维度网讯，四个位于不同盆地、采用不同人工举升方法的油田部署案例表明，边缘计算与工业物联网平台能够实现生产作业的自动化和优化。这些案例涵盖厄瓜多尔亚马逊地区的奥连特盆地（Oriente Basin，IPTC 25145）、德克萨斯州的二叠纪盆地（Permian Basin，SPE 216829）、巴肯的威利斯顿盆地（Williston Basin，SPE 222618）以及路易斯安那州的海恩斯维尔盆地（Haynesville Basin，SPE 229390），涉及电潜泵（ESP）、气举、抽油杆泵（SRP）和间歇气井等多种类型。
在厄瓜多尔亚马逊地区，一个使用ESP井的成熟老油田面临多重限制：没有永久可用的修井机进行干预、井场位于距最近城市超过100公里的偏远丛林，以及人力短缺导致单个操作员需负责超过60口井。传统的人工操作使人员暴露于高压、高温和电气危险中，同时延迟的异常检测导致了频繁的ESP故障和产量损失。在二叠纪盆地，管理非常规水平气举井的运营商在优化气举注入率方面遇到困难，传统的基于模拟的模型无法跟上严重段塞流和快速变化的条件。在巴肯，抽油杆泵井过度循环，某些井平均每天停机六次，操作员缺少实时诊断来区分气体干扰、液击和碰泵事件（tagging events）。在海恩斯维尔盆地，通过手动或基于日历的关井循环管理的间歇气井面临液体卸载不佳、停机时间延长和频繁的人工干预等问题。
所有四个部署共享相同的架构基础：在井场安装加固的边缘计算设备，接收高频传感器数据并在本地执行分析，实现亚秒级响应时间的闭环控制（图1）。只有预处理后的摘要和警报被传输到云端，数据传输量较原始传感器数据流减少了85%至95%（SPE 202252， SPE 201411）。
在亚马逊地区，自动井操作员（AWO）边缘应用集成了四个工作流：智能生产监控、智能化学剂注入、智能井测试和智能地面设备，这些工作流汇总至单一的数字孪生界面，支持远程和自主的ESP操作、化学剂注入以及基于机器学习的自动井测试。在二叠纪盆地，一个数据驱动的气举优化应用直接在IIoT网关设备上运行，通过迭代测试注入率设定点并实施闭环驱动来优化，无需井模型或现场人员。在巴肯，基于边缘的工作流将机器学习示功图分类与快速循环缓解算法和生产优化算法相结合，在边缘网关上自主协同运行。在海恩斯维尔盆地，一个自主液体卸载应用将基于物理的临界速度计算与机器学习驱动的关井持续时间预测相结合，无需人工干预即可动态控制节流驱动。
经过17个月的连续AWO运行，厄瓜多尔亚马逊地区的部署实现了6%的产量增长，累计增加22，300桶石油。ESP故障指数从0.5下降到0.26，避免了至少一次重大修井。井测试时长从10小时降至4小时（减少60%），测量精度为95%。操作员效率提高了80%，并通过减少现场动员避免了26吨二氧化碳排放。在二叠纪盆地，数据驱动的气举优化应用部署在8口非常规水平气举井上。单井优化模式下，候选井表现优于人工管理井5%；在三井组的多井优化中，产量提升范围从5%到25%，其中一口之前表现不佳的井在单个优化周期内实现了约20%的阶跃式产量提升，整个工作流完全自主执行。在巴肯，针对8口SRP井的试点表明，机器学习分类、快速循环缓解和生产优化工作流组合，在最少人工干预下实现了推断产量平均增加15%、运行时间提高3%、泵循环减少29%（通过维持最佳泵充满度）。在一口井上，通过系统性的变频驱动（VFD）速度优化，每日停机次数从平均6次减少到1次。在海恩斯维尔盆地，自主液体卸载应用在8个井场的9口间歇气井上部署后，在63至83天的优化期内，累计天然气产量增加了70%至139%（图2和表1），日产量增益高达350 Mscf/D，分析估计每口井每年可额外增产超过80 MMscf。
在四个不同运营环境（涉及不同的人工举升方法、地理、连接性和组织成熟度）中取得的一致结果验证了边缘IIoT架构作为一个广泛适用平台的潜力。在每个案例中，边缘设备在本地执行闭环控制的能力被证明至关重要，例如在巴肯一小时内响应示功图异常，或在海恩斯维尔无需云连接即可维持数周的自主井循环。这些实施表明，边缘将基于物理的模型与数据驱动分析相结合，能够实现自主优化工作流。模块化架构支持水平扩展：亚马逊的AWO框架设计用于在最少硬件扩展的情况下复制到更多井场；海恩斯维尔解决方案的容器化部署无需修改SCADA。
延伸阅读：SPE 216829 《A Robust Method for Data-Driven Gas-Lift Optimization》，作者A. Gambaretto和K. Rashid，SLB；IPTC 25145 《Automated Well Operator—AWO: The Future of Production Operations》，作者S. Guaigua、H. Quevedo和L. Bustamante等，SLB；SPE 202252 《Edge Computing: A Powerful and Agile Platform for Digital Transformation in Oilfield Management》，作者A. Sharma、P. Samuel和D. Gupta等，SLB；SPE 201411 《Edge Computing: Continuous Surveillance and Management of Production Operations in a Cost-Effective Manner》，作者A. Sharma、P. Samuel和G.M. Gey等，SLB；SPE 222618 《Enhancing Edge-Based SRP Production Optimization Algorithm With Fast-Loop Mitigation》，作者Z. Hyder、M. Yermekova和C. Kemp等，SLB；SPE 229390 《Smart Liquid-Unloading IIoT Application for Gas Wells in the Haynesville Basin》，作者A. Gambaretto、C. Kemp和R. Marin Nunez等，SLB。
Akshay Dhavale（SPE会员）是SLB休斯顿办公室Agora Edge AI的产品冠军(product champion)。他领导着井和设施作业（包括能源资产的人工举升、流动保障和安全系统）边缘解决方案的开发和全球部署。在他的领导下，Agora Edge AI已实现全球部署，覆盖东南亚、西非和美洲。拥有超过16年软件行业经验，Dhavale从首席开发人员晋升到解决方案架构师、项目经理，直至现任职务，带来了从系统架构到市场策略的整个产品堆栈的深度。他是SPE的活跃贡献者，发表了关于自主井优化和边缘生产技术的同行评审会议论文。他拥有4项美国专利（1项已授权，3项待批），以及印度浦那大学计算机工程硕士学位。
Zeshan Hyder是SLB休斯顿办公室Agora Edge AI组的产品冠军(product champion)，领导着能源资产（包括井和设施作业的人工举升、流动保障和安全）边缘解决方案的开发。拥有超过25年的石油天然气行业经验，他的职业生涯涵盖国内外运营商和服务公司的生产工程、运营和数字解决方案开发。他的专长包括广泛的生产优化技术，特别是人工举升系统，专注于将高级分析、机器学习和边缘计算整合到现场作业中。Hyder发表了多篇关于自主优化和边缘生产技术的SPE论文。他持有德克萨斯A&M大学化学工程学士学位和卡尔加里大学MBA学位。
