第一章 数字油气田系统简介（3）

1.5DOF的主要组件

Holland（2012）描述了采用DOF的三个主要和基本组成部分：（1）工作流程，（2）技术架构，以及（3）组织（人员）。这三个主要组成部分的目标是实现公司的愿景和战略目标、措施和激励。与任何大型项目一样，DOF是人员、技术和流程的交汇点。然后，主要组件被覆盖在我们称之为DOF的核心（图1.6）中，其中有五个主要领域必须完全同步才能实现成功的DOF解决方案：传感和控制、数据管理、工作流自动化、可视化和协作。

 

图1.6DOF的主要组成部分。该图显示了一个以业务为中心的模型，其中人员、流程和技术的关键领域进一步组织成DOF的五个关键组件（显示在外环上）。

1.5.1实时过程的仪器、遥感和遥测

这一领域侧重于物理石油和天然气作业中的设备和技术，包括地面和井下、遥测所需的设备和技术、远程收集和传输监控、优化和自动化操作所需的数据。井口包括一系列机械或电子设备（仪表），用于实时压力、温度、流体和其他特殊数据（如化学品、固体检测和辐射）（图1.7）。井下位置配有另一系列专为高温高压条件下工作而设计的传感器系列。传感器连接到电缆上，将模拟脉冲发送到靠近井口的控制面板。

 

图1.7用于实时测量压力、温度和流量的传感器连接到井口附近的控制面板。（图片由罗克韦尔自动化提供。

控制面板由许多硬件组件组成，用于模拟到数字信号转换。关键组件包括远程终端单元（RTU）和可编程逻辑控制器（PLC），它们执行类似的功能。它们通过电缆连接到传感器，并使用无线设备向传输硬件发送数字数据，这些设备包括以太网、交换机、WiMAX（微波信号）和路由器，所有这些设备都连接到CPU，CPU通常由太阳能电池板供电。路由器将数字数据发送到SCADA，如图1.8所示。

 

图1.8控制面板

第二章详细介绍了这些设备。

1.5.2数据管理和数据传输

位于SCADA终端中，来自现场的实时信号通过蜂窝调制解调器收集并发送到服务器系列。服务器使用多路复用软件在一系列信息技术（IT）行业协议下将数据组织和存储在不同的结构化层中。进行此数据收集和聚合的软件称为historian，它可在数据库中累积时间数据、布尔事件和警报，可用于许多可视化解决方案。以前，数据使用一系列算法（数据缩减、小波过滤和缺失数据插值）进行QA/QC、清理和条件检查，这些算法从信号异常（如噪声、峰值、异常值和冻结数据）中筛选数据。historian通常推送存储库或主数据库，如结构化查询语言（SQL）或Oracle。其他类型的数据（如机械设备、干预、管道扫描、陀螺扫描）是非结构化的，并存储在井文件中，形成井数据库。

第3章讨论了DOF数据管理的这些和其他流程和关键概念，包括

• 数据体系结构、数据存储和云服务器；
• 数据QA/QC、调节和清洁；和
• 警报和报警管理。

1.5.3工作流自动化

传统上，地质科学家和各种工程学科（生产、储层、设施等）花费大量时间从不同来源收集数据，以便输入到大多数手动工作流中。工程师通常使用在商业软件应用中开发的模型来重现石油生产过程。但是，即使这些软件模型也需要复杂的手动工作流，这些工作流消耗了工程师的时间，例如：从不同来源（电子表格、文本、表格、数字、历史学家等）收集数据；从噪声中过滤数据；执行重复的、容易出错的任务以更新模型（例如，手动数据输入）；协调数据并校准模型；并运行模型的不同方案。

工作流自动化使用高级编程语言例程来连接这些手动过程，以便可以自动填充和更新模型。自动化只是工作流构建的DOF要求的一部分。DOF解决方案还要求工程工作流足够智能，能够捕获实时警报和警报，以生成快速操作、更新工程应用程序并提供正确的时间监控、诊断和流程优化，从而在现场级别提供运营指导。

