摘要
利用大数据、高级数据分析、机器学习、自动化和云计算等技术对现有流程进行数字化转型，将在运营领域实现持续的性能改进。这项技术的应用将连接物理世界和数字世界，提供物理资产和过程的数字模型。它将呈现一个永久、高度集成的数字资产模型——从储层到出口管道。
Brage 操作团队在初始的机会框架研讨会上确定了潜在数字转型最高的流程。根据痛点和业务需求，重点放在生产和井的性能优化、实时数据的实施和处理，以及从数据库集成到仪表盘的全部信息流的领域。对改进数据基础设施和IT/OT性能的强烈依赖将需要与IT/OT团队密切合作。
新的解决方案将与已确定的全球解决方案进行对齐和整合。改进数据采集与已存在的“数字孪生”技术的整合将使工作流程首次重塑。要进行转型的流程的优先级将由其对业务的影响以及扩展到其他Wintershall Dea资产的可能性来确定。
重点领域，如阵列运动、数字化生产工程师、智能维护、仪表盘以及计划和调度在不断发展的想法中被定义出来。个别流程，如注水和尺寸监控，也变得更加高效和透明。愿景是将所有流程集成到一个可定制和协作的仪表盘解决方案中。
简介
数字化转型正在彻底改革石油和天然气行业，结合平台终身内收集的大量数据，生产技术和操作人员现在可以利用这些数据降低运营支出并提高生产效率。
Brage 油田由四个储层组成，分别是Fensfjord、Statfjord、Sognefjord和Brent，其中每个储层都应用了气举技术。几年前就已经发生了水突破。去年，Brage 油田庆祝了其25周年纪念，这意味着生产优化至关重要。许多参数，如最大水和气举能力、阵列运动、砂石产量和尺寸问题，显示这不是一个简单的过程。
这些挑战并非新问题，数字化是更好地理解、解决和减轻它们的关键。在布拉格油田这样的棕地环境中开展数字化之旅的动机是由于生产增加，因为更高效的生产操作，成本节约，可能实现预测性维护和自动化流程可以主动标记可能的故障，并且系统可以完成例行任务。
这最终导致工作更高效，最终延长了平台的使用寿命。棕地环境和绿地环境中的数字化是两个不同的挑战，原因各不相同。在绿地开发中，可以从一开始就设计系统和数据环境。数字化是从一开始就是一个主题，传感器、系统和流程可以相应地设计和设置。
然而，在棕地环境中，挑战是不同的，因为基础系统通常比较老旧，并且平台处于计划寿命的末期。通常需要先交换或升级数据系统，以便有基础来开始实施数字化流程。
另一个重要方面是数据的可用性和质量。在棕地环境中，平台的整个生命周期都收集了大量数据，但由于数据质量较低，这些数据通常无法使用。此外，数据传感器可能缺失，因为它们在平台启动时未安装。数字化转型为布拉格带来了哪些关键好处？这是开始数字化之旅的根本问题？
将人员、设备和系统连接到整个价值链，以便在需要时随时获得所有信息。
将数据迅速转化为更明智的决策，以更高效、优化的方式降低运营成本，提高生产水平，并延长油田的使用寿命。
促进合作伙伴和利益相关者管理。
通过更快、更好地诊断缺陷和因果关系来改进HSEQ绩效，以纠正和逆转负面趋势，实现更安全的工作。
方法
从内部构思阶段开始，对日常工作环境中需要改进的痛点和可能的工作流程进行了映射。在接下来的阶段，外部提供者协助整理这些发现，并通过设计思维方法等方式来进行关键领域的映射。然后，这些关键领域逐步得到完善和结构化，并创建了商业案例，最终基于其影响领域和经济价值，确定了五个重点项目。
这个过程，从最初的会议和构思阶段到商业案例的定义和重点项目的映射，历时数个月，而一些高价值项目已经在之前开始。因此，这个方法是由痛点和机遇的分析驱动的，而不是对整个平台进行数字化。
