Blog

Jun 17, 2023

Energiewirtschafts-Apps steigern die Effizienz

UH-Forscher entwickeln Ölrückgewinnungswerkzeuge mit „deutlich höherer Genauigkeit“

UH-Forscher entwickeln Ölrückgewinnungswerkzeuge mit „deutlich höherer Genauigkeit“ als aktuelle Methoden

Von Rashda Khan 713-743-7587

25. Mai 2023

Ein Forscherteam der University of Houston hat eine Reihe digitaler Anwendungen entwickelt, um Prozesse in der Energiewirtschaft effizienter zu gestalten. Drei innovative Online-Rechner, der neueste ist der UH Hydrocarbon Gas Minimum Miscibility Pressure (MMP)-Rechner, stehen Branchenfachleuten kostenlos zur Verfügung.

Da sich der Fokus der Branche auf die Kohlenstoffabscheidung, -nutzung und -speicherung (CCUS) und eine Netto-Null-Wirtschaft verlagert, könnte die Gasinjektion eine entscheidende Rolle spielen. MMP ist die Schlüsseleigenschaft, die die Machbarkeit und Effizienz eines Gasinjektionsprojekts bestimmt, eine der effektivsten Methoden zur verbesserten Ölförderung. Darüber hinaus wird es einen Kalibrierungspunkt für Kohlendioxid-Sequestrierungsprojekte bieten, wenn Kohlenwasserstoffe vorhanden sind. Die neuen Rechner für Kohlenwasserstoff-MMP, Kohlendioxid-MMP und Viskosität können Ingenieuren vor Ort helfen, Zeit, Ressourcen und Geld zu sparen, indem sie schnellere Screenings und Berechnungen ermöglichen.

Das Team besteht aus Birol Dindoruk, Stiftungsprofessor der American Association of Drilling Engineers für Erdöl-, Chemie- und Biomolekulartechnik an der UH; Mohamed Soliman, Vorsitzender der UH-Abteilung für Erdöltechnik; und Utkarsh Sinha, der 2018 einen Master-Abschluss in Erdöltechnik an der UH erwarb. Die drei Forscher lernten sich kennen, als Sinha ein Doktorand war.

„Diese Apps bieten eine schnelle, robuste Methode zur Bereitstellung des MMP-Werts während der Gasinjektion mit leicht verfügbaren Eingaben und mit einer deutlich höheren Genauigkeit als alle etablierten Methoden, die in der Branche verwendet werden“, sagte Sinha.

Kohlendioxid und Kohlenwasserstoffgase sind die am häufigsten für Gasinjektionsprozesse verwendeten Gase. Diese Gase dienen mehreren Zwecken, darunter der Erleichterung der Kohlendioxidbindung und der Optimierung des Druckniveaus für maximale Effizienz.

„Das Verhalten der Kohlendioxid-/Ölphase unterscheidet sich stark vom Verhalten der Kohlenwasserstoffgas-/Ölphase“, sagte Dindoruk. „Wir mussten also verschiedene Tools mit einem erweiterten Leistungsspektrum entwickeln. Wir bieten verschiedene Ansätze für die Messung von MMP an.“

Angesichts der schnelllebigen Energiebranche und der Erkenntnis, dass Ingenieure und technisches Personal nicht unbedingt den Luxus haben, in wissenschaftlichen Arbeiten geteilte Ideen zu testen und umzusetzen, war das Forschungsteam entschlossen, diese Tools „den Benutzern zur Verfügung zu stellen“, fügte er hinzu Dindoruk.

„Wir wollen nicht, dass unsere Ideen und Erkenntnisse nur auf dem Papier existieren“, sagte er. „Wir möchten, dass unsere Tools und Techniken von anderen eingesetzt und genutzt werden, um die Effizienz dieser Prozesse zu verbessern.“

Durch die kostenlose Bereitstellung der Apps hoffen die Forscher, aus dem Feedback der Nutzer zu lernen, Verbesserungen vorzunehmen und sogar neue Anwendungen zu entwickeln.

UH-Viskositätsrechner

Die Viskositäts-App berechnet die Dicke von Rohöl in seinem natürlichen Zustand, auch als totes Öl bekannt, und benötigt dafür nur sehr wenige Informationen. Es handelt sich um eine Vollbereichsmethode, die einen weiten Bereich der Ölviskosität messen kann – von einem Bruchteil von Centipoise (cp), einer Maßeinheit für die Viskosität, bis zu einer Million cp.