此外，工作流应具有预测性质和预测未来操作问题的能力。对于这些复杂的任务，DOF工作流必须包括复杂的语言程序，如模型识别、模糊逻辑、神经网络、代理模型和优化等人工智能组件，支持高级多变量统计分析，生成可靠的短期和长期预测。第4章讨论了这些数据分析的概念。

第5章讨论了工作流自动化的主要组件，其中包括以下关键概念：

• 工作流程（WF）基础和理念。
• WF类型，如单一、集成、自动化、智能。
• 工作流重点包括以良好为中心、以任务为中心、以KPI为中心以及以设施为中心。
• 控制WF的因素，例如数据与模型驱动的WF。
• 物理模型，如经验模型、分析和数值模型，用于数据对账。
• 虚拟模型，如虚拟计量系统，当实际计量不可用时。
• 统计分析和智能组件的预测模型。
• 认知建议，如基于异常的管理、知识捕获和持续改进。

1.5.4用户界面和可视化

实时运营中心（RTOC）传统上具有大屏幕，仪表板包含各种图形、图表、表格和仪表，主要显示桌面应用程序的实时数据。最新一代的DOF实现具有超越传统仪表板的显示，并在Web门户和移动基础结构上包括高度交互式的动态和基于地图的多维（颜色、大小、类型元素）显示。显示器适合用途，专注于个人角色和全面。用户界面（UI）不仅显示基本数据，还显示与操作操作相关的诊断和分析。视觉效果吸引和激励工程师参与协作过程。UIs旨在指导工程师完成工作流程，自动访问和使用所有相关数据（图1.9）。

 

图1.9DOF系统具有用户界面，可汇集来自多个源的数据，并在多个设备（如高端计算机监视器、平板电脑和智能手机）中显示数据。

DOFUIs的设计应具有以下功能：

• 高效的数据重新加载和数据刷新，
• 直观的图形设计，自我解释，自动流动，没有为简单任务请求手动，
• 基于GIS地图的功能集，
• 简单明了，能够清除不明确和冗余数据的UI，
• 互动式，为未来的行动提供咨询控制和建议。
• 数据挖掘和信息图形显示聚类、关联和数据分类结果的能力。能够以多维地图、绘图和图形显示结果，以及
• 移动UI可随时随地从任何设备（智能手机、平板电脑、笔记本电脑工作站、协作工作环境）访问数据。

配备多个大型监视器的传统运营中心最初设计为监控单个工程重点（例如钻井或设施操作），并由适当的学科专家配备人员。DOF正在演变为称为协作工作环境（CWE）或决策支持中心（DSC）的新物理空间，这些空间旨在通过跨运营价值链集成的适合用途的工作流视觉对象，从多个学科进行协作。这些空间可以分为会议室、情况室、RTOC和CWE（通常被认为是最先进的）（取决于其业务运营）。监视器和屏幕的可视化要求是实时显示多个原始和已处理数据源。

第8章讨论了成功可视化的要求，包括：

• 硬件，如计算机或高性能计算机（群集）、服务器、光纤、以太网、大屏幕高清（HD）监视器、摄像机、投影仪、通信等。
• 使用宽带上网，实现快速发送电子邮件、实时消息传送、屏幕共享和视频会议。
• 协作工作区，通过易于访问的个人监视器实现开放式可视化，以便更近距离地查看大屏幕内容。

1.5.5 协作与人员组织

传统上，油藏管理价值链中涉及的学科，工作在学科孤岛、多个手动数据移交、不同系统的使用以及低效的通信情况下。成功的 DOF 系统需要该价值链中涉及的所有学科（包括远程位置的专业人员）之间的协作。如今，技术允许所有团队成员进行视频会议，而不管他们的地理位置如何。

图 1.10 显示了如何将传统的孤立组织转变为协作团队。

 