定义和选择了个别流程及其商业案例。数字技术将如何改变我们的工作方式，创造效率或成本节约？回答这个问题有助于开发当前布拉格数字孪生项目组合，其中所有项目都涉及数据处理的三个步骤：
数据解放：通常来说，将运营数据放入数据湖基础设施，对于一个25岁的平台来说是一个复杂的步骤，因为硬件组件需要升级，但这是非常重要的一步。这一步的最终目标是拥有一个单一的数据来源，可供任何人在任何时候使用时需要。
数据分析：一旦数据可用，下一步就是通过充分利用数据来优化和改进流程和工作流程。与不同专业供应商合作，应用先进的分析技术，帮助我们更安全、更高效地运营。
数据可视化：然后，深入洞察数据的可视化对于向个别工程师和操作人员传达这些见解至关重要。实时仪表板将支持决策过程和不利条件的通知。重点在于可定制性和协作性。
通常这已经是解决方案了。数字化和数字化是两个不同的概念，有时被互换使用。数字化是将物理物品，例如书面信件，转化为数字形式，以便在PC上进行处理等任务。数字化是利用数字技术或数字化任务来改进流程的过程。这一点很重要，因为布拉格数字孪生项目是一个数字化项目，因此利用现有和经过验证的技术，如机器学习，来改进和优化日常操作工作，提高效率，增加产量，降低成本。
在构思阶段和整理构想之后，对不同主题进行了详细解释，其中包括对商业案例的初步估计。商业案例基于产量增加、更高效的工作和因此节省的时间，这些时间可以用于其他更重要的任务，而不是例行任务和成本削减。初步估计非常粗略，只是为了了解不同主题的规模可比性。
随着时间的推移，这些估计变得越来越成熟，因此在更多细节上得到了完善。这些倡议根据其估计的商业案例和成功的可能性进行了排名；然而，这仍然是一个不断发展的过程，根据新信息、商业案例的调整或最近发现的成功可能性来进行优先级的调整。该项目主要是以敏捷项目管理方式进行的。
重点项目
选择的五个重点项目如下所述：
仪表板景观：该想法的关键在于透明度和合作。打破数据孤岛和基于电子表格的工作流程。
数字生产工程师（DPE）：DPE由几个子项目组成，如生产优化、注入优化、规模处理优化和砂堵优化。
串塞：由于其早期启动、重要性和高优先级。
智能维护
计划/排程
这些项目和子项目被评估为具有最高的影响力和最高的成功概率。然而，关于布拉格已安装的窄带技术，还进行了一个相关的项目。该项目的目标是为平台上更高效的冷却器监测提供一个廉价且快速的物联网技术概念验证。物联网传感器的好处包括价格便宜和安装简单、电池寿命长以及易于维护等。
仪表板景观/架构
数据可视化是发现错误行为并可能预防故障或昂贵干预的重要方面。通常，数据并不容易访问，获取和提取数据以进行分析需要时间。因此，数据的透明性和可访问性是一个重要的主题。专业供应商Eigen被选为仪表板解决方案的试点项目（见图1）。为了测试目的，在Azure云中安装了Eigen Ingenuity框架。这包括与历史数据库AspenTech IP.21的VPN连接，允许以各种方式显示和操作过程和生产数据。
图1 生产仪表板在试点阶段的第一次实施
这个阶段花了很多时间，因为由于各种限制和安全障碍，获取生产数据是一个复杂的任务。因为以前没有进行过这样的连接，所以没有明确的参考资料可供参考。在成功建立实时连接之后，为了进行为期3个月的测试期，首先定义了一些任务，这对于测试解决方案在日常运营中的功能和整合非常重要。
这些任务包括：
（1）为了提高透明度和更快地发现异常行为，创建一个新的仪表板概览；
（2）创建包括分析和通知的所有井和参数的概览和趋势，以便值班工程师可以进行高效的跟踪；
（3）自动化和改进每周生产计划的流程及其基础任务；
