Geri Dön

Machine learning based selection of candidate wells for extended shut-in due to fluctuating oil prices

Değişken petrol fiyatları nedeniyle uzun süreli kapatılması gereken kuyuların makine öğrenmesi ile belirlenmesi

PDF İndir

  1. Tez No: 887199
  2. Yazar: BEYZA LOBUT
  3. Danışmanlar: DR. ÖĞR. ÜYESİ İHSAN BURAK KULGA, DOÇ. DR. FAZIL EMRE ARTUN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Petrol ve Doğal Gaz Mühendisliği, Petroleum and Natural Gas Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Petrol ve Doğal Gaz Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 125

Özet

Petrol fiyatlarındaki değişkenlik, performans tahminlerinin gerçekçi fiyat tahminleriyle birleştirilmesi gereken karar alma durumlarını olumsuz yönde etkilemektedir. Fiyatların ciddi oranda düştüğü dönemlerde ekonomik amaçlarla kuyuların 6 ay ve daha uzun süre kapatılması sektörün sıcak konularından biri haline gelmiştir. Örneğin, COVID-19 salgınının ilk günlerindeki fiyatlar, petrol ve doğal gaz endüstrisi şirketlerinin aktif kuyularının tamamını veya bir kısmını kapatmayı düşünmeye zorlamıştır. Kısmi kapatma durumunda, aday kuyuların seçimi, ilgili belirsizlikler dikkate alındığında zorlu bir karar problemi olarak görülebilmektedir. Şirketlerin dalgalanan petrol fiyatı dönemlerinde saha geliştirme planları için bir fikre ihtiyaç duyması bu çalışmanın ilk odak noktasıdır ve uzun vadeli kuyu kapatma potansiyel çözüm olarak belirlenmiştir. Ancak, bu çalışmanın amacı uzun vadeli kuyu kapatmaları için aday kuyuların seçilmesidir. Çözüm olarak, kuyuların performanslarına göre sınıflandırılması, uzun süreli kuyu kapama için kuyuların seçilebilmesine olanak sağlayacak ve süreci kısaltacağı varsayılmıştır. Bu çözüm için, denetimsiz makine öğrenmesindeki kümeleme algoritmaları kullanılmıştır. Bununla birlikte, bu çözümün bir sonuca ulaşmasını sağlayabilmek adına ekonomik analiz gerçekleştirilmesi planlanmıştır. Uzun süreli kuyu kapama yönteminin seçilmesinin temel amacı, düşük fiyatların rezervuarın ekonomik performansı üzerindeki olumsuz etkilerini en aza indirmektir. Literatürde geleneksel rezervuarlara göre, geleneksel olmayan rezervuarlar için daha çok kaynak bulunan uzun süreli kuyu kapamanın, geleneksel olmayan rezervuarlarda üretimi arttırdığına dair çalışmalar bulunmaktadır. Uzun yıllar üretim geçmişi bulunan ve bu verilerin çoğunlukla kaydedilmediği geleneksel rezervuarlarda ise, kısa süreli kuyu kapama belli aralıklarla gerçekleştirilirken, uzun süreli kuyu kapama rezervuarın petrol kapasitesine bağlı olarak gerçekleştirilmektedir. Bu çalışmada, 170'den fazla kuyu bulunan, uzun (50+ yıl) üretim geçmişine sahip, olgun bir petrol sahası ele alınmaktadır. Benzer koşullara sahip rezervuarlar, sık bakım gereksinimleri ve düşük üretim oranları gibi ekonomik sürdürülebilirliğe ilişkin birçok zorlukla karşı karşıyadır. Üretim sırasında elde edilen veriler yardımıyla bu karar verme problemini denetimsiz makine öğrenmesi yoluyla çözülmesini amaçlanmıştır. Kuyu konumlarındaki ortalama rezervuar özellikleri, kuyu performans istatistikleri ve kuyu konumları gibi veriler, kuyular arasındaki benzerlikleri ve farklılıkları karakterize edebilecek potansiyel özellikler olarak kullanılır. Geçirgenlik parametresi bu saha özelinde düşük varyanslı olup homojen özellik göstermektedir. Gaz-petrol oranı parametresi en yüksek varyans değerine sahip olup kuyularda ayırıcı özellik olarak ön plana çıkan ilk parametredir. Tüm parametreler arasındaki korelasyonları araştıran çok değişkenli bir veri analizinden sonra, yukarıda belirtilen özelliklere göre benzer kuyu gruplarını belirlemek için kümeleme algoritmaları kullanılmıştır. Çalışmada kullanılan, denetimsiz makine öğrenmesi tekniklerinden k-ortalama kümeleme ve hiyerarşik kümeleme yöntemlerinin tüm senaryolar için kullanılarak karşılaştırılması silhouette analizi ile yapılmış olup elde edilen sonuçlar doğrultusunda k-ortalama kümeleme algoritması ile devam edilmesine karar verilmiştir. K-ortalama kümeleme algoritmasının silhouette aralığı hiyerarşik kümeleme algoritmasına göre yüksek çıkmıştır. Ayrıca, hiyerarşik kümeleme yönteminde her küme için negatif bölgede bulunan kuyu sayısı k-ortalama kümeleme yöntemine göre çok daha fazla olduğu gözlemlenmiştir, ve bu durum düşük kalitede bir kümeleme yapıldığının işaretidir. Optimum küme sayısına karar verme yöntemi olarak küme-içi hata oranı analizi kullanılmıştır ve bu analizin sonuçlarına göre kuyuların 3 küme olacak şekilde sınıflandırılmasına karar verilmiştir. Sahanın rezervuar simülasyon modeli kullanılarak farklı kuyu gruplarında kapanma senaryoları simüle edilmiştir. Petrol fiyatının 6, 12 veya 18 ay boyunca varil başına 30 dolara düşeceğini varsayan ekonomik değerlendirme için 3 yıllık tahmini rezervuar performansı simüle edilmiştir. Düşük petrol fiyatı dönemindeki petrol fiyatları, yüksek petrol fiyatı dönemindeki petrol fiyatları ve faiz oranı olmak üzere bu 3 değişkeni göz önünde bulundurarak hassasiyet analizi gerçekleştirilmiştir. Ekonomik analiz sonuçları, hangi grup kuyunun kapatılması gerektiğini belirlemek amacıyla analiz edilmiştir. Kuyu performanslarının 3'lü küme durumunda düşük, orta ve yüksek performanslı kuyular olarak kolaylıkla karakterize edilebileceği gözlemlenmiştir. Düşük, orta ve yüksek performanslı olarak kümelenen kuyularda, düşük performans gösteren küme; yüksek su ve gaz üretimine ve düşük petrol oranı ve kümülatif üretime sahip kuyulardan oluşmaktadır. Diğer yandan, yüksek performanslı kuyuları içeren küme; yüksek petrol üretimi ve yüksek gözeneklilik değerine sahip ve üretim geçmişi en uzun kuyulardan oluşmaktadır. Detaylı ekonomik analizin yanısıra, net gelire ek olarak kuyu başına olan operasyonel yükü gözlemleyebilmek için ortalama aktif kuyu sayısı hesaplanmış ve buradan yola çıkarak“Aktif kuyu başına NBD”parametresi oluşturulmuştur.“Aktif kuyu başına NBD”ve“Nakit Akışından NBD”parametrelerini dikkate alarak tahmin senaryolarını analiz etmek, düşüşler sırasında tüm düşük, orta ve yüksek performanslı kuyuların bir arada kapatılmasının“aktif kuyu başına NBD”için daha iyi ekonomik sonuçlarla sonuçlandığını göstermiştir. Ancak, düşüşler sırasında yüksek ve orta performanslı kuyuların bir arada kapatılması ve yalnızca düşük performanslı kuyuların işletilmesi“Nakit Akışından NBD”için daha iyi ekonomik sonuçlar verdiği gözlemlenmiştir. Bu durum, detaylı ekonomik analizin gerekliliğini gösteren en belirgin sonuç olmuştur.“Nakit Akışından NBD”parametresi için gereken sabitler her ülkeye/bölgeye değişiklik gösterdiğinden çalışmada“Aktif kuyu başına NBD”parametresinin önemi vurgulanmak istenmiştir. Ek olarak, kuyuların kapama süresinin çok uzun olması (örneğin; 18 aylık kuyu kapama) ve düşük petrol fiyatı dönemi petrol fiyatı ile yüksek petrol diyatı dönemi petrol fiyatının birbirine yakın olduğu senaryolarda (sırasıyla; varil başına 30$ ve 40$) uzun süreli kuyu kapamanın etkili bir yöntem olduğuna dair belirleyici bir sonuç almak zorlaşmıştır. Hatta bu durumda, orta ve yüksek performanslı kuyuların operasyonda olması en iyi ekonomik sonucu vermiştir. Sonuçlar,“Nakit Akışından NBD”parametresinin yüksek fiyat dönemindeki petrol fiyatına en duyarlı olduğunu,“Aktif kuyu başına NBD”parametresinin ise düşük petrol fiyatı döneminde kapatılan kuyu sayısına en duyarlı olduğunu göstermiştir. Ayrıca, faiz oranının düşük fiyatlı petrol dönemlerinde NBD parametresini her iki koşulda da etkilemediği gözlemlenmiştir. Bu çalışma, özellikle incelenen sorun için, kuyu sınıflandırmasında denetimsiz makine öğreniminin etkinliğini göstermiştir. Makine öğrenimi kullanılarak şirketlerin hem kısa sürede karar verme mekanizmasını geliştirebileceği hem de düşük petrol fiyatı dönemlerinde kuyulara somut bir operasyon gerçekleştirmeden kar/zarar dengesini elde edebileceği sonuçlanmıştır. Diğer yandan,“Aktif kuyu başına NBD”parametresi ile şirketlerin detaylı ekonomik hesaplamalar yapmadan karar alabileceği bir ortam yaratılmıştır ve bu parametrenin“Nakit Akışından NBD”parametresinin düşük petrol fiyatı dönemi koşullarında yerini tutabileceği gözlemlenmiştir. İşletme şirketleri, düşük petrol fiyatları dönemlerinde uzun süreli kapatılacak kuyuları seçmek ve karar verme mekanizmasını geliştirmek için bu yaklaşımı kullanabilir.