图1.10 组织转型示例。

协作意味着与运营中心建立联系，进行公开对话，为讨论做出贡献，与他人合作寻找解决方案，并传达结果。然而，组织上的主要挑战是使团队充分准备，以便应对 DOF 系统转型和实施过程中发生的更改。从这个意义上说，石油和天然气组织必须为较新的和更有经验的专业人员制定培训和变更管理计划，以获得在 DOF 环境中工作所需的技能。

第 8 章讨论正确准备工作组所需的任务和计划；其中包括：

• 确定技能组合，并定义所有专业人员和员工的角色和责任，不仅在他们自己的学科中，而且在协作领域的贡献。
• 由经验丰富的专业人士提供指导和辅导。
• 建立清晰有效的指挥链。
• 建立和维护高性能的专业环境，并指定在新环境中工作的适当行为（例如，合作、尊重其他意见等）。
• 认识到需要管理压力，尤其是全天候实时紧急情况，并管理不同的气质和不同文化。
• 建立明确的流程来降低风险。
• 为变革管理、资产转型和持续改进制定明确的流程和目标。

1.6 DOF 执行的价值

1.6.1 行业挑战

上游油气的特点是土地、资本和市场竞争激烈；因此，所有碳氢化合物生产商都必须注重生产效率。石油价格不稳定，开采成本通常在更具挑战性的环境中增加，例如深水和北极位置以及非常规资源（如页岩油气）。成熟的领域也需要高度关注运营效率。

环境问题在北极地区、深水区和城市化地区等许多地方最为重要。因此，具有劳动力较少的远程操作的潜力。即使油价波动，全球需求也有望以每年0.25%的速度增长，这需要每年增加2亿STB/日原油的同等供应量。

这种需求增加需要新的开发和生产活动。

为了在遵守环境政策和满足世界石油需求之间取得更好的平衡，石油和天然气行业在这些领域面临着战略挑战：

• 复杂的操作：海上单一资产、多口油井、多个可能故障点、油井操作、油井干预、完成和地下数英里记录的复杂性；
• 健康、安全和环境 （HSE） 影响的潜在影响：固有的危险操作（远程环境中的复杂机械）、对人员的高风险；如果发生对环境造成负面影响的事件；
• 全球能源需求与生产成本；
• 减少操作中的人干预；
• 将石油业务（有时是高风险）转变为现代技术驱动的作业；
• 将缓慢和反应性的石油作业重新装修，以便更快地对不需要的事件做出响应，从而更好地预测使用自动化流程故障；
• 改善跨学科沟通和协作；
• 异常管理，以降低干预成本、人工和 EH&S 影响。

1.6.2 DOF 系统如何应对挑战和增值

一流的 DOF 项目针对关键性能指标为 DOF 实施提供硬和软成本效益分析。例如，将运营成本降低一定百分比，将停机时间减少一定百分比，提高员工效率，按例外情况进行管理，将生产效率优化一定百分比（人工提升），以及优化设施运营。有有形和非有形指标，可用于评估 DOF 投资和性能：

借助有形指标或关键绩效指标，DOF 力求最大化：

1. 降低风险，尽量减少协助工伤的操作员和专业人员的暴露。最终目标是实现"零事故"性能。这是无价的。
2. 增加生产提升时间或提升。
   1. 监测水库下降率或洪水过程。虽然 DOF 不会在其最大生产潜力内增加油井产量，但资产团队可以实时监控机油下降率是否偏离预期的工程计算（计划）。此外，借助井下设备，DOF可以及时检测水突破，控制井生产。
   2. 检测实时生产和与计划的比率偏差。在有50多口水井的田地里，使用人工升降机，操作员需要一天去当地参观所有的水井。可能，三分之一的总井正在关闭或生产低于预期值。操作员没有时间了解哪口油井有故障排除。使用 DOF，操作员可以可视化故障油井存在故障，并响应补救计划。
   3. 确定增加产量的机会。与储层、生产和地质模型集成的实时数据可以通过简单监控生产数据来揭示隐藏的信息。
   4. 提高工作流程效率。
      1. 数据可以实时发送到操作中心。通过分析信号行为，可以预料到是主动的故障排除。
      2. 数据使用标准工业流程以结构化和有组织的方式存储在运营数据库中，而在手动流程中，数据保存在个人备份单元上。
      3. 与基准性能相比，自动化过程提高了整个手动工作流数量级，减少了人为错误和误判。
   5. 提高员工/团队的效率。
      1. 今天，60%到80%的工程师将时间花在数据收集和管理上。为什么不让机器执行这个繁琐且容易出错的任务，并将工程时间用于识别短期和长期机会？
      2. 留出更多时间进行故障排除、解决性能问题，并在正确的时间生成快速诊断并呈现短期机会。
      3. 逐项管理，自动咨询确保员工根据价值和关键绩效标准以及最有效的顺序解决问题
      4. 关注长期机会。
   6. 减少其他业务费用