„Wenn wir eine Viskosität bei einer Temperatur kennen, können wir jede Viskosität bei jeder Temperatur innerhalb des von uns festgelegten Bereichs ermitteln“, sagte Dindoruk. „Das ist wirklich nützlich, weil es uns hilft, Einschränkungen bei der Messung der Ölviskosität bei hohen Temperaturen zu umgehen.“

Weitere Einzelheiten zu dieser App finden Sie im Artikel „Augmented Dead Oil Viscosity Model for All Oil Types“ durch maschinelles Lernen.

Die Forscher integrierten maschinelles Lernen in ihre Arbeit und veranlassten sie, mit Unterstützung verschiedener Mitwirkender umfangreiche Daten zu sammeln. Das Team nutzte diese Daten, um optimale Versionen nachfolgender Modelle zu erstellen.

„Wir haben durch diese Arbeit wertvolle Erkenntnisse und Erkenntnisse gewonnen und sind allen dankbar, die uns auf diesem Weg geholfen haben“, sagte Dindoruk.

UH-Kohlendioxid-MMP-Rechner

Kohlendioxid und Kohlenwasserstoffgase werden üblicherweise in Gasinjektionsprozessen verwendet, insbesondere zur Kohlendioxidbindung und zur verbesserten Ölgewinnung. Allerdings verhält sich Kohlendioxid anders als andere Gase, sodass spezielle Methoden zur Berechnung des MMP für Kohlendioxidgasströme erforderlich sind. Die am weitesten verbreitete Methode ist die Verwendung eines schlanken Röhrengeräts, sie unterliegt jedoch Einschränkungen hinsichtlich des Zeit- und Materialbedarfs. Forscher haben auch mithilfe von Regressionstechniken Korrelationen zur Schätzung des MMP entwickelt, doch auch diese unterliegen Einschränkungen.

Das UH-Team untersuchte zwei verschiedene Ansätze zur schnellen Berechnung des MMP für die Kohlendioxidinjektion mithilfe statistischer und maschineller Lernmethoden, die in der veröffentlichten Arbeit „Prediction of CO2 Minimum Miscibility Pressure Using An Augmented Machine-Learning-Based Model“ beschrieben sind. Diese Modelle berücksichtigen die Zusammensetzung und die Temperatur des Öls als Eingangsparameter. Das vorgeschlagene Hybridmodell schneide besser ab als bestehende Korrelationen und Methoden des maschinellen Lernens und decke ein breites Spektrum an MMP-Werten ab, sagte Dindoruk.

UH-Kohlenwasserstoff-MMP-Rechner

Kohlenwasserstoffgase sind eine gute Wahl für die Gasinjektion, da sie in vielen Situationen leicht verfügbar sind. Wenn sich Gase gut mit Öl vermischen, trägt dies dazu bei, mehr Öl aus der Lagerstätte zu fördern. Die Verwendung von Kohlenwasserstoffgasen zur Injektion bietet weitere Vorteile:

Um die Ölgewinnung zu verbessern und die richtige benötigte Gasmenge zu berechnen, konzentrierten sich die Forscher auf das MMP. In dieser neuesten Studie, „Physikgesteuertes datengesteuertes Modell zur Schätzung des minimalen Mischbarkeitsdrucks (MMP) für Kohlenwasserstoffgase“, verwendete das Team ein Modell namens Light Gradient Boost (Light GBM), um den MMP für die Injektion von Kohlenwasserstoffgasen abzuschätzen. Sie ermittelten auch die Mindestmenge an schwererem Kohlenwasserstoffgas, die erforderlich ist, um den angestrebten MMP zu erreichen.

„Dies trägt dazu bei, den gewünschten Druck zu erreichen, ohne dass teure Kompressoren erforderlich sind oder das Risiko einer Beschädigung des Reservoirs besteht“, sagte Dindoruk. „Wir haben unser Modell getestet und mit anderen Methoden verglichen, und es hat eine bessere Genauigkeit erzielt.“

Die UH-Modelle berücksichtigen die Physik der Gas- und Ölmischung und berücksichtigen wichtige Eingabefaktoren, die den Mischungsdruck beeinflussen. Das zweite MMP-Modell ist für Kohlenwasserstoffgase bestimmt und vervollständigt die Werkzeugpalette.

„Mit diesen beiden MMP-Apps können Benutzer Berechnungen mit den verschiedenen Mischungen durchführen“, sagte Dindoruk. „Wir streben danach, End-to-End-Lösungen für praktische Probleme bereitzustellen.“

Das UH-Forschungsteam arbeitet bereits an der Entwicklung eines weiteren praktischen Instruments zur Messung der Kohlendioxidlöslichkeit in realistischen Solen mit gemischten Salzen, was ein wichtiges Thema für die Bewertung der Kohlendioxidsequestrierung in tiefen Salzgrundwasserleitern ist – bleiben Sie gespannt auf dieses Tool.

Hier gelangen Sie zu den Apps: