Oilfield Review Spring 2008 Spanish

Optimización de la producción desde el
yacimiento hasta la planta de proceso
Alvin Barber
Mack E. Shippen
Houston, Texas, EUA
Santanu Barua
Mumbai, India
Juan Cruz Velázquez
Villahermosa, Tabasco, México
Aarón Marino Garrido Hernández
PEMEX
Reforma, Chiapas, México
Actualmente se observa una revolución digital en los campos de petróleo y gas.
El manejo de los campos petroleros se ha transformado por la disponibilidad de
más datos, la rapidez de los procesos de evaluación y el mejor control de los
mismos. El próximo cambio radical se encuentra aún en gestación. El nuevo
software de metodologías de trabajo integra las operaciones de simulación de los
activos, desde el yacimiento hasta la planta de proceso, y se traduce en mejores
resultados económicos.
Hans Eric Klumpen
Baden, Austria
Sanjay Kumar Moitra
ONGC
Mumbai, India
Fernando L. Morales
Poza Rica, Veracruz, México
Scott Raphael
Bob Sauvé
Calgary, Alberta, Canadá
Jan Richard Sagli
StatoilHydro
Trondheim, Noruega
Mike Weber
BP
Houston, Texas
Por su colaboración en la preparación
de este artículo, se agradece a Andrew
Howell, Calgary; y Josephine P. Mawutor
Ndinyah, Cambridge, Massachusetts, EUA.
Avocet, ECLIPSE, ECLIPSE Blackoil, Merak Economics
Module, Merak Peep, NODAL, Petrel y PIPESIM son
marcas de Schlumberger. Aspen HYSYS es una marca
de AspenTech. Intel 386, Intel Dual Core Itanium 2 e
Intel Pentium son marcas de Intel Corporation.
18
Oilfield Review
1010
Dual Core
Intel Itanium 2
109
Metodologías de trabajo
automatizadas (SPE 110655)
Procesamiento en
paralelo, conexión
en red inalámbrica
Modelado integrado de
activos (SPE 109260, OTC 18678)
Evolución de la
computadora personal
Transistores, número
108
Tareas integrales, conexión
en red de localizaciones
remotas múltiples
Visualización basada
en mapas (SPE 106914)
Control de pozos
inteligentes (SPE 78278)
7
10
Tareas más complejas,
localización individual
Intel Pentium
Obtención de mediciones
multifásicas con fibra óptica (SPE 77655)
Tareas más complejas,
localizaciones individuales
Automatización de sistemas inteligentes
de levantamiento artificial por gas (SPE 69404)
Evolución de la tecnología
digital de campos petroleros
106
Intel 386
105
Sistema experto para pozos
Análisis de grandes
productores (SPE 24997) conjuntos de datos (SPE 56419)
Cálculos
simples
Sistemas de producción
automatizados (SPE 10005)
Sistema SCADA para
gas remoto (SPE 20644)
Obtención de mediciones,
análisis y automatización
Instalación de fibra óptica
de fondo de pozo (SPE 54599)
104
1980
1985
1990
1995
2000
2005
2010
2015
Año
> Evolución de la tecnología digital. Durante los últimos 25 años, la computación y la tecnología digital de campos petroleros han evolucionado a lo largo de
trayectos similares. Las primeras computadoras de escritorio se ocupaban de cálculos y gráficas simples, mientras que la aplicación inicial de la tecnología
digital en los campos de petróleo y gas generó avances en materia de automatización, sistemas de recolección de datos y obtención de mediciones.
Durante la década de 1990, se desarrollaron computadoras para manipular gráficas y cálculos cada vez más complejos. La capacidad digital en los campos de petróleo y gas, se aceleró en el año 2000 con la mayor complejidad de los sistemas de medición y la automatización en las localizaciones de los
pozos. Después del año 2000, la migración tanto de la capacidad computacional como de la tecnología digital a los campos de petróleo y gas cobró impulso.
Las computadoras de escritorio ahora ostentan procesadores de doble y cuádruple núcleo, además de capacidad de conexión en red inalámbrica.
La capacidad de conexión en red ha permitido a los operadores de campo ejecutar tareas integrales, que pueden involucrar localizaciones múltiples.
[http://www.intel.com/ technology/mooreslaw/index.htm (Se accedió el 26 de octubre de 2007)]. (Véase referencias 1 y 2, por citas de artículos de las SPE y OTC.)
La producción de petróleo y gas no es fácil ni barata. Sin importar si tiene lugar en ambientes terrestres remotos o en aguas profundas, sus costos
son elevados. Conforme el incremento de los costos converge con una contracción del suministro,
los productores de energía buscan extraer hasta la
última gota de sus activos actuales y optimizar el
diseño de las nuevas instalaciones. Un factor clave
relacionado con esta pugna por la eficiencia, es el
empleo cada vez más frecuente de la tecnología
digital inteligente.
La tecnología digital continúa creciendo en
cuanto a sofisticación y ahora invade la mayor
parte de las actividades de los campos de petróleo
y gas. Las tecnologías tales como la obtención de
mediciones remotas y la visualización de parámetros clave de los campos productivos sobre
la base de mapas, se han tornado en una tarea
de rutina.1 Estas tecnologías aparecieron por
primera vez en la década de 1980, y su aplicación se aceleró en los últimos 15 años (arriba).2
Si bien han surgido numerosas expresiones para
Primavera de 2008
1. McConnell JD: “Remote Gas Measurement for Production
Allocation: Douglas Creek Arch Region,” artículo SPE 20644,
presentado en la Conferencia y Exhibición Técnica Anual
de la SPE, Nueva Orleáns, 23 al 26 de septiembre de 1990.
Weber MJ, Vergari AB y Shippen M: “Online Integrated
Asset Models with Map-Based Visualization,” artículo SPE
106914, presentado en la Conferencia y Exhibición de
Energía Digital de la SPE, Houston, 11 al 12 de abril de 2007.
2. Hardy IJ y Wetzel GP: “Automated Production Systems,”
artículo SPE 10005, presentado en la Exposición y
Simposio Técnico Internacional del Petróleo de la SPE,
Beijing, 17 al 24 de marzo de 1982.
McConnell, referencia 1.
Cosenza G, Tambini M y Paccaloni G: A Knowledge-Based
Approach to Problem Identification in Producing Wells,”
artículo SPE 24997, presentado en la Conferencia
Europea del Petróleo de la SPE, Cannes, Francia,
16 al 18 de noviembre de 1992.
Carnahan BD, Clanton RW, Koehler KD, Harkins GO
y Williams GR: “Fiber Optic Temperature Monitoring
Technology,” artículo SPE 54599, presentado la Reunión
Regional Occidental de la SPE, Anchorage, 26 al 28
de mayo de 1999.
Athichanagorn S, Horne RN y Kikani J: “Processing
and Interpretation of Long-Term Data from Permanent
Downhole Pressure Gauges,” artículo SPE 56419,
presentado en la Conferencia y Exhibición Técnica
Anual de la SPE, Houston, 3 al 6 de octubre de 1999.
Correa JF, Santos OG y Inazumi PCM: “Intelligent
Automation for Intermittent-Gas-Lift Oil Wells,” artículo
SPE 69404, presentado en la Conferencia de Ingeniería
Petrolera de América Latina y el Caribe de la SPE,
Buenos Aires, 25 al 28 de marzo de 2001.
Kragas TK, Bostick FX III, Mayeu, C, Gysling DL y
van der Spek A: “Downhole Fiber-Optic Multiphase
Flowmeter: Design, Operating Principle, and Testing,”
artículo SPE 77655, presentado en la Conferencia y
Exhibición Técnica Anual de la SPE, San Antonio,
Texas, 29 de septiembre al 2 de octubre de 2002.
Brouwer DR y Jansen JD: “Dynamic Optimization of
Waterflooding with Smart Wells Using Optimal Control
Theory,” artículo SPE 78278, presentado en la Conferencia
Europea del Petróleo de la SPE, Aberdeen, 29 al 31 de
octubre de 2002.
Weber et al, referencia 1.
Morales FL, Velázquez JC y Garrido AG: “Integration
of Production and Process Facility Models in a Single
Simulation Tool,” artículo SPE 109260, presentado en
la Conferencia y Exhibición Técnica Anual de la SPE,
Anaheim, California, EUA, 11 al 14 de noviembre de 2007.
