4/29/2023

Fant gull i gamle data koblet til en ny idé om oljeboring | #487

Teknisk Sett-podkasten besøkte NTVA, Norges Tekniske Vitenskapsakademi, for å snakke med vinneren av æresprisen for banebrytende teknologi. Vinneren, Dr. Tao Yang fra Equinor, har utviklet en teknologi som bruker maskinlæring og en enorm database med 50 års data fra norsk kontinentalsokkel for å identifisere olje og gass under boring. Teknologien har ført til betydelige kostnadsreduksjoner og økt verdiskaping i oljeindustrien, og viser potensialet for digitalisering og kunstig intelligens i bransjen.

00:00

Podcasten diskuterer utdelingen av NTVA's ærespris for banebrytende teknologi innen reservoarteknikk og prisvinnerens innovasjoner.

11:12

Dataforberedelse overskygger modelleringstiden i maskinlæring, og eldre metoder kan forbedres med ny teknologi for nøyaktige beslutninger.

15:39

Teknologi forbedrer realtidsovervåkning og kostnadsbesparelser i oljeproduksjon, med mål om effektiv P&A innen 2030.

Transkript

Du hører på Teknisk Sett, en podcast fra TU. Mitt navn er Jan Moberg, og jeg er i Stavanger med Odd-Rikard Valmont. Hei Jan! Odd-Rikard, vi er på et spennende sted. Det er vi.

Og det er ærespris involvert. Vi er rett og slett ved NTVA's utdeling av ærespris for banebrytende teknologi. Og for de som måtte lure på hva NTVA er for noe, så er det Norges teknisk vitenskapsakademi. Teknisk naturvitenskap. Ja, og er du medlem eller? Jeg er i ferd med å bli. Ja, der kan du se. Da blir det enda mer prestigefylt.

Vi skal snakke med vinnerne av årets pris, men jeg tenkte først vi skulle lese gjennom begrunnelsen for prisen. For årets prisvinner har dokumentert en lang vitenskapelig og industriell karriere innen området reservoarteknikk. Vi befinner oss ute i Nordsjøren, Aldrik Art. Gjennom innsats over mange år har prisvinneren utviklet en banebrytende digital teknologi som løser industriutfordringen med å identifisere reservoarolje og gass

under boring. Basert på en stor reservarfluiddatabase bygget på data fra en norsk kontinentalsokkel gjennom 50 år og bruk av maskinlæring har prisvinneren stått for et teknologisk gjennombrudd for å muliggjøre nøyaktig identifikasjon av olje og gass under boring basert på rimelige og lite brukte med gassdata. Teknologien er blitt verifisert fra mer enn 100 brønner fra Equinors globale felt

For utvikling av metoden har prisvinneren oppnådd vitenskapelig anerkjennelse og blitt tildelt flere internasjonale priser, og i dag altså denne fra NTVA. Med nøyaktig identifikasjon av reservoirfluid fra mødgas har betydelig kostnadsreduksjon blitt oppnådd ved å redusere bruken av dyre nedhulsverktøy som prøvetaking under boring og nødvendig bruk av nukleær magnetik resonans.

Den nye teknologien kan gi olje- og gassinformasjon for samtidsbeslutninger om brønnplassering, komplettering og potensielle sidespor. Felteeksempler i stor skala har vist at anvendelser av metoden gir betydelig økt verdiskaping.

Og Rikard, her var det en del ord jeg ikke helt skjønte. Men det kan vi komme tilbake til. Og da bytter vi over til engelsk. Vi har med oss vinneren, senior specialist, Dr. Tao Yang fra Equinor. Gratulerer! Takk for at jeg var med.

Du forstod hva jeg skrev? Ja, det skrev jeg. Men nå må du forklare oss, som ikke er så dypt i industrien eller undergrunnen, hvilke store oppmerksomheter det er her.

Vi har tidligere hatt noen presentasjoner før vi hadde denne prøven. Faktisk begynte oljeindustrien å digitalisere fra 2015-2016. Ikke bare Equinor, men mange andre firmaer har fått mye.