（4）自动化井产量分配过程，以在Eigen仪表板环境中实时实现产量数据。
试点项目的目的是测试Eigen Ingenuity平台在运营中的分析、趋势和仪表板能力，并优化或重新定义我们的一些工作流程。该项目侧重于替换用于技术工程管理和监控Brage油田的系统，更具体地说是油田的生产和注入井的管理。
混流
油田生产井的生命周期通常非常具有挑战性，并且各个井之间存在差异。有些井从一开始就钻探和产出高油率，没有任何其他操作问题；然而，其他井从一开始就面临挑战。这些生产挑战，比如涡流，对设施造成压力，使得生产工程师被迫间断性地操作井，甚至永久关闭井，这将在任何情况下导致产量损失。除了产量损失，涡流还会损坏处理设备并加速侵蚀效应，导致更高的故障率和维护成本。所有这些都导致显著的经济损失。
涡流可以由不同的潜在原因引起。主要类型的涡流是严重或升降管引起的涡流，其原因是海上管道升降管，在其中液体可能在升降管底部积聚并堵塞气体流动。然而，上游液体积累处将增加压力，并在某一点推动液体上升。另一种类型是猪式清洗引起的涡流。猪式清洗器是一种通过管道清除可能的沉淀物的设备，该设备然后会产生液体涡流。第三种类型是水动力涡流，通常在管道中液体和气体以不同的速度流动时引起。速度差异在某一点会导致水平井液相中的小波动，最终导致涡流。水动力涡流主要取决于相速率和地形，具有高频率。
第四种类型，也是对我们的用例最有趣的类型，是地形涡流。正如其名称所示，地形涡流是由管道或水平井的地形引起的。通常在长水平段的井的末期生产阶段出现，当油藏压力下降时。地形差异可能是由于地质导向而产生的，这可能导致水滞，其中液体可能在某个时间点积累。产生的气体所带来的上游压力不足以推动液相通过液滞进一步向上沿着井筒积聚液体。气相压力不断增加，并在某个时刻足够高，足以推动液体通过水滞并将液体作为涡流沿着井筒上升，直到液体的静液压力再次大于气体压力时，下一体积的液体开始在液滞中积聚。
缓解这些涡流类型尤其具有挑战性，因为井的轨迹已经确定，并且有时，即使已知将会引起挑战，也不能由于地质和钻井原因而进行更改。因此，对于生产工程师来说，准备和配备缓解工具至关重要。
多年来，从每口井收集了大量数据，例如井口压力和温度。然而，这些数据往往没有充分利用其优化每口井的生产。每口井的大量数据结合数据科学知识，可以用于预测和缓解生产问题。这对于一些Brage油田的井来说特别有趣，因为它们在涡流方面存在问题。主要的产量损失是由于涡流，因此这些井通常甚至不能投产。
涡流流动在油井的尾部生产中是典型的，其中一定数量的液体紧随其后的大量气体引起间歇性液体流动，从而导致产量行为的不稳定性。这些不稳定性是不希望的，因为设施中的后果可能很严重：从流体分离不足，增加燃烧到在最坏的情况下关闭整个油田。涡流项目的目的是开发一种算法，可以预测井的状态，提前一段时间识别可能发生的涡流，从而有可能及时干预。
首先要问的问题是如何在物理上模拟涡流流动。如果存在一个针对井进行调整的物理模型，可能可以优化流动。该方法通过行业验证的模拟器存在。然而，这些纯粹的物理模型需要不断调整和调整。此外，涡流频率通常非常短，但计算周期性能密集且耗时。尽管模型可能维护得很好，并且性能良好，但可预测性通常中等。
考虑到缓解涡流可能产生的价值，并确保稳定流动，使问题特别重要。了解纯粹物理模型方法的限制和缺点，例如其调整和维护时间，以及尝试数据驱动方法的价值变得有吸引力。
数据驱动的方法必须提供需要低至无维护的关键行为，以及对未来涡流预测的低不确定性，更重要的是准确的优化。
除了上述提到的因素外，物理限制也起到了作用，例如节流阀的反应时间和关闭速度。如果一个井面临高频涡流，但节流阀的反应时间和关闭速度过慢，最佳算法将无法帮助缓解涡流。