Moitra SK, Subhash C, Barua S, Adenusi D y Agrawal V:
“A Field-Wide Integrated Production Model and Asset
Management System for the Mumbai High Field,” artículo
OTC 18678, presentado en la Conferencia de Tecnología
Marina, Houston, 30 de abril al 3 de mayo de 2007.
Sagli JR, Klumpen HE, Núñez G y Nielsen F: “Improved
Production and Process Optimization Through People,
Technology and Process,” artículo SPE 110655, presentado
en la Conferencia y Exhibición Técnica Anual de la SPE,
Anaheim, California, 11 al 14 de noviembre de 2007.
19
Planta de proceso
Red de tuberías
Rentabilidad
PD
WC%
W
Pres
GOR
0
1
2
3
Tiempo,
empo
empo,
p , años
a
4
5
Yacimiento
> Modelado tradicional de la producción. Habitualmente, un ingeniero de yacimientos corre una simulación de yacimientos para analizar el flujo a través
de los medios porosos y tomar en cuenta cualquier mecanismo de empuje natural o artificial presente (extremo inferior izquierdo). Uno de los elementos
de salida de la simulación son los perfiles de producción en función del tiempo para los pozos en consideración. Estos datos son transferidos a un ingeniero de producción para que desarrolle modelos de pozos individuales y una simulación de redes de tuberías (extremo superior izquierdo). Este software
analiza el flujo a través de la tubería y destaca los problemas relacionados con el aseguramiento del flujo. A continuación, un ingeniero de instalaciones
utiliza el perfil de producción y los datos composicionales para construir un modelo de planta de proceso que simule los diversos procesos de compresión,
separación, y los agentes químicos que pueden estar presentes en el flujo (extremo superior derecho). Finalmente, los datos provenientes de las simulaciones de yacimientos, tuberías y procesos se trasladan al software de evaluación económica (extremo inferior derecho).
caracterizar el enlace entre la tecnología digital y
el campo petrolero, “campo inteligente” es la que
mejor capta el concepto. El empleo de la tecnología digital por parte de los productores de petróleo
y gas no es nuevo. Lo que sí es nuevo, y forma parte
de la visión del campo inteligente, es el enlace de
las diferentes tecnologías para lograr una tarea
integral (véase “La gran visión de conjunto: Manejo
integrado de activos,” página 36).
La recuperación de la inversión necesaria
para la implementación del campo inteligente es
considerable. Se prevé que esta tecnología incrementará la recuperación mundial de petróleo en
20,000 millones de m3 [125,000 millones de bbl],
en los próximos cinco a diez años.3 Si bien la
maduración completa de algunos componentes
del campo inteligente llevará tiempo, otros ya se
están poniendo en práctica ahora. Un ejemplo
de la nueva tecnología que puede producir beneficios reales, es el modelado integrado de
20
activos. Esta tecnología vincula las herramientas
tradicionales, tales como el software de simulación de yacimientos ECLIPSE, con otros
modelos de sistemas de producción conocidos
para arribar a una solución integral. El modelado integrado de activos puede utilizarse para
mejorar la producción de los campos existentes
o, durante el diseño inicial, para introducir mejoras en los campos nuevos.
El tema central de este artículo es la aplicación de la tecnología de modelado integrado de
activos; cómo funciona y cómo se está aplicando
para resolver los desafíos que plantean las operaciones de producción. Algunos estudios de casos
de México, el área marina de la India, el Mar del
Norte y EUA ilustran diversos aspectos de la aplicación de los campos inteligentes. Antes de analizar los detalles del modelado integrado de
activos, examinamos los métodos tradicionales de
planeación de campos petroleros.
Métodos tradicionales
En el año 2006, la industria del petróleo y el gas
invirtió aproximadamente un 3% de los ingresos
totales en tecnología de la información; US$ 2,000
millones en hardware, software y servicios.4 Este
paquete de tecnología de la información comprende simuladores individuales para el
yacimiento, la red de tuberías, las instalaciones
de proceso y la rentabilidad. Estos simuladores,
a través de los años, han registrado avances significativos en cuanto a precisión y confiabilidad.
Los yacimientos complejos son más fáciles de
modelar, el flujo multifásico se simula, y el desempeño de los equipos importantes, tales como los
compresores, puede ser optimizado.
Si bien los simuladores funcionan bien cuando
se aplican a los componentes individuales de los
campos petroleros, surgen problemas cuando se
aplican en serie para efectuar un análisis de
campo completo. Los datos a menudo se trasladan
Oilfield Review
entre los activos individuales y las disciplinas mediante planillas de cálculo, y los efectos de la interacción están ausentes (página anterior).5 Los
cambios producidos en cualquiera de los componentes del campo generan impactos en cascada sobre
los resultados aguas arriba y aguas abajo de dicho
componente, y reflejar este hecho en forma correcta
demanda una intervención considerable en los
pasos del modelado. En algunos casos, esta intervención puede ser impracticable e incluso imposible.
La aplicación de métodos tradicionales a la
planeación de campos petroleros plantea dos
problemas de consideración. En primer lugar,
todas las simulaciones aguas abajo del modelo
de yacimiento son estáticas; representan sólo un
instante en el tiempo durante la vida productiva
del activo. El trabajo involucrado en la implementación de estos modelos debe rehacerse
para analizar cualquier otro punto en el tiempo.
En segundo término, el método tradicional no
toma en cuenta la naturaleza dinámica de la planeación del desarrollo de los campos petroleros.
Por ejemplo, el régimen de producción de un
pozo existente puede cambiar cuando se perforan pozos nuevos en el área; desmejorando el
plan original. Además, eventos tales como cambios de compresores o la implementación de
diversos programas de recuperación secundaria
ejecutados con posterioridad, invalidarán probablemente los intercambios iniciales de datos
entre los modelos de simulación. Estas concesiones mutuas en el análisis de campo completo
tradicional, pueden generar una diversidad de
problemas, incluyendo operaciones de perforación
innecesarias y el sobre o sub-dimensionamiento
de las instalaciones.
Actualmente, como parte del concepto de
campo inteligente, está surgiendo una solución
para estas deficiencias en el ámbito de las simulaciones de campo completo. Se observa una substitución de las metodologías de trabajo históricas
en serie por procesos dinámicos ejecutados en
tiempo real, que dan clara cuenta de los efectos
de retro y post-alimentación. Una característica
clave del campo inteligente es la capacidad para
expandir el uso de las condiciones de borde de
una disciplina a otra disciplina a través de todo el
campo.6 El empleo del procesamiento dinámico en
tiempo real para modelar el impacto de los eventos
interrelacionados, tanto históricos como proyectados, allana el camino que conduce a una predicción del desempeño del campo que se adapta a un
ambiente operativo cambiante. Este concepto
constituye el núcleo de la tecnología de modelado
integrado de activos.
3. Snieckus D: “Switching on to Doff,” Offshore Engineer 29,
no. 1 (Enero de 2004): 15–16.
4. Howell A, Szatny M y Torrens R: “From Reservoir Through
Process, From Today to Tomorrow—The Integrated Asset
Model,” artículo SPE 99469, presentado en la Conferencia
y Exhibición sobre Energía Inteligente de la SPE,
Ámsterdam, 11 al 13 de abril de 2006.
5. Los estudios de auditoría de las planillas de datos del
mundo real revelan un número significativo de errores.
Consulte, Pankow RR: “What We Know About
Spreadsheet Errors,” http://panko.shidler.hawaii.edu/
SSR/Mypapers/whatknow.htm (Se accedió el 13 de
noviembre de 2007).
6. Howell et al, referencia 4.
7. Beggs HD: Production Optimization Using NODAL™
Analysis. Tulsa: OGCI Publications, 1991.
8. Dempsey JR, Patterson JK, Coats KH y Brill JP: “An
Efficient Model for Evaluating Gas Field Gathering
System Design,” Journal of Petroleum Technology 23,
no. 9 (Septiembre de 1971): 1067–1073.
Primavera de 2008
Una revolución silenciosa
El modelado integrado de activos constituye una
extensión evolutiva de una técnica conocida
como análisis NODAL del sistema de producción.