Vi er bare en av dem, og som James visste har vi mange gode resultater. Jeg vil si at vi har fått mange resultater. Først har vi bygget en god foundation, særlig på datasiden. Vi har bygget en komprehensiv dataside.

i Equinor på grunn av 50 år. - Ja, gjennom historien. - Ja, og det er et utfordring fordi dette er fondasjonen for alt vi gjør. Og vi ser også at vi har dette veldig

Vi har to presentasjoner i dag om automatisk tradings. Tradings er den mest kraftige operasjonen vi gjør, og vi får mye kostnedsatt. Vi snakker om denne teknologien, som spesifikt bruker data vi sammenligner

over 50 år. Og spesielt denne teknologien gjør noe på en annen disiplin. Har disse datasetene bare satt i idlet i alle disse årene? Veldig mye. Det er fordi alle virksomheter opererer på disipliner. Så data vi bruker, står faktisk på en annen disiplin. Så for eksempel er det geologer som bruker det.

For historisk grunn har de som jobber med å finne olje og gass. Det er ikke det som gjør det mest effektivt. Dette er derfor dette dataet har satt seg der for et ganske lang tid, før vi har denne muligheten å skrape ut all informasjon fra dette dataet og bruke det.

i en helt annen disiplin, som er den mest effektive måten å produsere olje og gass. Så dette er virkelig forskjellen, og det er derfor vi også snakker om dette

Vi ser for fremtiden for å få til en samme utgangspunkt i oljeindustrien. Dette er en pyramide. Vi snakker om et sted, en effektiv arbeidsprosess, og på toppen er det nye kjærligheter som man kan oppnå. - For å være klar, for hele

i den øvrige perioden av oljeindustrien i Norge. Geologer har satt seg foran papirer og skjermer og ser på seismisk data. Som en liten gruppe. Ja, det er geofysikk. Og seismisk er et veldig viktig data for alle operasjoner vi gjør. Og de var ikke tilgjengelige for ditt bruk?

Ja eller nei. Alle disse produksjonsbeskyttelsene er veldig innført av beslutningene som gjøres av sesamik. Men selvfølgelig kan vi bruke andre grupper for å forbedre akkuratiteten av 4D sesamik. Det vil faktisk tilføye mye mer verdier.

Så du måtte gjøre dette tilgjengelig for dine metoder? - Ja, det var en god jobb.

Ja, så lykkelig er det nå en stor reorganisasjon. Det har allerede skjedd i noen år i Equinor. Vi deler ikke geosans og inngjøring i to disipliner. Vi arbeider i et team. Og særlig i dette digitale teamet, hvor vi arbeider sammen hver dag. Det gjør det lettere å bruke informasjon fra andre disipliner.

Jeg forstår for lyttere at mappen du har av seismisk data ikke har resolusjonen

som kan gi deg de beslutningene du trenger når du driller? Dette er prøvene Norwegian Continuous Shelf har. Vi har forhold til alle de gamle områdene og de nærmeste områdene som ikke er for langt fra din plattform. Disse er vanligvis små mål. Når målene blir mindre og mindre og du er løsnet av

sesamik resolutjon som vi snakker om 20-30 meter så hvis ditt mål er mindre enn det og så er det veldig vanskelig å ta en præsist beslutning ja fordi nå driller du kanskje inni og du vet at det er noe der men du vet ikke hva det er. Det er det du kan gjøre nå mens du driller. Ja, det er derfor vi bruker dette

data som har vært i industrien i mange decennier, og som ikke har brukt det spesifikke objektivet. Nå kan vi bruke dette dataet, vi kan forbedre akkuratiet til meter-nivået, hvor er gasset, hvor er olje, så kan vi ta en veldig præsist beslutning uten å gjøre feil. - Exakt. Men en ting jeg må spørre om er, du har snakket her om at

at det å være digitalt for oljeforeningene begynte ikke så mange år siden. Hvorfor? De vet at dette var en mulighet. De har brukt digitale løsninger for alt annet. Hvorfor dette lovet?