无形指标：

• 加强专业学科之间的协作与合作。
• 主动解决无反应操作操作问题
• 提高团队合作动机
• 快速参与和识别（所有权，但具有治理）与公司目标。

 

1.6.3 DOF全球基准

本节提供了本章前面讨论的 DOF 项目生成的一些业务价值的示例，并在表 1.1-1.9 中进行了总结。图1.11 说明自 20 世纪 90 年代末以来，许多公司（包括 IC、NOC 和独立的 E&Ps）已在世界各地实施了 DOF。表 1.1-1.9 概述了 DOF 项目调查的特点。

1.6.3.1 智能油田

为了量化其智能油田计划的附加值，壳牌基于保守的估计和计算规则实施了严格的价值评估（Van den Berg等人，2010年）。评估包括全球 50 家壳牌资产，评估了 12 个月（2009 年）的影响。

测试期间评估的类别包括智能井、油井优化、设施优化、远程/自动化操作和团队效率改进。评估量化了原油价格为每桶30美元时每桶5美元的总体效益。智能油田方案为增加70,000STB/日的产量做出了贡献。资本支出减少（CAPEX）估计为8亿美元。在成功实施 智能油田计划后，壳牌在全球范围内实施了集成生产系统模型 （IPSM），该模型可建模和跟踪生产问题，如管道瓶颈、固体吸气、侵蚀节流阀、电动潜水泵 （ESP） 停机时间以及分离器压力问题。

1.6.3.2 未来油田

BP（2017a,b）表示，2007年其未来油田（FoF） 计划交付了 30 到 50MBOE/D 的总产量。英国石油公司已经安装了1750公里的海底光缆，将海底油井与全球业务连接起来。该公司在休斯敦的高性能计算中心（CHPC）建立了专门的大数据和分析创新实验室。英国石油公司还投入了大量的工程工作和CAPEX应用数字技术来模拟墨西哥湾（GoM）工厂的碳氢化合物流量，以更低的每桶成本增加产量。BP 基于模型的运营支持 （MBOS） 计划使用实时监控来确定提高运营绩效的方法；例如，GoM中的大型Thunder Horse油田可监控有害沥青烯的堆积，从而缓解这一问题，显著减少油井和立升机中代价高昂的堵塞。复杂的数字优化技术也被用于克服常见的行业问题——管道和立管中的不稳定流动（称为流水），可能导致平台暂时关闭。BP 的泥浆控制器技术使用实时测量和复杂算法来识别泥浆在形成时，并自动调整节流圈设置，以稳定流量，而不会停止生产。这样，可以避免昂贵的人工干预，稳定生产。