Este proceso ha sido utilizado para estudiar sistemas de interacción complejos, tales como las
redes de líneas de flujo, los circuitos eléctricos y
la producción de petróleo. El procedimiento
implica la selección de un punto de referencia, o
nodo, para dividir el sistema. En un sistema productor de petróleo o gas, un nodo puede ubicarse
en una de las diversas localizaciones posibles; los
puntos comunes son el fondo y el cabezal del
pozo. Los componentes situados aguas arriba del
nodo correspondiente al fondo del pozo determinan el desempeño del yacimiento, mientras que
los componentes instalados aguas abajo de dicho
nodo rigen el comportamiento del pozo. Por
ejemplo, los disparos situados aguas arriba del
nodo correspondiente al cabezal del pozo formarían parte de la sección de oferta de energía,
mientras que una línea de flujo conectada a la
planta de proceso estaría comprendida en la sección de demanda de energía.
Sin importar la localización del nodo, deben
satisfacerse dos condiciones de borde. El flujo
que ingresa en el nodo debe ser igual al flujo que
sale del nodo, y sólo puede existir un valor de
presión en un nodo. Las curvas de presión y
tasas de flujo son generadas tanto para el flujo
que ingresa en el nodo como para el que sale. La
intersección de las curvas define la solución del
problema, ya que arroja una tasa de flujo (gasto,
velocidad de flujo, caudal, rata) y una presión
que satisfacen tanto las restricciones de oferta
de energía como las restricciones de demanda
de energía.7
La extensión del análisis NODAL de pozos
individuales a sistemas más complejos, no es
nueva. En el año 1971, una propuesta de avanzada demostró cómo podían vincularse los
modelos de yacimientos y de superficie con el fin
de arribar a una solución para un sistema de
recolección de un campo de gas, y luego surgieron
otras propuestas.8 Lo que es nuevo y diferente es
la introducción de un software comercial que
vincula los modelos independientes relacionados
con los yacimientos, las tuberías, las instalaciones
de proceso y la rentabilidad de la producción
para lograr una solución optimizada. Estos ofrecimientos no implican simuladores múltiples
encastrados en un solo paquete sino estructuras
computacionales que vinculan los simuladores a
través de los diversos activos, ambientes computacionales y localizaciones.
El Modelador Integrado de Activos Avocet
ilustra el procedimiento de modelado de activos
asociado con una estructura de conexión. Este
software de integración provee una solución
total para los activos que vincula el yacimiento
(software de simulación de yacimientos
ECLIPSE), la infraestructura de pozos y de
superficie (software de análisis del sistema de
producción PIPESIM) y las instalaciones de proceso (software de simulación de procesos
HYSYS), a fin de de conformar un entorno simple
de manejo de la producción.9 Además de estos
simuladores comerciales, los especialistas pueden aportar modelos específicos de su disciplina
o modelos patentados, específicos de su compañía, y dejar que los resultados se propaguen por
todo el modelo. El software Avocet sustenta
estrategias de implementación que permiten la
colaboración de especialistas de localizaciones
independientes. La estructura de soporte del
modelo, que reside en un servidor central,
puede dirigir e interactuar con las aplicaciones
económicas, de yacimientos, líneas de flujo y
procesos que residen en computadoras remotas.
Barroux CC, Duchet-Suchaux P, Samier P y Nabil R:
“Linking Reservoir and Surface Simulators: How to
Improve the Coupled Solutions,” artículo SPE 65159,
presentado en la Conferencia Europea del Petróleo
de la SPE, París, 24 al 25 de octubre de 2000.
9. Ghiselin D: “Source-to-Sales Asset Management,”
E&P 78, no. 1 (Enero de 2005): 56–57.
21
> Interfaz del Modelador Integrado de Activos Avocet. Cada simulación individual del software Avocet
puede integrarse en un diagrama de flujo que representa la totalidad del modelo integrado de activos.
Se dispone de representaciones de los resultados combinados de todas las simulaciones, ya sea en
forma gráfica o tabular.
22
P1
Curva de
desempeño
del yacimiento
1
Curva de
comportamiento
del pozo
Presión
La interfaz permite que el usuario vincule gráficamente los modelos individuales y visualice los
resultados a medida que el procedimiento se
encamina hacia la solución óptima (arriba).
Este enfoque provee una solución iterativa
gradual para la predicción del desempeño
durante la vida productiva de un campo. De un
modo similar al análisis NODAL, se efectúan dos
cálculos iterativos para cada incremento de
tiempo en un nodo, utilizando las condiciones de
borde existentes. Un conjunto de cálculos determina las tasas y las presiones que se pueden
alcanzar dentro del yacimiento. El otro cálculo
determina las tasas y las presiones existentes en
la red de instalaciones. Ambos cálculos iterativos
se reiteran hasta que se equiparan las tasas de
flujo y las presiones a lo largo de todo el sistema
acoplado (derecha). El simulador de activos reitera el procedimiento para otro incremento de
tiempo, efectuando esta alternancia hasta alcanzar la vida productiva deseada del campo. En
cada incremento de tiempo, las restricciones del
sistema se propagan aguas arriba y aguas abajo
entre los modelos y sus respectivos simuladores.
Si bien el software Avocet desarrolla soluciones
utilizando este enfoque general, la combinación
final de simuladores dependerá de la complejidad
y la naturaleza del problema en consideración.
La localización más rigurosa para el acoplamiento en un nodo es el fondo de un pozo, y, en
la mayor parte de los sistemas, el acoplamiento
en el fondo de un pozo demandará además el
máximo tiempo computacional.10 A medida que
el punto de acoplamiento se desplaza hacia el
cabezal del pozo e ingresa en otras partes de la
red, el tiempo computacional generalmente se
reduce. El acoplamiento en el fondo del pozo
probablemente no resulte práctico o posible para
el análisis de campos altamente complejos, en
los que quizás sea necesario desplazar el punto
de acoplamiento hacia la superficie.
Además de la localización del acoplamiento,
la elección de las restricciones composicionales
también afectará el tiempo computacional y la
convergencia del simulador. Para los yacimientos
en los que los efectos de la composición del fluido
sobre las características del flujo no son cruciales, puede resultar adecuado un modelo de tres
componentes conocido como ECLIPSE Blackoil.
Este modelo de simulación por diferencias finitas
asume que el yacimiento posee petróleo, gas y
agua en un sistema trifásico. También se puede
considerar un sistema de cuatro componentes
para el modelado de un yacimiento, cuando los
6
4
P2
2
Q1
5
3
Tasa de flujo
Q3
> Acoplamiento y balanceo de red. El esquema predeterminado de balanceo
de red del simulador Avocet es el método de cuerda y pendiente. En este
algoritmo, el simulador de pozo utiliza el límite de presión del pozo P1 como
la suposición inicial para obtener una tasa de flujo correspondiente, Q1. La
tasa Q1 se traslada al simulador de tuberías para calcular una presión, P2,
correspondiente a esa tasa de flujo. La presión P2 se traslada al simulador de
yacimientos para obtener la tasa de flujo Q3 para esa presión. La cuerda que
une estos dos puntos provee el índice de productividad (PI), que se traslada
al simulador de redes de tuberías. El simulador de tuberías utiliza este valor
de PI para obtener el Punto 4. Este proceso iterativo se reitera hasta que se
llega a una convergencia, dentro de una tolerancia especificada, en el Punto 6.
En el Punto 6, la presión y la tasa de flujo son consistentes entre el yacimiento
y la red de tuberías de superficie y el sistema se encuentra balanceado,
listo para el incremento de tiempo siguiente. El acoplamiento por el método
cuerda y pendiente es altamente iterativo y probablemente no resulte adecuado para todos los sistemas de producción. El software Avocet incluye
muchas otras alternativas para el acoplamiento y balanceo de red.
Oilfield Review
fluidos inyectados son miscibles con los hidrocarburos del yacimiento.
Para los sistemas de hidrocarburos complejos,
se dispone además de la técnica de simulación
composicional explícita. La simulación composicional explícita puede constituir la opción correcta cuando se requiere una ecuación de estado
para describir los cambios producidos en el
comportamiento de los fluidos del yacimiento en
función de la profundidad. Este modelo puede representar la mejor alternativa para los sistemas
que involucran condensados, petróleos crudos volátiles, petróleos pesados, y procesos de inyección
de gas y de recuperación secundaria por inyección
de agua. Existe flexibilidad suficiente en las simulaciones para permitir que yacimientos múltiples,
con diferentes modelos de componentes, se conecten a una red de superficie (derecha). Todas
estas alternativas, sumadas a otras restricciones,
determinarán cómo se configura el software Avocet
para resolver un problema dado.
