable situasjoner og feil fullstendig. Analysen viser dermed at gevinsten ved bruk av MFM for å redusere kun gasskompressorfeil på Nidaros, tilsvarer omlag 18,5 millioner NOK i året.

Denne anslåtte gevinsten inkluderer ikke effekten av å kunne identifisere feil tidlig slik at ikke problemet eskalerer og gir ytterligere kostnader. Det er heller ikke tatt med muligheten for å redusere menneskelige ressurser for kontroll og styring, som igjen vil kunne få positive HMS effekter (færre folk på plattformene, færre helikopter turer etc.). Ved bruk av effektive AI teknologi, vil en kunne forstå og kontrollere utviklingen i reservoaret bedre. Produksjonen vil da kunne økes. Den samlede gevinsten av å ta i bruk AI teknologier for å identifisere og justere for feil samt for å effektivisere kontrollen av reservarutviklingen, vil derfor kunne være svært høy og økende med størrelsen på produksjonen i feltet.

MFM bør testes i flere sammenhenger før en endelig konklusjon angående installering på Nidaros tas, men basert på resultatene fra utvalgt «upset» er dette en modell som bør kunne gi vesentlige gevinster. Kostnadene med å installere MFM er i utgangspunktet minimale. Hvis ikke tilbyderne av slik teknologi krever for store summer, bør Repsol sterkt vurdere å implementere dette som del av Nidaros utbyggingen. I tillegg til økt avkastning på feltet, vil programmene kunne gi økt sikkerhet for ansatte og redusere risikoen for negative miljøkonsekvenser av produksjonen.

Repsol is in the process of developing the Nidaros field and wishes to learn from the experience gained from the Kalvskinnet field. The experience from Kalvskinnet is that the field had large production losses related to unplanned events (unplanned upset), and especially problems related to the gas lift compressors.

Repsol assesses various AI technologies to reduce losses. The company is particularly interested in the well-known Machine Learning model, but also considers a promising but relatively 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 more appropriate model. This is because MFM, as of today, will increased safety and value added, compared to Machine Learning Models. The large consequence considering environmental issues and loss of human life, means that models based on machine learning, which learns from trying and failing, cannot be recommended here.

The analysis is based on historical production logs from the Kalvskinnet field, show that the production losses are significant. When multiplied with Nidaros’s planned production, unplanned production losses are estimated to about 100 million NOK/year during the first 10 years. Of this, unplanned problems with the gas lift compressors amounts to about 37 million NOK/year. In this thesis, the MFM model was tested theoretically on a specific “unplanned upset” which created large production losses and risk to safety at Kalvskinnet. The results are very good. It is estimated that MFM can reduce production losses by more than 50% and identify the cause for the upset immediately. The analysis therefore calculates the gain from using MFM to reduce gas lift compressor errors at Nidaros, amounts to about 18.5 million NOK/year.

The estimated profit does not include the effect of being able to identify errors early, so that the problem does not escalate and incurs additional costs. Neither has the possibility of reducing human resources for control and management been included, which in turn could have positive HSE effects (fewer people on the platforms, fewer helicopter trips etc). By using effective AI technology, the operator can understand and control the development of the reservoir better. Production will then increase. The overall benefit of using AI technology to identify and adjust for errors and to streamline the control of the reservoir development could therefore 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 regarding installation on Nidaros. But, based on the result from the chosen upset, this is a model that should be able to yield significant gains. The cost of installing the MFM is minimal. If the providers of such technology do not require large sums, Repsol should strongly consider implementing this as part of the Nidaros development. In addition to increased returns on the field, the programs should be able to provide increased security for employees and reduce the risk of negative environmental consequences of production.