Интеллектуальная установка обработки бурового раствора

Когда слышишь ?интеллектуальная установка обработки бурового раствора?, первое, что приходит в голову — это панель с кучей датчиков и автоматика, которая якобы всё сделает сама. На деле же, если ты работал на буре, знаешь: интеллект тут не в железе, а в том, как система адаптируется к реальным условиям — к внезапному пескованию, к скачкам плотности, к изменению реологии на глубине. Многие поставщики грешат тем, что продают просто компьютеризированные версии старых декантеров и вибросит, а потом у заказчика на объекте начинаются танцы с бубном, потому что ?умная? система не может справиться с банальным увеличением содержания твёрдой фазы выше 25%. Вот об этом разрыве между рекламной картинкой и практикой и хочется поговорить.

Что на самом деле скрывается за ?интеллектом? в обработке раствора?

Если отбросить маркетинг, то ключевых компонента три. Первый — это система мониторинга в реальном времени, которая берёт данные не раз в час, а постоянно: плотность, вязкость, содержание песка, электропроводность. Но данные — это ещё не интеллект. Второй компонент — алгоритмы, которые эти данные анализируют и могут прогнозировать, например, когда потребуется добавить утяжелитель или увеличить производительность очистки. И третий, самый сложный — это обратная связь с исполнительными механизмами: заслонками, насосами, шнеками. Именно здесь чаще всего и кроется проблема: программное обеспечение может дать идеальную команду, но изношенный гидроциклон или залипший шиберный затвор её просто не выполнят.

На одном из проектов в Западной Сибири мы столкнулись как раз с этим. Установка была новая, ?умная?, от европейского производителя. Датчики показывали идеальную картину, а бурильщики жаловались, что раствор на выходе из скважины ?грязный?. Оказалось, что алгоритм был настроен на работу с растворами на водной основе определённой реологии, а на объекте перешли на синтетическую основу с другими параметрами. Система продолжала ?думать?, что всё в порядке, потому что её модель не была обучена на таких данных. Интеллект оказался очень узким.

Отсюда мой главный вывод: интеллектуальная система должна быть не просто запрограммирована, а обучаема. И лучше, если её архитектура позволяет инженеру на площадке вносить корректировки, добавлять новые параметры отклика. Жёсткие, закрытые системы в нашем деле обречены на провал. Кстати, когда ищешь оборудование, стоит обратить внимание на компании, которые понимают эту гибкость. Например, на сайте Chengdu Eastwing Filter Co., Ltd, (https://www.estfilter.ru) в описаниях их решений для полной производственной цепочки нефтегазовых проектов виден акцент именно на адаптивность систем, что близко к реальным потребностям.

Практические узкие места и как их обходить

Говорить об автоматизации легко, пока не столкнёшься с российской зимой. Одна из самых частых поломок в ?умных? установках — отказ пневматических или электрических приводов заслонок на ситах или гидроциклонах при -40°C. Производители часто ставят стандартные комплектующие, не рассчитанные на такие условия. Приходится либо заказывать специальное исполнение, что дорого, либо ставить ручные дублирующие механизмы, что сводит на нет часть автоматизации. Это та деталь, которую в офисе в Хьюстоне или даже в Москве могут просто не учесть.

Ещё один момент — калибровка датчиков. Вибрационный плотномер может давать сбой, если его внутренняя трубка забьётся шламом. Ультразвуковые датчики уровня в ёмкостях начинают ?врать? при сильной вибрации от работающих рядом насосов. Поэтому любая, даже самая продвинутая интеллектуальная установка обработки бурового раствора требует не меньше, а порой и больше внимания обслуживающего персонала. Только этот персонал должен быть не слесарем, а техником, понимающим принципы работы сенсоров и логику контроллера.

Мы однажды попробовали сэкономить и взяли систему, где все датчики были от одного, но неспециализированного поставщика. В теории — единый протокол, простота интеграции. На практике — датчик вибрации на насосе работал отлично, а тот же самый, но поставленный на вибросито, выходил из строя каждые две недели от перегрузок. Пришлось менять на более rugged-версии другого бренда. Интеграция, естественно, усложнилась. Урок: унификация хороша, но не в ущерб специализации компонентов под конкретную задачу.

Связка с другими системами буровой: миф или необходимость?