Una vez que el modelo ha sido correctamente
configurado, ofrece un trayecto claro para la optimización total del campo. Los efectos de retro y
post-alimentación se manejan mediante la guía
del modelo hacia una solución convergente.11
La arquitectura abierta elimina las cuestiones relacionadas con la versión del software, mientras que
la capacidad de comunicación con las computadoras remotas posibilita la colaboración interdisciplinaria y el aprovechamiento óptimo de los equipos
de computación.12 Todos estos factores en conjunto
permiten que los operadores respondan con eficiencia a los desafíos asociados con las operaciones de producción. Por ejemplo, una de las formas
económicamente más efectivas de incorporar la
producción de un campo existente, es mediante la
optimización que se logra a través del modelado integrado de activos.
Nueva vida para un campo viejo
Gran parte del petróleo y el gas del mundo proviene de una multitud de campos terrestres que
han estado en producción durante varias décadas. Un buen ejemplo de este tipo de activo es el
complejo San Manuel que opera PEMEX. Situado
en un terreno serrano y accidentado, a unos 160 km
[100 millas] al sur de Villahermosa, en México,
este sistema fue construido hace más de 25 años y
10. El acoplamiento en el fondo de un pozo permite que los
respectivos simuladores manejen la parte del problema
para la que han sido específicamente diseñados. Por
ejemplo, los simuladores de yacimientos están diseñados
para el flujo a través de medios porosos, mientras que
los simuladores de pozos y redes están diseñados para
el flujo a través de tuberías.
11. En general, los requerimientos de flujo se pre-alimentan
y las restricciones de presión se retro-alimentan.
Primavera de 2008
Componentes K de
la red de superficie
Controlador
Simulación del yacimiento A
con N1 componentes
Simulación del yacimiento B
con N2 componentes
Simulación del yacimiento C
con petróleo, gas y agua
> Yacimientos con diferentes modelos composicionales. En ciertas simulaciones por modelado de los
activos, puede ser necesario conectar varios yacimientos con diferentes modelos composicionales.
Consideremos el caso en que tres yacimientos diferentes son conectados a una sola red de superficie.
El Yacimiento A utiliza un modelo composicional con N1 componentes, el Yacimiento B utiliza un modelo composicional con N2 componentes y el Yacimiento C utiliza un modelo de petróleo negro con
tres componentes. Cada uno de estos yacimientos se conecta a un regulador en el que tiene lugar la
conversión composicional, hasta generar un conjunto final de componentes K utilizados por la red de
superficie. Por ejemplo, cuando se consulta una tasa de flujo de uno de los yacimientos, el regulador
la convierte en el conjunto de componentes K de la red. Del mismo modo, cuando una tasa de flujo se
envía desde la red de superficie hasta cualquiera de los yacimientos, se convertirá en el conjunto de
componentes específicos de ese modelo de yacimiento.
produce más de 7.9 millones de m3/d [279 MMpc/d]
de gas y 2,080 m3/d [13,100 bbl/d] de petróleo
crudo. El complejo cuenta con seis instalaciones
de proceso que reciben el petróleo y el gas de
unos 65 pozos productores.
En los últimos años, los numerosos problemas
que aparecieron en San Manuel inquietaron a
PEMEX. Este sistema había sido diseñado originalmente para regímenes de producción mucho
más altos que los actuales y la formación de gases
condensados en los gasoductos principales se convirtió en un problema persistente a medida que el
sistema envejecía. Debido a la irregularidad de la
topografía, la alta temperatura del gas y sus bajas
velocidades en las líneas de transferencia, los condensados tienden a acumularse en las partes más
bajas de las líneas de flujo, formando tapones
inestables. Estos tapones generan contrapresión
aguas arriba, lo que reduce los regímenes de pro-
ducción y obliga a PEMEX a correr tacos limpiadores con frecuencia en ciertos ramales para limpiar
las líneas y restituir la producción.13
En respuesta a estos problemas, PEMEX y
Schlumberger implementaron un procedimiento
de modelado integrado de activos para comprender y mejorar el desempeño de la totalidad del
activo San Manuel; los pozos activos, las baterías
de proceso y las líneas de flujo asociadas. Se utilizó el Modelador Integrado de Activos Avocet
para integrar los simuladores individuales de pozos,
líneas de flujo y proceso en un solo ambiente.14
Los resultados de las simulaciones son tan
buenos como los datos que utilizan y, en el caso
de una red compleja como la de San Manuel, era
necesario contar con un gran volumen de datos
para configurar las simulaciones. La primera
tarea del equipo conjunto consistió en desarrollar una base de datos para el pozo, la línea de
12. En este contexto, la expresión arquitectura abierta
se refiere a la capacidad para comunicar y dirigir las
computadoras remotas. Esto permite incluir en la
estructura de soporte la versión más actualizada de
un programa de simulación individual sin importar
dónde se localice ese simulador.
13. En San Manuel, las operaciones de limpieza con taco
(pistón rascador) han implicado hasta 42 carreras por
año en ciertas líneas.
14. Morales et al, referencia 2.
23
Catedral
16
Línea de gas
Línea de petróleo
Línea de petróleo y gas
Corriente de entrada de la red
pu
lga
da
sx
5.6
km
Muspac
36
pu
16 lgad
pu as
lga x 1
0
da
s x .3 k
10 m
.3
km
Batería de proceso de campo
Chiapa
Procesamiento
36 p
ulga
Reducción del costo operativo
Flexibilidad operativa
Copano
12 pulgadas x 14.9 km
Incremento del aseguramiento del flujo
8 pulgadas x 4.8 km
Incremento de la producción de hidrocarburos
das
x 14
.9 km
Giraldas
24 pulgadas
a Cactus
Cactus
12 pulgadas
a Cactus
16 pulgadas x 10.7 km
Sunuapa
16 pulgadas x 10.1 km
16 pulgadas x 10.1 km
> Esquema del sistema de producción. El sistema de recepción de productos del complejo San Manuel
posee seis baterías de proceso donde el petróleo y el gas producidos se combinan, separan y comprimen, o se bombean para su entrega. Muchas mejoras potenciales han sido implementadas (diamantes
de colores) sobre la base de la tecnología de modelado integrado de activos, incluyendo la derivación
de los separadores de alta presión en la batería Catedral y un cambio en el servicio del gasoducto de
40 cm [16 pulgadas], que fue convertido a flujo multifásico. Este cambio implementado en la batería
Catedral incrementó la producción de petróleo y gas y redujo significativamente las carreras de tacos
limpiadores en las líneas de flujo para eliminar tapones y obstrucciones de líquidos. En la batería
Copano, se derivó una unidad de separación de alta presión, lo que condujo a un incremento de la
producción de petróleo y gas, y a una reducción de la contrapresión en el colector múltiple. Además
se implementaron varias recomendaciones para otras partes del sistema y para pozos individuales,
lo cual incrementó la producción. (Adaptado de Morales et al, referencia 2.)
flujo y las instalaciones de proceso. Los datos
recolectados incluyeron los resultados de producción de los pozos, la presión y la temperatura
en los colectores múltiples y en las instalaciones
de compresión, además de las propiedades de
los fluidos disponibles. Por otro lado, fue necesario obtener datos sobre la infraestructura de San
Manuel, tales como los diámetros de las líneas
de flujo, las posiciones geográficas y los perfiles
topográficos.
Utilizando estos datos, el equipo de trabajo
configuró simulaciones individuales para la totalidad del complejo San Manuel; 65 pozos, ocho
redes de líneas de flujo y seis instalaciones de proceso.15 Estos simuladores se integraron en una
estructura de soporte para el acoplamiento dinámico, utilizando el software Avocet. Los resultados de los modelos de simulación se verificaron
en función de las mediciones de campo reales en
diversos puntos del complejo. En promedio, la
tasa de flujo de petróleo prevista mostró una variación del 5.9% con respecto a la medida, mientras que la variación correspondiente en la tasa
de flujo de gas exhibió una desviación del 1.6%.16
24
Satisfecho con el hecho de que las simulaciones estaban arrojando buenos resultados, el
equipo técnico desarrolló una diversidad de alternativas de optimización para reducir los costos,
desbloquear las instalaciones e incrementar la
producción de petróleo y gas. Estas oportunidades se clasificaron en base a su beneficio potencial en términos de incremento de la producción,
reducción de costos y costo de implementación.
Las ideas más promisorias fueron simuladas utilizando el software Avocet con el fin de desarrollar
las localizaciones para las oportunidades señaladas como objetivo.17 Los resultados de la simulación dinámica del complejo San Manuel arrojaron
una lista específica de oportunidades que pudieron ser puestas en práctica con los recursos disponibles y sin inversión adicional alguna (arriba).
El resultado final para PEMEX fue un ahorro
inmediato de US$ 600,000 por año en costos operativos, acompañado de un incremento de la
producción de petróleo y gas estimado en un valor
de US$ 35 millones anuales.18 Estos ahorros se
concretaron a través de cambios específicos en
la forma en que se opera el complejo San Manuel.
Mediante la derivación de dos separadores de
alta presión y una instalación de separación de
presión intermedia, se redujo la contrapresión
en 3.3 MPa [479 lpc] en un colector múltiple y
en 0.2 MPa [30 lpc] en otro. Estos cambios arrojaron 240 m 3 /d [1,500 bbl/d] adicionales de
petróleo y 143,000 m3/d [5 MMpc/d] de gas. Otra
mejora importante, confirmada por la simulación, fue la necesidad de controlar el punto de
rocío con el correspondiente enfriamiento y
recuperación de líquidos en uno de los gasoductos. Mediante la reducción de la temperatura
hasta 20°C [68°F] y la recuperación de los líquidos antes de su ingreso en la línea de flujo,
PEMEX estimó que podría recuperar 210 m3/d
[1,320 bbl/d] adicionales de condensado y reducir el número de carreras de tacos limpiadores
en un 90%.
Ahora que el modelo integrado de activos se
encuentra disponible para el complejo San Manuel,
los ingenieros de producción de PEMEX lo están
utilizando para tomar decisiones sobre las operaciones diarias y para la planeación de mejoras
adicionales en el campo. Los cambios potenciales a analizar incluyen pozos nuevos, el análisis
de declinación de la producción para los pozos
actuales, y el impacto de los cambios adicionales
de la infraestructura de superficie.
El empleo de la tecnología de modelado integrado de activos en el Campo San Manuel es un
buen ejemplo de la extensión del análisis NODAL
de un solo pozo a un campo de 65 pozos. El estudio
de un caso práctico, que se describe a continuación, incluye un número mucho más grande de
pozos.
Integración de un activo masivo
Descubierto en el año 1974, el Campo Mumbai
High, operado por Indian Oil and Natural Gas
Corporation (ONGC), se encuentra ubicado cerca
de la plataforma continental de la India (próxima
página).19 El petróleo y el gas son producidos por
690 pozos y la presión es mantenida por 200 pozos
de inyección de agua. La producción actual de
Mumbai High es de aproximadamente 40,000 m3/d
[250,000 bbl/d] de petróleo y 430,000 m 3 /d
[15.2 MMpc/d] de gas. Los complejos de procesamiento separan los fluidos en petróleo crudo, gas y
agua; y el petróleo se envía a una terminal terrestre, junto con parte del gas. El gas remanente se
utiliza para las operaciones de levantamiento artificial por gas en aproximadamente un 80% de los
pozos productores de petróleo.
El manejo eficiente y la optimización de los
campos maduros grandes en la fase de declinación siempre plantean desafíos y Mumbai High no
Oilfield Review
CHINA
AFGHANISTÁN
PA K IS T Á N
INDIA
SRI LANKA
Gas
Petróleo
Bordes de plataforma
Campo
Mumbai High
INDIA
Mumbai
Urán
0
0
km
100
millas
100
> Campo Mumbai High de ONGC. El Campo Mumbai High se encuentra ubicado en el área marina,
a 160 km [100 millas] al oeste-noroeste del área continental de India (extremo superior) y ocupa una
extensión de aproximadamente 1,200 km2 [465 mi2]. El campo (inserto de la derecha) posee 650 tuberías
productoras de petróleo y 40 productoras de gas. El petróleo y el gas de los 690 pozos fluyen hacia
cinco complejos de procesamiento, y el sistema completo está conectado por 2,900 km [1,800 mi] de
líneas de flujo. El petróleo crudo y el gas que no se utilizan para las operaciones de levantamiento
artificial se exportan a la terminal terrestre de Urán a través de las líneas troncales.
es la excepción. El nivel de desafío se incrementa
dado que este campo produce más del 40% de todo
el petróleo crudo de la India, y ONGC se ha fijado
como meta no sólo detener la declinación sino aumentar la producción.20 La consecución de estas
metas exigió además que el operador utilizara algo
mucho más trascendente que el análisis NODAL
de un solo ramal, practicado en el pasado.
Uno de los objetivos principales de ONGC era
la optimización de sus operaciones de levantamiento artificial por gas. Si bien los trabajos de ingeniería previos, tendientes al logro de este
objetivo, se llevaban a cabo regularmente pozo por
pozo, dichos trabajos nunca arrojaron los incrementos de producción esperados para el campo. En
los campos que producen mediante levantamiento
artificial por gas, en los que una porción del gas
producido es devuelta para las operaciones de levantamiento, los efectos de la interacción no pue-
Primavera de 2008
den ser captados mediante el análisis de un solo
pozo. El operador comprendió que el procedimiento de modelado integrado de activos basado en todo
el campo captaría todos los efectos de la interacción de la red y en última instancia se traduciría
en mejores decisiones e incrementos de la producción, y a un costo reducido.
Teniendo en cuenta estos objetivos, y con la
asistencia de Schlumberger, se desarrolló un
concepto de modelo integrado de activos “del
yacimiento a la terminal,” junto con un plan de
proyectos a ser implementado por etapas. El
objetivo de ONGC para la primera fase del proyecto consistente en tres fases, fue desarrollar
un modelo de producción integrado con la red
para todo el Campo Mumbai High. Las fases subsiguientes incorporarían la optimización de la
red, la integración con el modelo de yacimientos
ECLIPSE y la simulación en tiempo real.
El objetivo fijado para el modelo de producción integrada de la primera fase era ambicioso;
desarrollar un proceso riguroso de simulación de
petróleo negro de flujo multifásico. El modelo
consideró todas las instalaciones del Campo
Mumbai High, incluyendo pozos, plataformas,
tuberías, recipientes de proceso, entrega de gas
para el levantamiento artificial, inyección de
agua y conexiones con la terminal terrestre. La
estructura de soporte del modelado elegida para
el modelo de producción integrado, fue el software de análisis de pozos y redes PIPESIM.
Como en el caso de la experiencia de PEMEX
analizada previamente, la primera tarea para el
proyecto Mumbai High fue la recolección de datos;
una tarea intimidatoria para un campo que contiene casi 900 pozos y sus instalaciones asociadas.
ONGC tomó tres decisiones cruciales en las
primeras etapas del esfuerzo de recolección de
datos. En primer lugar, dado que el campo se encuentra en un ambiente dinámico, escogió una
fecha límite para los datos en lugar de intentar
cumplir con un objetivo en movimiento. En segundo lugar, ONGC entrenó al personal en forma
extensiva con el fin de asegurar que las metodologías de trabajo se estructuraran correctamente
para garantizar la velocidad y la eficiencia. Finalmente, ONGC desarrolló pruebas de consistencia
para los conjuntos de datos con el fin de garantizar la calidad y la precisión.
Durante el esfuerzo de recolección de datos, se
obtuvo un vasto volumen de datos de producción
para el Campo Mumbai High, que incluyó desde
mapas de localizaciones de pozos y datos de la
relación presión-volumen-temperatura (PVT)
hasta la historia de pruebas de producción y datos
de los equipos de fondo para cada pozo. Para
poder iniciar la integración de los pozos individuales en el modelo de red, fue necesario desarrollar
15. Los yacimientos y los pozos fueron modelados utilizando
el simulador de yacimientos ECLIPSE, las líneas de flujo
se modelaron utilizando el simulador PIPESIM, y las
instalaciones de proceso se modelaron utilizando el
simulador de proceso HYSYS.
16. Se contó con datos más precisos para las tasas de flujo
de gas que para las tasas de flujo de líquidos.
17. La solución bidireccional iterativa del software Avocet
aseguró que se satisfacieran las restricciones de
presión y balance de flujo para todo el complejo San
Manuel. Para cada alternativa, se logró una solución
convergente.
18. Garrido AM, Morales F y Cruz J: “Brownfields Benefit
from Integrated Models,” E&P (Noviembre de 2007): 51,
52, 55.
19. Moitra et al, referencia 2.
20. “India Produces 31.513 mmt of Crude Oil,” United Press
International (21 de agosto de 2007), http://www.upi.com/
International_Security/Energy/Briefing/2007/08/21/india_
produces_31513_mmt_of_crude_oil/1560/ (Se accedió el
30 de agosto de 2007).
25
datos de calibración para el campo. El modelo
independiente para cada tipo de pozo se calibró
con los datos de pruebas de producción más
recientes. Con los datos recolectados y los modelos de pozos construidos y calibrados, se pudo
comenzar a trabajar en el modelo de red.
El modelo integrado de red, que ONGC construyó en el software PIPESIM, incluyó todos los
pozos, tubos ascendentes, líneas de flujo y equipos
de proceso.21 El modelo fue construido utilizando
una arquitectura de seis niveles (derecha). El último paso del proceso de construcción del modelo
fue el ajuste histórico de las predicciones del modelo en términos de presión, temperatura y tasas
de flujo con los datos de producción reales. El
ajuste histórico para todo el modelo se llevó a cabo
a nivel del complejo de proceso y a nivel de la plataforma de pozos de producción. Durante este proceso de construcción, calibración y validación del
modelo, los ingenieros de ONGC descubrieron más
de 350 oportunidades potenciales para mejorar la
producción del Campo Mumbai High. Estas oportunidades abarcaron diversas áreas, desde la optimización de las operaciones de levantamiento
artificial por gas hasta la localización de obstrucciones ocasionadas por la alta contrapresión, y la
identificación de pozos con tendencias inconsistentes en las tasas de flujo.
Ahora que ha concluido el trabajo de construcción y pruebas, ONGC está utilizando el modelo
de la primera fase para estudios de eliminación
de cuellos de botella y para la optimización de la
red de levantamiento artificial por gas, con el fin
de incrementar la producción en la segunda fase.
Sus resultados indican un incremento de la producción de petróleo de 475 m3/d [3,000 bbl/d] y
una reducción del 40% del gas requerido para las
operaciones de levantamiento artificial.22 Una reducción importante del gas de inyección posee
dos beneficios importantes. En primer lugar, se
logra un nivel más alto de estabilidad, controlabilidad y predictibilidad operacionales respecto de
las operaciones de producción e inyección de gas,
debido a la mayor potencia de los compresores de
reserva. Esto mejora la cobertura de las operaciones
de levantamiento artificial en las plataformas de
pozos de producción que se encuentran alejadas.
En segundo término, la reducción de la inyección
de gas en estas operaciones implica la disponibilidad de un mayor volumen de gas para exportación
y venta. Ya se han puesto en marcha tareas de optimización adicionales utilizando el modelo de producción integrada de la primera fase.
26
Si bien ONGC recién ha comenzado a explorar
las posibilidades para el modelo de red de producción integrada para el Campo Mumbai High,
la compañía ya está contemplando la segunda
fase. En esta segunda fase se utilizará el software
Avocet para acoplar el simulador de yacimientos
ECLIPSE al proceso de simulación de red de
tuberías PIPESIM construido en la primera fase.
Los resultados de esta fase del proyecto serán
utilizados para optimizar la producción, mejorar
la toma de decisiones y considerar planes de redesarrollo de los campos petroleros. La tercera y
última fase del proyecto contempla alternativas
de simulación y optimización en tiempo real. El
modelo desarrollado en esta fase final utilizará
la capacidad de actualización automatizada de
los sistemas de supervisión, control y adquisición de datos (SCADA) y otras bases de datos.
Este modelo se empleará para efectuar estudios
de planeación por incrementos de tiempo con
los modelos que integran el yacimiento con las
instalaciones de superficie.
Una de las lecciones importantes que asimiló
ONGC fue que el mejoramiento de las metodologías de trabajo y la colaboración entre el campo y
la oficina demostraron ser cruciales para el éxito
del proyecto de modelado de los activos del
Campo Mumbai High. El modelado integrado de
activos forma parte de una onda tecnológica que
está cambiando no sólo lo que hacen los operado-
Modelo de red
Nivel de los intercambiadores
Nivel de las líneas troncales
Nivel de la plataforma de proceso
Nivel de la red de líneas de flujo
Nivel de las plataformas de pozos de producción
Nivel del cabezal del pozo
Modelo de un solo ramal
> Estructura del modelo de proceso integrado. Si bien cada complejo de proceso del Campo Mumbai High recibe la producción de los pozos que están
conectados al mismo, el agua de las operaciones de inyección y levantamiento
artificial por gas puede atravesar los límites de proceso. Para garantizar la
representación adecuada de todas las corrientes e intercambios, se organizó
el modelo integrado de activos para conformar una estructura de seis niveles
utilizando el simulador PIPESIM; cinco en el modelo de red y un modelo de un
solo ramal para cada pozo. El nivel superior corresponde al nivel de los intercambiadores, que contiene los sistemas de producción e inyección de agua,
además de los intercambios de fluidos de la plataforma. El nivel correspondiente a las líneas troncales contiene las conexiones entre plataformas y las
conexiones de transporte. El nivel de la plataforma de proceso contiene las
interfaces de separación, procesamiento y levantamiento artificial por gas.
Sigue en línea el nivel correspondiente a la red de líneas de flujo. Este nivel
contiene las líneas de flujo conectadas a las plataformas de pozos de producción, dentro de un complejo de proceso. El último nivel del modelo de red
es el correspondiente a las plataformas de pozos de producción, que contiene todos los pozos conectados a una plataforma dada. El nivel final está
compuesto por modelos de un solo ramal, para los pozos individuales. Los
diferentes colores de las flechas denotan las conexiones de red; la conectividad se extiende hasta el nivel más alto para luego volver al mismo nivel,
en otra parte de la red. (Adaptado de Moitra et al, referencia 2.)
Oilfield Review
res sino también cómo lo hacen. Un buen ejemplo
de este enfoque es el que se está desarrollando en
StatoilHydro.
Una ventana al futuro
En el año 2006, Statoil, ahora StatoilHydro, y
Schlumberger se embarcaron en un proyecto de
investigación y desarrollo conjunto en un ambiente
de colaboración como parte del programa de incremento de la producción submarina de petróleo
(SIOR) de Statoil.23 Este proyecto contempló la disponibilidad de un conjunto de modelos integrados
consistentes para el subsuelo y la parte alta de la
plataforma como base para la optimización futura
en tiempo real. Los objetivos del proyecto incluyen
el desarrollo de herramientas y procesos de trabajo
para optimizar diariamente el desempeño de los
yacimientos, la producción de los pozos y las instalaciones de proceso a lo largo de toda la vida productiva de los campos petroleros. Estos objetivos
se tradujeron en un proyecto de demostración que
se está llevando a cabo en este momento en el activo Snorre-B de StatoilHydro.
El activo Snorre se encuentra ubicado en el
área Tampen del Mar del Norte, a unos 150 km
[90 millas] al noroeste de Bergen, en Noruega
(derecha). La producción de la plataforma Snorre-A
comenzó en 1992, mientras que la plataforma
Snorre-B inició su producción en el año 2001. La
producción actual de ambas plataformas asciende
a aproximadamente 8,000 m3/d [50,300 bbl/d] de
petróleo y 1.75 millón de m3/d [62 MMpc/d] de
gas. La plataforma Snorre-B ha complicado las características de las formaciones, y el mejoramiento del esquema de inyección alternativa de
agua y de gas (WAG) ya en funcionamiento, fue
identificado como candidato para el programa
SIOR.24 StatoilHydro anticipó que se obtendrían
beneficios a través de la simplificación de las metodologías de trabajo y el incremento del manejo
interdisciplinario de la producción.
Si bien el trabajo relacionado con el proyecto
de demostración Snorre-B aún continúa en marcha, resulta esclarecedor seguir el desarrollo de
una metodología de inyección WAG mejorada. El
reemplazo de las herramientas y metodologías
de trabajo mayormente manuales por un sistema
con capacidad de optimización en tiempo real,
en un sistema de producción real, es un emprendimiento complejo que amerita ser examinado.25
La actividad inicial del equipo fue la identificación de los componentes relevantes de la
optimización del ciclo WAG mediante la utilización de un análisis SIPOC.26 Los resultados de
Primavera de 2008
SUECIA
Área de Tampen
NORUEGA
Bergen
Stavanger
Snorre-B
Snorre-A
Visund
Statfjord
Gullfaks
0
0
km
3
millas
3
> Activo Snorre. El activo Snorre de StatoilHydro se encuentra ubicado en el sector noruego del
Mar del Norte y cubre un área de 8 km [5 mi] de ancho por aproximadamente 20 km [12 mi] de largo.
El activo Snorre-B (encerrado en un círculo), un desarrollo ubicado en la porción más septentrional del
campo, es un desarrollo submarino con dos plantillas de producción y dos de inyección, conectadas a
una plataforma semisumergible de perforación, proceso y almacenamiento. El activo Snorre-B produce
del yacimiento Lunde, una estructura compleja con calidades variables y numerosas barreras de flujo.
Este yacimiento se caracteriza por sus pozos horizontales largos y el acceso limitado para las
operaciones de intervención. (Adaptado con permiso de StatoilHydro.)
21. El equipo de proceso incluyó separadores, compresores,
calentadores y bombas.
22. Barua S: “Integrated Asset Model Crucial to Field-Wide
Optimization,” Upstream Technology 2, no. 10
(Octubre de 2007): 48–50.
23. “Improved Recovery from Subsea Fields,”
http://www.statoil.com/statoilcom/technology/
SVG03268.nsf?OpenDatabase&lang=en
(Se accedió el 4 de septiembre de 2007).
El programa SIOR fue puesto en marcha por Statoil en
2004 con el fin de lograr, para el año 2008, un factor de
recuperación promedio del 55% de sus campos submarinos. Esto corresponde a un incremento de aproxima-
damente 191 millones de m3 [1,200 millones de bbl] de
las reservas recuperables de petróleo.
24. “Challenges in Developing and Draining the Lunde
Reservoir on Snorre B,” Statoil, http://www.spe.no/
stavanger/doc/Past%20Events/SPE_meeting_11_01_06.pdf
(Se accedió el 4 de septiembre de 2007).
25. Sagli et al, referencia 2.
26. SIPOC es una herramienta utilizada para identificar
todos los elementos de un proceso complejo a través
de la consideración de las fuentes (S), los elementos
de entrada (I), el proceso (P), los elementos de salida
(O) y el cliente (C).
27
Optimización
Analizador de
desempeño
del campo
Solicitud
Meses
a años
Modelo de
yacimiento
simplificado
(modelo sustituto)
Optimizador
Función objetivo
Restricciones
Variable de control
Tiempo,
Curva de
tasa de
producción
flujo
Modelador por pozo
integrado
de activos
Automatización de
las metodologías
de trabajo
Control avanzado
de pozos
y yacimientos
Modelo de
yacimiento
completo
Frecuencia de ejecución
Análisis
Analizador de
desempeño
del campo
Eventos
y alarmas
Motor de
metodologías
de trabajo
Visualización
Solicitud Modelo integrado
de activos
Modelo de
Modelo de desempeño
red de
del pozo
superficie
Archivero
de datos
Base de datos
de producción
Monitoreo de la producción
Analizador de
desempeño
del campo
Eventos y alarmas
Horas
a días
Tiempo,
tasa de
Modelo integrado flujo
de activos
por pozo
Motor de
metodologías
de trabajo
Modelo de
Modelo de desempeño
red de
del pozo
superficie
Archivero
de datos
Balance de
materiales con
interferencia
Presiones, Control avanzado
de pozos
tasas
y yacimientos
de flujo
Base de datos
de producción
Tiempo computacional
> Metodologías de trabajo de demostración del esquema de inyección alternativa de agua y de gas del activo Snorre-B. El módulo de automatización de las
metodologías de trabajo de supervisión ejecuta cuatro metodologías de trabajo principales, tres de las cuales se ilustran en la gráfica. La metodología de
trabajo de optimización (extremo superior) maneja las operaciones de planeación a largo plazo para el activo. Utilizando un modelo de yacimientos simplificado como sustituto, el optimizador desarrolla un pronóstico de producción y de tasas de inyección, que ingresan en el modelador integrado de activos
para desarrollar una solución para la red de instalaciones de superficie. A partir de estos pasos, el software de simulación de yacimientos ECLIPSE
convalida la solución propuesta y el nuevo pronóstico se retorna al proceso de automatización de las metodologías de trabajo. La metodología de trabajo
de análisis (centro) constituye el componente básico de la evaluación fuera de línea y es disparado por un objetivo fuera de rango o una restricción.
Las instrucciones predefinidas, basadas en el evento disparador, aceleran el análisis, lo que puede requerir una nueva ejecución del modelador integrado
de activos. La metodología de trabajo de monitoreo de la producción (extremo inferior) es la que se actualiza con más frecuencia. Si cualquier indicador de
desempeño clave se encuentra fuera de límite, se dispara una alarma y comienza la metodología de trabajo de análisis descrita precedentemente. En forma
alternativa, si todos los indicadores se encuentran dentro del rango, la metodología de trabajo de monitoreo de la producción completará los cálculos y enviará las estimaciones de presión de yacimiento y tasas de flujo del pozo a la metodología de trabajo de ajuste para el control del estrangulador (no exhibido).
Este circuito fija las posiciones del estrangulador de manera de satisfacer los objetivos de producción e inyección. (Adaptado de Sagli et al, referencia 2.)
28
Oilfield Review
este análisis demostraron que la optimización
del ciclo WAG requería cuatro componentes; un
modelo de yacimiento simplificado, control de
pozos y de yacimientos, un analizador del desempeño del campo y un modelo integrado de activos.
El modelo de yacimientos simplificado provee
una estimación de la presión por zonas y pronósticos de producción en el corto plazo, en combinación con los modelos de pozos. El control de
pozos y yacimientos establece las posiciones de los
estranguladores para una producción estable y
permite la ejecución de ajustes rápidos en caso de
falla del equipo de proceso. El analizador de desempeño del campo guía el análisis y las acciones
subsiguientes para el ciclo WAG. Por último, el
Modelador Integrado de Activos es utilizado como
software de optimización. Los parámetros de control del software Avocet son la tasa de flujo y el
tiempo para la inyección de agua y gas, mientras
que la producción es restringida por la velocidad
de erosión en los estranguladores y la presión de
flujo de fondo de pozo. El software de modelado
integrado de activos provee un pronóstico de producción de petróleo por dos años para cada pozo,
y un pronóstico de presión de yacimiento también
por dos años.
StatoilHydro ha vinculado todos estos componentes individuales entre sí con un módulo de
automatización de las metodologías de trabajo
de supervisión. La automatización permite que
los componentes individuales actúen conjuntamente para ejecutar cuatro tareas distintas para
el ciclo WAG en la plataforma Snorre-B; optimización, análisis, monitoreo y ajuste de la producción
(página anterior).
El control y la conexión de las metodologías de
trabajo WAG de la plataforma Snorre-B durante el
proceso de desarrollo y pruebas, utilizan una tecnología que integra los procesos acoplados en
forma ajustable, dentro y entre las localizaciones,
en un ambiente basado en la infraestructura de la
Red. Algunos de estos cálculos y transacciones
LAN
Stavanger, Noruega
LAN
Trondheim, Noruega
LAN
Stjørdal, Noruega
Servidor para
control de proceso
Servidor para Servidor para
automatización modelado
de metodologías integrado
de trabajo
de activos
pueden implicar semanas o meses; no sólo minutos u horas. Las conexiones que ponen de relieve
la integridad y la seguridad de los datos, entre la
aplicación y la localización, son de primordial importancia. La conexión entre los diversos procesos
se manipuló singularmente en dos niveles; entre
las aplicaciones y entre las localizaciones. El protocolo de comunicación entre las localizaciones utiliza la interfaz PRODML, una interfaz estándar de
la industria de E&P para el intercambio de datos.27
La arquitectura de comunicaciones que conecta las
localizaciones de Noruega y los centros de otras
cuatro localizaciones del mundo, permitió el acceso remoto a los resultados de la demostración y
a los datos de producción (abajo).28
27. Para obtener más información sobre la interfaz PRODML,
consulte www.prodml.org (Se accedió el 10 de septiembre
de 2007).
28. Para obtener más información sobre el Enlace Seguro
de Información Petrolera, o Red SOIL, consulte:
www.oilcamp.com/portal/Home/tabid/93/Default.aspx
(Se accedió el 10 de septiembre de 2007).
LAN
Snorre-B
LAN
StatoilHydro
Demostrador
Snorre-B
SOIL
Servidor para base de
datos de producción
Servidor para
archivador de datos
LAN
Schlumberger
Baden, Austria
Abingdon, Inglaterra
Calgary, Canadá
Houston, Texas
> Arquitectura computacional para la demostración y comprobación de las metodologías de trabajo. Las metodologías de trabajo, las bases de datos y
las rutinas de control y de modelado integrado de activos de StatoilHydro, se encuentran ubicadas en diferentes localizaciones de Noruega, incluyendo
Stavanger, Trondheim, Stjørdal y Snorre-B. Las localizaciones de Schlumberger en Baden, Austria; Abingdon, Inglaterra; Calgary; y Houston poseen
acceso a las metodologías de trabajo y los datos de producción a través del Enlace Seguro de Información Petrolera (SOIL). (Adaptado de Sagli et al,
referencia 2.)
Primavera de 2008
29
0
0
5
10
5
15 km
10 mi
> Visualización del desempeño del Campo Arkoma, basada en mapas. Los vuelcos de pantallas, obtenidos con la herramienta de visualización basada en
mapas, ilustran cómo puede visualizarse el desempeño de los activos. El Campo Arkoma se destaca como secciones de color rojo, amarillo y verde, en la
pantalla introductoria (izquierda). Mediante la ampliación rápida de la sección correspondiente a Red Oak West, los pozos pueden ser visualizados por
tipo, promedios de producción y buenas condiciones relativas (derecha). Se utilizan gráficas de burbuja para ver los efectos de los parámetros operativos
clave. (Adaptado de Weber et al, referencia 1.)
Si bien la automatización de las metodologías
de trabajo para la optimización de los procesos
WAG en el activo Snorre-B aún se encuentra en
desarrollo, StatoilHydro ya está percibiendo los
beneficios del trabajo. En primer lugar, la integración de los usuarios actuales en el desarrollo y la
demostración asegura que su experiencia acumulada se inserte en la metodología de trabajo simplificada. En segundo lugar, se desarrolló un
modelo de yacimiento simplificado, que provee resultados en minutos en vez de horas; una necesidad a la hora de incluir el modelo en el circuito de
optimización. Finalmente, el incremento del uso
de la automatización en el monitoreo de la producción constituye un hito importante. Las alarmas se disparan cuando corresponde, y la
combinación del proceso de monitoreo con el análisis subsiguiente se traduce en tiempos de ejecución más rápidos en caso de situaciones
29. Snieckus, referencia 3.
30. Mochizuki S, Saputelli LA, Kabir CS, Cramer R,
Lochmann MJ, Reese, RD, Harms LK, Sisk CD, Hite JR y
Escorcia A: “Real Time Optimization: Classification and
Assessment,” artículo SPE 90213, presentado en la
30
inesperadas. El software Avocet, incorporado en
una metodología de trabajo correctiva y de supervisión, está desempeñando un rol clave en la generación de todos estos beneficios.
Hacia el campo inteligente
Si bien la tecnología para obtener y transmitir
datos en tiempo real se encuentra disponible
desde hace años, la industria petrolera ha tardado en adoptarla.29 A medida que se difunde la
valoración del incremento de la recuperación, su
tasa de absorción en el campo se está incrementando. A esto contribuyen también las opciones
en tiempo real, que simultáneamente están creciendo en cuanto a capacidad y reduciéndose en
costos.30 Por ejemplo, BP ha acuñado la expresión
“Campo del Futuro” para el campo inteligente y
está tomando medidas para convertir en realidad
la visión de la compañía.31 BP ha combinado el
Conferencia y Exhibición Técnica Anual de la SPE,
Houston, 26 al 29 de septiembre de 2004.
31. Reddick C: “Field of the Future: Making BP’s Vision
a Reality,” artículo SPE 99777, presentado en la
Conferencia y Exhibición sobre Energía Inteligente
de la SPE, Ámsterdam, 11 al 13 de abril de 2006.
método de modelado integrado de activos con un
ambiente visual basado en mapas en su Campo
Arkoma Red Oak West.32
BP North American Gas es la compañía operadora de este campo cercano a Wilburton, en el
sudeste de Oklahoma, EUA. El campo contiene
unos 800 pozos de gas y 400 km [250 mi] de tuberías, en un área de 32 km [20 mi] de largo por
10 km [6 mi] de ancho. Este activo posee además siete estaciones compresoras y más de 70
compresores portátiles de cabezal de pozo. En el
pasado, la optimización de campos tales como
Red Oak West implicaba el examen laborioso de
grandes volúmenes de datos provenientes de
numerosas fuentes para cientos de pozos. Como
parte de su iniciativa Campo del Futuro, BP ha
puesto exitosamente este campo a la vanguardia
del campo inteligente. Se combinó un sistema
SCADA con el Modelador Integrado de Activos
32. Weber et al, referencia 1.
33. Howell et al, referencia 4.
Oilfield Review
Avocet para proveer capacidades de optimización de campo completo y visualización basada
en mapas.
El modelo integrado de activos en línea de Red
Oak West puede operar en modo de seguimiento
en tiempo real para monitorear las operaciones
que se están efectuando en ese momento o en
modo fuera de línea para evaluar estrategias de
producción alternativas. Además del modelado en
línea, BP ha desarrollado una herramienta para
la visualización de los datos de Red Oak West, denominada “MAPS” y, para los ingenieros de BP, es
una herramienta basada en el empleo de mapas
para observar el desempeño en el caso de un
campo grande (página anterior). Este tipo de am-
biente permite que los ingenieros identifiquen rápidamente los pozos que están produciendo por
debajo de su potencial e identifiquen problemas
operacionales, tales como la acumulación de líquidos o la falla de los equipos.
Si bien el mejoramiento de la producción fue
el aspecto clave del programa, BP observó otros
beneficios importantes. El manejo de la integridad fue mejorado mediante el empleo de indicadores visuales y procesos de animación para
visualizar las líneas de flujo con el fin de determinar la corrosión, la erosión y las velocidades de los
fluidos. BP ha descubierto que la herramienta
MAPS no está confinada al monitoreo exclusivo de
las variables de desempeño e integridad de los
16
Incremento potencial del VAN, %
14
12
10
8
6
4
2
0
Petróleo de
Petróleo de
Gas de
Gas de
aguas profundas,
aguas profundas,
agua somera,
agua somera,
campo verde
campo maduro
campo verde
campo maduro
VAN = US$ 3,800 millones VAN = US$ 1,800 millones VAN = US$ 1,500 millones VAN = US$ 3,800 millones
> Potencial del campo inteligente. Se prevé que el empleo de la tecnología digital en los campos de
petróleo y gas proporcionará mejoras significativas en el valor actual neto (VAN) de los campos de
petróleo y gas, tanto para los campos verdes (no desarrollados) como para los campos maduros (ya
desarrollados). Estas mejoras serán el resultado del empleo de diversas tecnologías clave; sensores
remotos, visualización de datos, perforación y terminación de pozos inteligentes, automatización e
integración de datos.
Primavera de 2008
pozos y las líneas de flujo. También puede rastrear
al personal y los equipos vinculados a las actividades de campo tales como las operaciones de mantenimiento, perforación o evacuación en caso de
emergencia.
Si bien existen numerosos impulsores en el
movimiento hacia el campo inteligente, lo más
probable es que los operadores sean motivados
por la reducción del costo y el mejoramiento de
la producción. Los incrementos significativos del
valor de los proyectos constituirán, para los operadores, el máximo impulso hacia la adopción de
tecnologías que definan el panorama del campo
inteligente (abajo, a la izquierda).33 El modelado
integrado de activos ocupa una posición clave en
este terreno.
El modelado integrado de activos forma parte
de un cambio de paradigma, tendiente a la aplicación de la tecnología digital, que está modificando el cariz de los campos de petróleo y gas.
Habiéndose iniciado como un rizo hace 25 años,
este cambio ha tomado impulso y se ha convertido
en una ola. Como núcleo del modelado integrado
de activos y de todas las tecnologías asociadas que
conforman el campo inteligente, se encuentran la
integración y la comunicación de la información.
Los antiguos procesos de trabajo en serie están
desapareciendo para ser reemplazados por los
elementos de un nuevo paradigma; un paradigma
que integra la información entre las disciplinas
con fluidez y la comunica a través de los límites
geográficos. Las tecnologías que forman parte de
este paradigma tienden a romper las barreras
existentes y fomentar la colaboración; son pro-activas en lugar de reactivas. El modelado integrado
de activos ocupará una posición clave en el campo
inteligente a medida que la industria avance
hacia la adopción de alternativas de optimización
en tiempo real.
–DA
31