1.6.3.3 KwIDF 计划

在三大DOF系统成功实施后，科威特石油公司对其智能系统所增加的价值进行了为期18个月的评估。Al-Jasmi等人（2013年）和尤努斯等人（2014年）报告说，在受水淹过程模式影响的井中，通过增加60口水井中最多14 MSTB的水注入，每口油井的石油日油量将显著增加8%。在12个月内，它总共货币化了720MSTB，每桶90美元。更重要的是，其智能系统能够准确预测ESP井，并产生生产问题。Jamal等人（2013年）、Al-Enezi等人（2013年）和穆塔瓦等人报告说，结合主动和被动行动，如增加/降低ESP频率和扼流圈设置、清洁井和关闭临时油井——KOC在石油生产方面平均提高了37%，每口油井只有10次行动。石油总量接近4 MSTB/d，12个月累计产量为756亿立方米。此外，科威特石油公司在Al-Jasmi等人（2013年）中报告说，分析一口油井与生产问题的时间从7.3小时减少到只有1.6小时，从而提高了个人和团队的效率。没有报告任何费用或财务信息；然而，随着这些重大的石油收益，我们认为运营商应该在OPEX上显著减少。

1.6.3.4 挪威国家石油公司的一体化作业

通过一体化作业（IO——Integrated Operations）程序，Statoil 已经意识到，远距离实时传输数据可用于消除海上装置与岸上支持组织之间、专业团体之间以及公司与供应商之间的内部物理距离。Jones（2010 年）的一份报告确定了 IO 的这些优势：提高 HSE 性能、更高效的钻井操作、更好的油井布置、改进生产优化和采油、改进储层和生产控制以及设备监控、更高效的维护以及更高的规律性（生产正常运行时间）。产量提高了3%-5%，生产损失减少了20%-40%，运营和维护成本降低了15%-30%，从而带来了收益。在2007年的一份报告中，挪威石油工业协会（2007年）预计，该计划可能增加410亿美元的净现值（NPV）。

1.6.3.5 智能油田（I-Fields）

在I-Field 计划中，雪佛龙利用传感器、监控和优化工具的发展，可根据实时发生的情况预测和规划，并持续调整操作条件。雪佛龙估计，其I-Field计划有助于产量增加，运营成本降低2%-8%（Meyer，2010年）。

1.6.3.6 智能油田实践

沙特阿美公司一直从实施其I-Field做法中获得有形和无形的好处。这些优势与优化运营成本、现场绩效和安全记录直接相关（Abdul-Karim等人，2010年）。例如，Al-Malki等人（2008年）报告说，在预注阶段更好地了解储层压力通信，利用实时油藏管理，以新的增量实现及时最佳注水管理。阿布哈德里耶、法迪利和库尔萨尼耶（AFK）油田的I-Field项目通过调整AFK油田11油藏的注水率（Al-Khamis等人，2009年），帮助将计划注水需求从计划体积减少14%，超过3个月。I-Field 实施的其他实际好处包括：

• 在Khurais油田大大加快评估在库拉斯和哈尼法极其复杂的油藏间通信，现在完成在几个星期，而不是几年。
• 最大限度地减少油井干预、提高工作效率和对生产偏差的及时响应，导致电缆作业每年减少四倍，以收集流动的井底压力 （FBHP） 和静态井底压力 （SBHP） 数据（Al-Arnaout 和 Al-Zahrani，2008 年）。
• 随时为 AFK 油田11个油藏原油等级的混合物的原油性能提供质量保证（Al-Khamis 等人，2009 年）。
• 在生成数据采集程序和油田战略监控总体规划时实现平衡方法。

1.6.3.7 COP的一体化作业

康菲石油有具体的目标，建立和跟踪KPI指标，并根据其IO计划的基线进行评估。对于柱塞升降机业务，评价估计2012年的年度支出比2009年基准（Krushell，2015年）减少了39%。这种减少是通过集中管理系统、智能逻辑控制、改进的维护策略以及加强审查和优化井下程序来实现的。在干预过程中，该公司报告2012年的支出比2010年的基准减少了29%，这是由于减少了抽吸活动和杆泵停机时间或故障活动，并实施了井下缺陷消除过程。其他价值来自油罐管理、作业报告、卡车运输物流、发货跟踪和数据管理以及更快的通信方面的改进或变化，从而增加了正常运行时间和生产。