综上所述，了解整个解决方案过程中涡流问题的技术可行性至关重要，从数据开始。有哪些数据（哪些测量值）以何种频率和质量可用？了解涡流的种类和特征，以及引起涡流的关键参数。调查和了解设备限制，例如如果有优化技术，需要什么。节流阀能否自动更改？是否需要在顶部进行修改以使解决方案运行？
这些问题需要事先回答，因为它们是成熟过程中的重要里程碑，以免最后遇到令人不愉快的意外。
在了解这些未知因素后，为项目制定了一些关键的里程碑和阶段：
技术可行性：数据驱动算法能否预测即将到来的涡流，至少有所预知以调整节流阀？
算法是否可靠？将算法放在屏幕上以创建可见性和信任。通过视觉显示预测结果良好。尝试根据优化建议手动调整节流阀并观察反应。
操作化：首先让优化算法在有限的时间内控制节流阀，然后逐渐延长时间，直到训练好的模型完全控制节流，以缓解涡流。
一家具有数据科学和石油天然气行业经验和专业知识的供应商，Algorithmica Technologies，被选为试点项目。
在项目早期阶段，一个重要方面是获得概念验证，即是否可能在节流阀反应时间内识别涡流，以可能主动进行干预。因此，该项目被分为4个主要里程碑。第一个里程碑是回答概念验证问题，以模拟井的状态，第二个里程碑是验证是否可能主动指示涡流。第三阶段是手动测试不同的节流阀设置。这一步是重要且必要的，因为算法需要训练如何优化井，在最后自动缓解涡流。在验证优化理论上可行后，第四个步骤是一个修改项目，以升级节流阀执行器，以实现更快和自动的反应。
为了及时开始概念验证，选择了一口涡流井的数据集从历史记录中导出。然而，在该过程中，意识到尽早找到IT环境解决方案非常重要，以便可能的解决方案可以实时运行。问题，例如训练好的模型是否会作为公司环境中的应用程序运行，以及其外观如何，或者实时数据流是否传送到Algorithmica Technologies，并在那里进行计算？决定等到概念验证成功后再回答这些问题。
模拟井状态的两个主要途径启动：
明确将有限的历史数据提供给不变的模型，例如多层感知器；但是，难以确定这个有限历史的长度和其他参数，且该模型的性能较差。
将当前状态提供给具有内部记忆的模型，该模型保留整个过去的处理版本，例如LSTM（长短期记忆）。这种方法的特点是易于参数化且性能更好，但训练时间较长。
LSTM不仅可以摄取和预测一个变量，而是多个变量。对于我们的目的，提供了图2中测量和指示的所有数量，包括生产节流阀设置。因此，该模型可以相对于其他变量预测涡流行为。由于生产节流阀设置是我们可以控制的变量，我们可以询问是否可以通过更改节流阀来缓解即将发生的涡流。该模型可以回答这个问题。
图2 气举井示意图
需要一种优化算法来计算节流阀的变化将如何在涡流反应中取得最佳效果，这是一种引导式试错计算，因此有必要拥有一个能够在实时中快速计算的模型。使用了模拟退火方法，因为这是一种通用方法，运算速度非常快，收敛到全局最优解，需要很少的工作内存，甚至可以轻松纳入复杂的边界条件。
LSTM网络由几个嵌套的LSTM单元组成，见图3。每个单元有两种不同类型的参数。一些参数是模型系数，在使用参考数据集进行调整后保持恒定。其他参数是随着每个新的数据点被呈现进行评估而随时间改变的内部状态。这些状态参数是网络的"记忆"。它们捕捉并存储当前观察中包含的信息，这些信息将在以后某个时间点有用于输出结果。这就是LSTM如何预测未来事件的方式。
图3 LSTM网络示意图。x，输入信号；h，隐藏信号；A，带有步骤的单元，用于确定状态、遗忘和更新功能。
