Por Jonathan Chong, gerente de investigación y desarrollo de tecnologías avanzadas, Sensia.
Imagínese lo que pasaría si cada activo de producción en todos sus sitios con pozos contara con un ingeniero de supervisión que monitoreara y gestionara constantemente el rendimiento de dicho activo. Usted podría mantener todos sus activos operando de manera óptima y reducir notablemente el riesgo de fallos e interrupciones.
Este tipo de asignación de recursos puede parecer inviable en las operaciones actuales en las que un puñado de ingenieros tienen la tarea de supervisar y responder a alarmas procedentes de centenares de pozos.
Pero ahora, tecnologías como la inteligencia artificial (IA) y el aprendizaje automático están transformando las posibilidades de la producción petrolera. Estas tecnologías le permiten escalar e implementar de manera económica inteligencia previamente inaccesible, de modo que los activos no se dejen desatendidos.
Esta transformación hacia operaciones más inteligentes y autónomas puede ayudarlo a reducir los riesgos de tiempo improductivo. Además, puede ayudar a mejorar considerablemente la eficiencia de la producción.
Cómo superar los desafíos de la producción petrolera
La naturaleza de la producción de petróleo y gas siempre ha planteado desafíos respecto a la implementación de amplias operaciones automatizadas.
Los yacimientos están ubicados en lugares remotos y dispersos, y a veces su acceso resulta difícil. Las restricciones prácticas, tales como los costos, pueden limitar el nivel de instrumentación, control e intervención. Las condiciones cambiantes con el paso del tiempo también requieren métodos adaptativos que podrían hacer los procesos automatizados demasiado costosos o difíciles de implementar mediante los métodos actuales.
Sin embargo, debido a los desafíos que usted afronta como productor, podría pensar que no hay más remedio que evolucionar a operaciones más inteligentes y automatizadas. La industria del petróleo y del gas ha sido uno de las más afectadas por la pandemia, pero esos desafíos técnicos en el campo requieren nuevas soluciones.
Por ejemplo, en el área de operaciones, los ingenieros se sienten a menudo abrumados por la excesiva cantidad de alarmas para demasiados activos de producción. Esto se debe a que las alarmas monitoreadas por estos ingenieros funcionan según límites estrictos y rastrean si un activo está funcionando en una región óptima, por lo que se requieren ajustes regulares a medida que el pozo evoluciona.
Como es de esperar, puesto que los operadores o ingenieros de producción se enfrentan a una inmensa cantidad de alarmas, es posible que hagan caso omiso de eventos importantes, lo cual provoca tiempo improductivo de los activos y de la producción debido a daños en los equipos o disparos accidentales causados por la escalada de eventos. Además, normalmente se enteran de los eventos después de que estos se han producido, lo cual significa que es más probable que aborden los problemas de manera reactiva y no proactiva.
Automatización inteligente en el borde
La inteligencia puede proceder de diversas fuentes. La industria goza de un gran historial de herramientas de modelado y simulación, así como de conocimientos de las operaciones. En la actualidad es cada vez más necesario que las soluciones ofrezcan un equilibrio óptimo entre estos conocimientos de dominio y el aprendizaje automático. Desde hace tiempo, uno o más de estos elementos están desconectados. Lo que determina el éxito de una inteligencia más descentralizada son el empaquetado, la implementación y el mantenimiento eficientes de dichos elementos a escala.
Estas soluciones pueden integrarse en un gabinete de control y una unidad terminal remota (RTU) habilitados para IoT de un activo de producción administrado de manera centralizada a través de la nube con actualizaciones inalámbricas. La implementación de esta inteligencia en el campo le permite obtener los tiempos de respuesta necesarios para la automatización y optimización de lazo cerrado. La automatización avanzada puede llevarse a cabo de una manera confiable sin hacerse susceptibles a factores como, por ejemplo, interrupciones de comunicaciones inalámbricas, limitaciones de ancho de banda y costos.
Una vez implementada esta automatización, será posible detectar y tomar medidas de inmediato respecto a la probabilidad y gravedad de problemas como eventos de flujo bajo.
Si volvemos a estudiar el ejemplo anterior de la ESP, ¿cómo puede un sistema no solo identificar los eventos como los expertos de primer nivel, sino que también cómo puede resolver los eventos con mayor rapidez, confiabilidad y de manera óptima? Al igual que un automóvil autónomo que evita colisiones al detectar riesgos y realizar maniobras correctivas, estas soluciones basadas en IA implementadas en el sistema de control pueden reconocer situaciones de alto riesgo al evaluar de manera constante la probabilidad y la gravedad de problemas como, por ejemplo, eventos de flujo bajo, y tomar medidas inmediatas en tiempo real. Como las ESP están ubicadas a gran profundidad, precisan del flujo adecuado para enfriar el motor y la bomba. En condiciones de flujo bajo, se podría liberar una cantidad considerable de energía localmente alrededor de la ESP, lo cual requiere atención inmediata para resolver el problema. La solución puede actuar ajustando las operaciones del equipo, tales como la velocidad de la ESP u otras manipulaciones de válvula, en función del tipo específico de evento de flujo bajo detectado, y monitoreando el impacto de los ajustes con base en múltiples criterios.
Este tipo de toma de decisiones inteligentes emula a un “súper operador” que puede evitar que las situaciones se agraven hasta un punto en que provoquen el fallo del equipo o el disparo por límites de protección, lo cual resulta en un costoso tiempo improductivo. Además, puesto que el sistema puede efectuar ajustes de control de forma proactiva en las etapas tempranas en que las condiciones se agravan, puede proteger los activos de producción y prolongar su vida útil.
Actualmente, con recursos limitados los operadores se ven obligados a priorizar los pozos que deben atender con base en métricas como las tasas de producción, a la vez que permiten que se disparen los pozos de nivel inferior con las consiguientes interrupciones prolongadas. No obstante, en una época en la que es necesario buscar hasta la más mínima oportunidad de mejorar la eficiencia, estas soluciones escalables basadas en IA podrían ayudar a los operadores a evitar tener que hacer concesiones.
Por último, los expertos comparan un parámetro de referencia y evalúan de manera continua el rendimiento de la solución, lo cual es una faceta crítica para fomentar la confianza entre el usuario y el sistema.