Jeg er ikke den beste personen til å snakke om dette. Digtal-tidingsjobb startet i 2005-2006 for alle oljefamilier da oljepriset var 20 dollar. Dette er noe vi ønsker å oppnå. Hvis du tenker på banken,

Banksektoren har digitalisering mye tidligere enn oss. Se på alle banker i dag. Vi har ingen kass, mange ting er automatisert. Vi kjøper i stokkmarkedet. Det er en maskin. Det er ikke folk som kjøper alle kjøpene. Det er et stort oppgave i banksektoren. Det har gjort oljesektoren begynne å tenke på

Når oljepriset er så lav, hvordan kan vi forbedre vår utfordring og effektivitet? Vi er litt til ganske tidlig, men lykkeligvis har vi spist 5-6 år. Jeg tror vi har lært mye. Det er en læringskurve. Alle må betale for det.

Men etter det vet vi hvordan vi skal gjøre ting mye smartere enn i 2015. Og selvfølgelig, med alle disse dataene har du nå digitalisert. Du kan bruke maskinlæring, AI og alt for å optimere. Og det er også mange bedre grupper nå. Vi hadde en chat før om hvordan logene ser ut, og hvordan data-reportene ser ut.

Nå er det mye smartere måter. Da vi bygde vårt database, brukte vi nærmest 10 år, og gjorde et veldig lent, manuelt arbeid. Det arbeidet i dag kan gjøres i 1-2 år. Det er en stor forandring nå. Data er bredt tilgjengelig, som professor

- om at data er utgjort. Det er en stor jobb. I alle maskinlæringer og AI-projekter må man forhandle data. Da blir det nois, det blir feil data, det blir laget feil. Det er så mange ting man må jobbe på. Man spender mer tid på data enn på modellering. Så maskinlæring tar mindre tid enn man forbereder data.

- Ta oss ned i drilhålen nå. Hva skjer når du bruker denne teknologien og denne metoden? - Teknologien bruker altså denne smørgasen, som er en gas som utløses på en rigg.

etter at man har reksyklert maten, når maten kommer til rikken. Så vi bruker et knyttekort av gasset som vi løser fra maten. - Og dette er deteksjoner som er allerede der? - Ja, allerede der. Teknologien har vært her i noen dekader, i minst 30 år. Vi bruker den teknologien, så vi kan se hvor gass og olje er. Denne informasjonen er viktig for

For eksplosjonsveier, når du drar en gulv, vil du vite hvor gas og olje er. Selvfølgelig har du bedre grunnlag. Derfor er vår teknologi, den største forholden, faktisk for produksjonsveier. Når du ikke har alle disse forhåndsvisne grunnlagene, du har bare de basicale grunnlagene,

Da må man gjøre mange av disse beslutningene. - Og dataresolusjonen du har er dårlig. - Ja, det er slik. Dette er der data-parten kan forbedre kvaliteten av dataet og gjøre deg klar for de mer præsise beslutningene. - Har de samlet denne smørdata? Har de reddet denne smørdata fra begynnelsen av olje-ålderen også? - Ja, vi gjorde noe arbeid for kveldene i 70-tallet.

Alle data er i arkiv. -Kjente du da metan kom opp og når den kom til olje? -Ja. Det beror på hvilken type av matgas. I de gamle tider, i 70-80, brukte de en liten degasser. De hadde flere komponenter. De hadde sannsynligvis tre komponenter sammen. Vi kan fortelle typen.

Vi forteller ikke forholdene. Vi kan fortelle at dette er olje og dette er gass. Men i dag har de fra 1990-tallet et mer utfordrende verktøy. De har 7 komponenter. De har 7 komponenter fra C1 til C5. Og så kan man fortelle forholdene av gass og olje. Så det gjør beslutningen mye mer effektiv. Men det beror på hva du har. Du jobber med legacy-værene, som er gamle værer fra mange år siden.

Vi har noen løsninger på det. Hvis du har den mest moderne gassdata, kan vi gi deg mye mer basert på teknologien. Så det C-nummeret du snakker om er lengden av denne molekylen? Ja, fordi gass er mye fra C1 til C5. C1 er vanlig, og C5 er kontent. Så dette er mye av gasskomponenten vi har.

