维度网讯，ORTOmation公司开发的自学习闭环优化器在特拉华盆地（Delaware basin）一个非常规油气井场的五口井上完成部署。该优化器无需过程模型或工厂扰动测试，即可实现气举参数的自适应调整。

优化器在数周运行中持续调整气举参数，使五口井的天然气产量达到最大化，同时气举用量减少44%。优化器将每口井的天然气流量作为优化变量，常规控制器则作为气举流量控制器，以降低关键参数变化，提升气举经济效益。

单口气举井的经济最优值受经济条件、油藏条件和设备效率变化影响。每口井的气举性能曲线随油藏老化而变化，过度的气举最终会导致产量持平或下降。在多口井共用一个气举气源（如井场）的情况下，气举对产量的影响因井而异，当压缩能力受限时，优化还需考虑这些约束以分配可用气体。

气举与产量之间的关系是非线性的，传统的基于模型的实时闭环优化器需要专业知识进行开发和维护，而中小规模项目往往难以承担这些成本。新开发的无模型自学习闭环优化器通过学习过程调整对运营利润或成本的影响，进一步调整以满足约束条件，从而降低了实施成本和对专家的依赖。

自学习优化器构建在常规控制之上，采用比例-积分-微分（PID）控制器维持过程稳定。优化智能体（OA1至OA4）以级联方式写入每个指定操纵变量PID控制器的设定点，并通过标准控制系统通信技术（OPC）访问测量值。智能体使用信号处理算法减少测量噪声影响，并采用新型爬山算法在接近最优解时减小变化率，逐步优化操作。

此次现场试验位于特拉华盆地（Delaware basin）的非常规油气井场，共优化五口井。项目软件安装在基于云的服务器上，通过Microsoft Teams进行约3小时的工程师培训。优化方案的目标是最大化所有五口井的天然气产量，产气流量作为优化变量，同时设计了惩罚函数以维持气举围绕临界速率运行。关键约束包括火炬压力控制阀位置、气举流量上下限以及各井间的气举平衡。若气举流量控制器模式错误或压缩机跳闸，优化器将暂停。

调试采用增量式方法，初始设置保守的气举流量限值和变化率，随后根据ORTO分析工具监控结果逐步调整。部署数周后，评估的效益体现在三个方面：总气举用量从约4.7 MMscfd降至2.64 MMscfd，降幅约44%；在操作约束下总体产量实现最大化；产气变异性（均值周围的标准差）降低约40%，有助于减少设备磨损、维护成本及过程跳闸。同时，每口井气举量的减少降低了油管压力，其中一口井的油管压力降低约8%，套管压力降低1.5%，促进了井中气体和液体的抽汲。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com