Сейчас модно говорить о цифровом месторождении, где все системы общаются друг с другом. На бумаге интеллектуальная установка обработки бурового раствора должна передавать данные в систему управления буровыми процессами, а оттуда получать информацию о текущей глубине, проходке, геологии. Это позволило бы прогнозировать изменение параметров раствора заранее. Но на живых проектах такая интеграция — редкая птица.

Причины — и технологические (разные протоколы, закрытые API), и, что чаще, организационные. Данные по раствору — это зона ответственности сервисной компании, а данные по бурению — оператора. Обмен ими часто упирается в вопросы коммерческой тайны и просто в нежелание усложнять процессы. В итоге ?интеллектуальная? установка часто работает в вакууме, используя только свои внутренние данные. Её потенциал используется на 30-40%.

Единственный случай, где я видел более-менее работающую связку, это когда и буровое оборудование, и система очистки были от одного крупного интегратора. Но и там были костыли в виде промежуточного сервера, который конвертировал данные. Для средних проектов, на мой взгляд, пока рано гнаться за полной интеграцией. Надо сначала добиться стабильной и предсказуемой работы самого контура очистки и рециркуляции раствора. А это уже огромная задача.

Экономика вопроса: когда окупается ?умное? решение?

Здесь расчёты часто лукавые. Поставщик складывает экономию на персонале (меньше операторов), экономию на реагентах (точнее дозирование), экономию на утилизации шлама (лучше очистка) и выдает красивую цифру окупаемости за 1.5-2 года. В жизни выходит иначе. Экономия на персонале нивелируется необходимостью держать более дорогого специалиста по КИПиА. Экономия на реагентах есть, но она не столь значительна, если и при ручном управлении технолог опытный.

Главная экономия, которую я считаю реальной, — это сокращение непроизводительных простоев из-за проблем с раствором. Когда система вовремя предупреждает о начале гелеобразования или о падении реологических свойств, это позволяет принять меры до того, как возникнут осложнения в скважине. Один предотвращённый час простоя буровой установки стоит дороже, чем месячная зарплата оператора. Но чтобы система так работала, её нужно правильно настроить и обучить под конкретную геологию региона. Это долго и требует участия очень квалифицированных инженеров.

Поэтому для коротких проектов на 3-5 скважин интеллектуальная установка обработки бурового раствора часто невыгодна. Затраты на её ввод в эксплуатацию и ?обкатку? не успеют окупиться. А вот для долгосрочной эксплуатации на кусте скважин или для проекта с большим количеством горизонтальных участков, где требования к раствору особенно жёсткие, — это уже необходимость. Тут как раз решения, охватывающие полный цикл, как у упомянутой Chengdu Eastwing Filter Co., Ltd,, имеют смысл, потому что они заточены под комплексный подход, а не под разовую поставку.

Взгляд в будущее: без чего уже нельзя будет обойтись

Думаю, что через 5-7 лет стандартом станут системы с элементами машинного обучения, которые не просто реагируют, а действительно учатся на истории работы на конкретном месторождении. Они смогут строить прогнозные модели стабильности ствола скважины на основе динамики параметров раствора. Это уже не фантастика, пилотные проекты есть.

Второй тренд — модульность и мобильность. Не гигантские стационарные комплексы, а блок-модули, которые можно быстро переконфигурировать под разные задачи: под бурение сланцевого газа, где свои нюансы с реологией, или под работу с угольным метаном, как в некоторых проектах, где также задействованы комплексные поставщики. Такая гибкость будет цениться выше, чем максимальная степень автоматизации.

И последнее. Самый главный ?интеллект? всё равно будет находиться не в железе, а в голове инженера, который понимает физико-химические процессы в скважине. Система должна быть его помощником, инструментом, а не чёрным ящиком, который выдаёт непонятные рекомендации. Поэтому в интерфейсах будет всё больше смещаться акцент на визуализацию и объяснимость: не просто ?увеличьте подачу реагента Х?, а ?мы прогнозируем рост содержания глинистых частиц на горизонте N, исходя из текущего тренда вязкости и данных с соседней скважины, поэтому рекомендуем...?. Вот к такой работе с данными и нужно готовиться уже сейчас, выбирая оборудование с открытой архитектурой и вдумчиво подходя к его внедрению, а не гонясь за модным словом ?интеллектуальный? на этикетке.