En ting som jeg synes er fascinerende med denne industrien, er at vi tenker på områdene eller ressursene som store og lett å detekte. Men det er bare en liten ting, veldig langt ned der. Min spørsmål er da om man må recykle dette tilbake til surfasen for å ha det analysert.

Det er en latens. Fordi av de relativt små distansene, så må du... Hvordan gjør man det? Venter man til man får resultatet, for å drille for langt?

Hvordan kan du spille opp prosessen? Vi kan ikke spille opp prosessen. Det er fysisk involvert. Ja, det er fysisk. Fordi laggivningstiden er skjedd av at mudden må løpe til surfisken. Og det må analyseres? Ja, så du har naturligvis en eller to timer laggivningstid. Og det beror på hvordan

som er viktig for operasjonen. Og hvis du bruker data, som ettertid, som er ettertid, og du bryr deg ikke om denne en eller to uker. Men når vi snakker nå, har vi et veld i Vitsund, og vi gjør geostyr. Så det betyr virkelig reelt tid. Og når du har denne en eller to uker lagringstid, kan du møte noen vanskeligheter når du ser at du er i det feil stedet.

Det er sikkert over 30 meter oversikt. Men det er en slags balanse. Jeg tror at vi som G-Link-menn vil vanskeligvis forhånden litt. Dette utføringstiltaket gjør det litt lettere å forhåndtere, fordi du ikke har

- og du vet at du skal få mer exakte resultater. Men jeg må spørre deg om dette hjelper med å redusere kostene. Det er ingen kjøpere nedholdning. Du kan få større oljeproduksjon. Det vil ta hundre millioner kroner inn i businessen.

-Og det er allerede en halv. -Det er allerede skjedd. Det er derfor vi får en priser. Men det er også et annet element til dette. I dag har vi 3000 forvandlet bøker, eller hul, som må være...

Ja, P&A. Plug-in, Abandonment. Hvordan hjelper denne teknologien i denne måten? Dette er vår neste store mål. P&A har kommet til å stå på skjelvene før 2030. Vi snakker om mer enn 1000 kroner. Spendningen er ca. 800 billioner.

Vi snakker om stor penger. Selv om 78 % av det er betalt av regjeringen,

Men som ansvarlig operasjoner som Equinor, vil vi forsøke å gjøre alt vi kan for å redde kostene. - Det er fint. Du tar penger for alle, og redder penger for deg selv. - Ja, det er vår neste steg. Vi bruker teknologi for å sikre at vi kan redde penger på overbevaring. Når vi redder noen små deler, er det stort penger.

- Første spørsmål, vi er ut av tid, men hva er det neste? - Det neste er som jeg har sagt, at vi har en læringskurve. Som alle de som snakker om det her, er vi på et veldig annet sted enn i 2050.

Vi kan ikke bare spille mye penger som før. Jeg tror vi vet hvordan vi skal betale penger. Vi vet hvor vi skal betale penger. Vi vil akselerere digitiseringen i oljeindustrien, men på en veldig vanlig måte. Smartere og kjøpere. Det er faktisk neste steg. Vel, takk. Senior-specialist Dr. Tao Yang Equinor. Takk for prisen. Takk for at du har snakket med oss.

Takk til Odd-Rikard Valmått, og mitt navn er Jan Moberg.

Nævnt i episoden

NTVA

Norges Tekniske Vitenskapsakademi, en organisasjon som deler ut ærespris for banebrytende teknologi.

Equinor

Et oljeselskap som har brukt Dr. Tao Yangs teknologi for å forbedre effektiviteten i oljeutvinning.

Dr. Tao Yang

Senior specialist i Equinor og vinner av NTVA's ærespris for banebrytende teknologi.

Teknisk Sett

En podcast fra TU som dekker teknologi og innovasjon.

Kunstig intelligens (AI)

En teknologi som brukes i Dr. Tao Yangs system for å analysere data og identifisere olje og gass.

Maskinlæring

En teknologi som bruker algoritmer for å analysere store datasett og finne mønstre, brukt i Dr. Tao Yangs teknologi.