经实证数据发现，可以实现300分钟的预测时间范围。这个预测与实测观测具有0.95的皮尔逊相关系数R2，因此提供了可接受精度的预测。接下来的挑战是定义一个涡流指标，使系统能够识别特定的行为为涡流。
为系统定义一个涡流指标本身就是一个挑战。如图4所示，涡流的高峰将太晚反应给节流阀。因此，如图所示，指标（橙色竖线）在峰值之前变为1（表示涡流），然后回到零（没有涡流）。
图4 观测到的井口压力数据与模拟数据的比较，几乎完全重叠，包括定义的涡流指标（竖线）。
这些发现——能够预测井口压力变化长达300分钟，这为节流阀提供了足够的反应时间，并且能够隔离，即自动检测涡流。
尽管这些结果看起来非常有希望和令人惊喜，因为长达300分钟的预测绝对足够采取某种干预措施来减轻涡流的影响，但关键是“采取某种干预措施”。预测井的行为是需要证明的一个概念，然而，单纯的预测看起来很有趣，但并没有提供任何附加价值，因为重要的是如何进行干预。井口节流阀是否需要改变？如果是，改变到什么程度？或者应该改变气举节流阀吗？如果是，改变到什么程度？
为了让模型知道如何最优化地减轻涡流，它需要从变量参数改变时获取数据——在这种情况下是井口节流阀，可能还有气举节流阀。人们可能会认为在井的使用寿命中有不同节流阀位置的特定时期，然而，由于许多井是填充井，通常情况下并非如此。这些井通常是低油藏压力的长水平井，导致气举注入从井的早期开始，井口节流阀完全开启。因此，训练数据驱动模型需要通过节流井的方式产生数据变化。为此，我们设计并在海上实施了一个程序，以高效捕捉所有相关组合的范围，因为节流会导致一定的产量损失。
完成程序后，再次提取数据并发送给algorithmica technologies，以对新获得的数据进行模型训练，这需要几天时间。结果看起来不错，数据驱动模型提供了优化井的建议。
与此同时，尽管数据驱动模型已经准备好实施来减轻涡流，但该井变得越来越不经济，决定将其封井。因此，一方面我们拥有训练有素、基本准备好的数据驱动模型来减轻涡流，另一方面由于产量收益过低，决定封闭该井。
经验表明，在概念验证后，我们有信心该模型在其他井中也能工作。所选择的井尚未完全出现涡流，但已经显示出一些迹象。也就是说，在正常生产期间，井的流动稳定，但如果将井关闭然后重新启动，会有一段时间的涡流现象。这种行为使该井成为一个完美的候选者。
与此同时，我们还建立了数据历史记录和algorithmica technologies之间的直接连接，这有助于开始对新井进行最优训练。对于此次尝试的范围进行了略微调整。除了能够减轻涡流，首先应将其用作监控工具，以便模型可以在之前稳定条件下发出警报，预示着涡流可能会变得更加严重。需要提及的是，根据经验表明，所选择的井由于它们生产的地层和井轨迹形状，在启动后很可能在某个时候开始产生涡流，正如图5所示。
图5 对易受涡流影响的井进行监测的第二次尝试，如果涡流将变得更严重，将收到通知。
在最初选择的井进行了概念验证后，开始对新井进行模型训练，调整了范围。有趣的是，对该数据进行模型训练似乎比之前的时间更长，这可能已经表明了更高的复杂性。在模型训练后验证了这一假设。预测时间范围比第一口井训练的300分钟要短。然而，这并不是障碍，因为对于监控和可能的干预来说，仍然足够。
现在，已经用数据驱动模型训练了两种井的行为，其中一种还包括海上测试，可以说只要有历史数据，预测井的状态就是可能的。下一步是将计算实时化，使工程师可以将预测与实际井的行为进行比较。如果这一步取得成功，将会引发一个新的项目，对受到涡流干扰的井进行改造，以便模型可以自动进行调整。