Özet (Çeviri)

Fluctuations in oil prices adversely affect decision making situations in which performance forecasting must be combined with realistic price forecasts. In periods of significant drops in the prices, shutting in wells for extended durations such as 6 months or more may be considered for economic purposes. For example, prices during the early days of the Covid-19 pandemic forced operators to consider shutting in all or some of their active wells. In the case of partial shut-in, selection of candidate wells may evolve as a challenging decision problem considering the uncertainties involved. In this study, a mature oil field with a long (50+ years) production history with 170+ wells is considered. Reservoirs with similar conditions face many challenges related to economic sustainability such as frequent maintenance requirements and low production rates. It is aimed to solve this decision-making problem through unsupervised machine learning with the help of the data obtained during production. Average reservoir characteristics at well locations, well performance statistics and well locations were used as potential features that could characterize similarities and differences among wells. After a multivariate data analysis that explored correlations among parameters, clustering algorithms were used to identify groups of wells that are similar with respect to aforementioned features. Using the field's reservoir simulation model, scenarios of shutting in different groups of wells were simulated. 3 years of forecasted reservoir performance was used for economic evaluation that assumed an oil price drop to $30/bbl for 6, 12 or 18 months. Results of economic analysis were analyzed to identify which group of wells should have been shut-in by also considering the sensitivity to different price levels. It was observed that well performances can be easily characterized in the 3-cluster case as low-, medium- and high-performance wells. Analyzing the forecasting scenarios by considering“NPV per active well”and“NPV from Cash Flow”parameters showed that shutting in all low-, high- and medium-performance wells altogether during the downturns results in better economic outcomes for“NPV per active well”. However, shutting in high- and medium- performance wells altogether and operating only low- performance wells during the downturns results in better economic outcomes for“NPV from Cash Flow”. The results show that the“NPV from Cash Flow”parameter is most sensitive to the oil price during the high price period, while the“NPV per active well”parameter is most sensitive to the number of wells shut-in during the low oil price period. This study demonstrated the effectiveness of unsupervised machine learning in well classification, particularly for the problem studied. Operating companies may use this approach for selecting wells for extended durations of shut-in in periods of low oil prices.

Benzer Tezler

  1. Tez No

    857941

    Accelerating molecular docking using machine learning methods

    Kenetleme hesaplarının makine öğrenme metotları ile hızlandırılması

    ABDULSALAM YAZID BANDE

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    Assist. Prof. Dr. SEFER BADAY

  2. Tez No

    692422

    Hybridization of probabilistic graphical models and metaheuristics for handling dynamism and uncertainty

    Değişimin ve belirsizliğin ele alınması için olasılıksal çizgesel biçelerin ve sezgi-üstlerinin melezleştirilmesi

    GÖNÜL ULUDAĞ

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE ŞİMA UYAR

  3. Tez No

    424215

    Predicting the admission decision of a participant to the school of physical education and sports at Cukurova University by using different machine learning methods combined with feature selection

    Çukurova Üniversitesi beden eğitimi ve spor yüksekokuluna başvuran adayların kabul edilip edilmeyeceğini nitelik seçme algoritmaları ile birleştirilmiş farklı makine öğrenme yöntemleri kullanarak tahmin etme

    GÖZDE ÖZSERT YİĞİT

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET FATİH AKAY

  4. Tez No

    765502

    Data-driven prediction and emergency control of transient stability in power systems towards a risk-based optimal power flow operation

    Güç sistemlerinde risk tabanlı optimal güç akışı işletimineyönelik geçici hal kararlılığın veri güdümlü tahmini veacil durum kontrolü

    SEVDA JAFARZADEH

    Doktora

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. VEYSEL MURAT İSTEMİHAN GENÇ

  5. Tez No

    900016

    On an efficient implementation of combined true random number generator and physically unclonable function on a SoC FPGA

    Bir SoC FPGA üzerinde kombine gerçek rastgele sayı üreteci ve fiziksel olarak klonlanamayan fonksiyonun verimli bir uygulaması üzerine

    YUNUS EMRE YILMAZ

    Doktora

    İngilizce

    İngilizce

    2024

    MatematikOrta Doğu Teknik Üniversitesi

    Kriptografi Ana Bilim Dalı

    DOÇ. DR. OĞUZ YAYLA

Geri Dön