Norsk kontinentalsokkel

En geografisk region i Nordsjøen som inneholder store oljereserver.

Reservoarteknikk

Et felt innen oljeindustrien som fokuserer på å forstå og utnytte olje- og gassreservoarer.

Digitalisering

En prosess der teknologi brukes til å forbedre effektiviteten og nøyaktigheten i ulike bransjer, inkludert oljeindustrien.

Oljeindustrien

En bransje som utvinner og raffinerer olje og gass, som har potensiale for å bli mer effektiv gjennom digitalisering.

Geofysikk

En vitenskapelig disiplin som studerer jordens fysiske egenskaper, brukt i oljeindustrien for å identifisere olje- og gassreserver.

Seismisk data

Data som samles inn ved hjelp av seismiske bølger for å kartlegge geologiske strukturer, brukt i oljeindustrien for å finne olje og gass.

Mudgas

Gass som utløses fra leire og gjørme under boring, analysert i Dr. Tao Yangs teknologi.

Brønnplassering

Prosessen med å velge den beste plasseringen for å bore en brønn for å utvinne olje og gass, forbedret ved hjelp av Dr. Tao Yangs teknologi.

Kompletteringsteknikk

Prosessen med å utstyre en brønn for produksjon av olje og gass, forbedret ved hjelp av Dr. Tao Yangs teknologi.

Sidespor

En forgreining fra en hovedbrønn for å nå et nytt reservoar, planleggingen av dette kan forbedres ved hjelp av Dr. Tao Yangs teknologi.

Nedhulsverktøy

Verktøy som brukes for å samle inn data og prøve olje og gass under boring, reduserer behovet for disse ved hjelp av Dr. Tao Yangs teknologi.

Nukleær magnetisk resonans

En teknikk som brukes for å analysere prøver av olje og gass, behovet for dette reduseres ved hjelp av Dr. Tao Yangs teknologi.

P&A (Plug & Abandonment)

Prosessen med å tette og forlate oljebrønner etter utvinning, Dr. Tao Yangs teknologi kan brukes for å optimalisere denne prosessen.

Geostyr

En metode for å styre boringen av en brønn i sanntid, forbedret ved hjelp av Dr. Tao Yangs teknologi.

Et norsk teknologi- og næringslivsmagasin som produserer Teknisk Sett-podkasten.

James

En person som nevnes i samtalen, men det er ikke klart hvem det er.

Stavanger

En by i Norge, hvor NTVA-utdelingen av æresprisen fant sted.

Vitsund

Et sted i Norge, nevnt i forbindelse med geostyr.

Norwegian Continuous Shelf

Et område med oljereserver, nevnt i forbindelse med datakilder.

Banksektoren

En bransje som har digitalisert mye tidligere enn oljeindustrien, nevnt som et eksempel.

Stokkmarkedet

Et marked for kjøp og salg av aksjer, nevnt som et eksempel på automatisering.

G-Link

En ukjent enhet, nevnt i forbindelse med geostyr.

Deltagere

Host

Jan Moberg

Host

Odd-Rikard Valmont

Guest

Se mer

9/24/2020

Teknisk sett

Episode 291: Earth Science Analytics kan finne mer olje i såkalt tomme brønner

Earth Science Analytics bruker avansert analyse og kunstig intelligens for å finne verdier vi har oversett med dagens teknologi.

Se mer

5/16/2024

Teknisk sett

Vil forenkle CO2-lagring

Nemo Maritime i Stavanger ønsker å gjøre transport og lagring av CO2 enkelt og kostnadseffektivt. – Vi ser på skip som kan frakte 100.000 tonn, forteller executive vice president Ole Johan Østvedt.

Se mer

1/4/2024

Teknisk sett

Skal gjennom Norges største klimakutt: – En gavepakke til Norge

Med 1,8 millioner tonn CO2 årlig er Mongstad landets største punktutslipp. Prosjektet Greenspot Mongstad skal endre dette dramatisk ved å halvere utslippene innen 2030. – En gavepakke til Norge, sier prosjektleder Einar Vaage.

Se mer

Loader