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. La Figura 1 muestra un pozo problemático de bomba eléctrica sumergible (ESP) con múltiples eventos de interferencia de gas. En un lapso de siete meses, se acumuló un tiempo improductivo de aproximadamente 100 días; casi 100 ciclos de paro-arranque (Hz=0) y un total de 4 días en los que el sistema estuvo en condiciones difíciles de flujo bajo.
Fig. 1 Múltiples disparos debido a una escalada de eventos en pozos problemáticos resultan en tiempo improductivo y operaciones costosas
Considere cómo se llevan a cabo la rastreabilidad y la priorización de eventos en la mayoría de las operaciones. Esta actividad es mayormente manual, desde la detección de lo que está pasando hasta la respectiva toma de acciones. La Figura 2 muestra la secuencia de eventos de un incidente real en un pozo de ESP de alto valor donde se probó un núcleo de detección basado en IA en tiempo real. El núcleo recibió señales en tiempo real desde el sistema de ESP, tales como descarga de bomba y presiones de admisión, velocidad de motor, corriente y temperaturas, y presión en boca de pozo. Dicho núcleo fue diseñado pensando en la robustez, con capacidad para aceptar diferentes combinaciones de mediciones disponibles y considerar problemas de calidad de datos, tales como datos de sensor ausente, inmóvil y defectuoso.
En este incidente, el sistema pudo indicar un problema durante el rearranque, tan rápido como los expertos de primer nivel –o incluso más rápido. La solución equilibra la sensibilidad que puede provocar alarmas falsas y la recolección de evidencias suficientes antes de indicar un problema. Aun cuando la solución demostró un valor significativo al proporcionar una alerta temprana de un evento crítico existente, todavía hubo 23 minutos desde el punto de detección hasta la interrupción por el uso de procesos mayormente manuales. Si fuéramos un paso más allá, ¿podría el sistema ser suficientemente inteligente como para diagnosticar la situación, recuperarse por sus propios medios y evitar una interrupción costosa?
Fig. 2 Secuencia de eventos de un incidente real en un pozo de ESP donde se probó un núcleo de detección basado en IA en tiempo real.
Al ayudar a los operadores a resolver eventos críticos en los pozos con mayor rapidez, estas soluciones también contribuyen a prolongar la vida útil de la bomba y a maximizar la producción. Durante la operación normal, las ESP estarán sujetas a diversas condiciones difíciles, así como al desgaste normal asociado con el funcionamiento de un dispositivo mecánico. La combinación de la fatiga mecánica provocada por eventos críticos, tales como flujo bajo, múltiples arranques-paros y el desgaste normal, contribuyen al fallo de la bomba. Cuanto más larga sea la duración de los eventos críticos, mayor es la fatiga mecánica en la bomba.
Esto se muestra en la Figura 3 como una zona de operación roja en la secuencia de eventos superior. Cuanto más rápido pueda detectar el evento y resolverlo, evitando así la zona roja, menor será la fatiga mecánica a la que se expondrá la bomba. Y esto aumenta la probabilidad de que la bomba tenga que funcionar por más tiempo. Durante la vida útil de la bomba, esto resulta en menos costos de intervención y en un aumento del tiempo de producción.
Fig. 3 Explicación del valor de un sistema de detección temprana de eventos críticos basada en IA.
Mientras tanto, la industria del petróleo y del gas afronta el reto del gran número de jubilados. Cuando los empleados con gran experiencia se jubilan, se llevan consigo décadas de conocimientos críticos relacionados con los activos y procesos de producción.
La implementación de capacidades de producción más inteligentes –donde sea adecuado en su ecosistema– puede ayudarlo a superar estos desafíos capturando conocimientos de procesos esenciales y habilitando mayores niveles de automatización dentro del sistema de control en el borde.
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.
Mayor nivel de conocimientos
Cuando estas soluciones basadas en IA se operacionalizan a escala, también pueden mejorar la gestión de activos de producción al suministrarle a los expertos de operaciones un mayor nivel de apoyo en la toma de decisiones. Desde un punto de vista centralizado, esto le permite empezar a capturar, priorizar, resolver y clasificar eventos de forma inmediata.
Al fomentar esta cultura en flujos de trabajo bien diseñados, se puede acumular una gran cantidad de conocimientos con el paso del tiempo, los cuales se pueden aprovechar para mejorar continuamente. En el caso de la ESP, a medida que se validan y se catalogan debidamente más eventos, se pueden implementar técnicas de aprendizaje supervisado para reentrenar los núcleos a fin de mejorar las métricas de rendimiento.
Además, los conocimientos recopilados se pueden utilizar a lo largo de toda su empresa a un nivel de granularidad significativo. Ahora, en vez de perder los conocimientos especializados de los trabajadores que se jubilan, usted recolecta, retiene y comparte conocimientos con toda la fuerza laboral, incluyendo a los nuevos empleados con menor experiencia, a fin de promover la toma de mejores decisiones.
Este enfoque también puede transformar cómo el personal de producción hace su trabajo. ¿Cómo? Ya que la solución incorporada en el sistema de control puede monitorear y responder donde sea apropiado, los operadores pueden enfocarse mejor en las actividades de valor agregado de medio a largo plazo, tales como la planificación de operaciones de mantenimiento y de estrategias de optimización de la producción.
Gracias a mayor acceso a inteligencia en el ecosistema, se reducirá la brecha entre los ingenieros de producción y las operaciones con el paso del tiempo. Esto permitirá una mayor colaboración entre los equipos de trabajo y ayudará a aprovechar las eficiencias que anteriormente no estaban accesibles.
Además, hay elementos de la solución basada en IA que pueden aprender continuamente más sobre cada pozo y los eventos de este. Con este mecanismo, la solución se adaptará y, con el tiempo, podrá mejorar sus decisiones para resolver problemas en función del historial único de cada pozo. Esto permitirá que cada pozo se controle como si un ingeniero supervisor dedicado lo hubiera estado monitoreando y atendiendo de forma continua durante años.
Vuelva a imaginar su yacimiento
Las soluciones basadas en IA en tiempo real en la nube y en el campo ya se están probando, lo cual ayuda a promover la toma de mejores decisiones.
Estas soluciones han sido concebidas para ofrecer un máximo impacto con un mínimo de interrupciones, con capacidad de ampliación posteriormente a fin de abarcar muchos activos con un mínimo de configuración y mantenimiento adicional. Los ensayos de campo en curso siguen dando resultados positivos. Las soluciones basadas en IA se utilizan en la nube para detectar y priorizar eventos y en el campo para resolver de forma autónoma eventos críticos y resultar en mejoras a lo largo del tiempo.
Muy pronto, soluciones inteligentes como estas constituirán una necesidad competitiva para los productores que deseen no solo mejorar su rendimiento y rentabilidad, sino retener conocimientos críticos de operaciones antes de que se esfumen.
Sobre el autor: Jonathan Chong es el gerente de investigación y desarrollo de tecnologías avanzadas de Sensia, una empresa conjunta entre Rockwell Automation y Schlumberger. Su ámbito de interés es la operacionalización a escala de la inteligencia artificial y las técnicas de modelado físico en sistemas digitales y de automatización para lograr operaciones cada vez más autónomas, robustas y capaces de adaptarse a entornos complejos en evolución.