这最后一步是令人兴奋的，因为在长期的角度来看，数据驱动模型将自动监测和优化井。这可能会减少工程师处理问题井所需的时间，同时也增加该井的价值。除此之外，这可能还会减少维护成本，因为流线和分离器中的流量更加稳定，从而减轻了设备的压力。
通过自动调整井来缓解涡流问题并不是一项简单的任务，需要对各个阶段和里程碑进行全面规划，直到模型能够自动优化稳定流动的井。然而，对两口井进行的概念验证表明，可以预测井的状态，并获得关于最佳节流的建议。此外，尚未实际尝试，这仍然是一个重要的步骤。这可能会进一步了解调整节流器对预测稳定性的影响，从而回答在实际运营中的工作原理。
此外，现场测试还将展示调整节流器必须多么精确才能获得期望的积极效果。例如，如果节流器反应延迟5分钟，并且与模型建议稍有不同，将会发生什么情况？结果会相同，还是涡流甚至会变得更严重？总体而言，模型和建议的稳定性如何？
数据结构
一个稳固的底层数据结构是成功数字化转型的关键。由于不同类型的信息保存在不同的数据库和结构中，并且上面的安全特性使得构建一个稳固的数据湖架构成为一个巨大的挑战。
出于这个重要性，Wintershall Dea启动了自己的全公司项目，称为数据整合项目，其目标是构建一个数据湖基础设施。该项目的结果应该是建立“数据真相的唯一数据源”。
为Brage创建了这样一个基础设施的可能轮廓（图6），其中数据湖是信息的中心，通过数据探查器与历史数据库AspenTech IP.21相连接。自2019年1月以来，Brage上已经有了窄带基础设施，可以通过从物联网中心流式传输数据来集成这项技术。
图6 Brage可能数据湖解决方案概要。
目前保存在不同数据库中（如SAP、Tieto或SQL）的所有数据源可以被推送到数据湖，通过一个连接可以通过不同的应用程序进行访问。然后可以根据其需求和功能选择应用程序作为服务（AAS - 应用程序即服务），而不是其与不同数据源的连接性。截至今天，这样的基础设施尚不存在，例如，用于仪表板解决方案的试点项目目前直接连接到历史数据库进行概念验证阶段。
展望
数字化是未来优化流程、降低成本的关键方面，通过利用可用的数据结合正确的专业知识。在短期和中期，重要的是在Brage运营中体现这些解决方案，使日常工作变得更加高效和有效。从长远的角度来看，应该能够根据需要将这些解决方案推广到Wintershall Dea环境中的所有业务单元。
结论
本章展示了从构想阶段到对一个老化平台进行数字化转型的过程。解释了为什么数字化老化平台是有意义的。许多挑战的根源通常是文化问题而不是技术问题。
在构想阶段已经得出的一个重要发现是，重要的是外部引导者在石油和天然气行业拥有丰富的经验，并深刻理解业务的独特性。否则，我们发现在确定和开发想法方面进展缓慢，人们的参与也不够强烈。
在产品开发中创建对Scrum及其优势的理解，以及创建对项目的拥有感，是一个挑战，而在某些情况下仍然存在产品拥有权的问题。
数据的可用性、连接性、解放和明确的数据基础仍然是愿景而非现实。然而，这是一个特别重要的问题，因为它为所有后续的分析和数据科学工作提供了基础。目前，数据连接是根据请求建立的，通常需要数周或数月的时间。数据的可用性，不仅包括过程数据，还包括从软件工具中获取数据并以正确的格式呈现，是复杂的，通常是执行数字化倡议的瓶颈。
除了描述的重点项目和对其中两个项目的深入探讨，还有所谓的“低悬果实”——易于快速实施的项目，往往具有很大的时间节省效益，例如水注入监控。以前的监控是用各种电子表格进行的；然后设计了一个快速的MVP，并在Eigen Ingenuity平台上实现，现在提供了一个紧凑的仪表板概览，并在超过阈值时自动发出警报。这个实施过程只需要不到三天的时间。