使用机器学习管理二氧化碳供应的方法和系统与流程

背景技术：

1、全球气候变化和空气质量已成为日益重要的环境问题。导致全球气候变化的各种因素是温室气体，包括二氧化碳(co2)、甲烷(ch4)和一氧化二氮(n2o)。特别地，温室气体可能是自然产生的，也可能是石油和天然气生产的结果。例如，二氧化碳排放可能来自油井作业，如发动机、涡轮机和燃烧加热器产生的废气、天然气燃烧、井测试和提高采收率(eor)作业。然而，石油和天然气行业已经做出了一些尝试来减少温室气体的排放。特别地，一些作业对废气进行回收和再利用，以保存热量或减少燃烧。同样，改进的泄漏检测方法也可以识别和修复来自储罐和其他设备的气体泄漏。

技术实现思路

1、提供此概要是为了介绍一些概念，这些概念将在下面的详细描述中还描述。本概要无意识别所要求主题的关键或基本特征，也无意用作限制所要求主题范围的辅助工具。

2、一般而言，在一个方面，实施例涉及一种方法，方法包括通过计算机处理器获得感兴趣的地质区域的储层数据。方法还包括通过计算机处理器获得与感兴趣的地质区域耦接的一个或多个井的生产数据。方法还包括通过计算机处理器获得一个或多个井的碳排放数据。方法还包括通过计算机处理器使用机器学习模型确定预测的碳排放数据和预测的生产数据。方法还包括通过计算机处理器基于预测的碳排放数据和预测的生产数据确定用于增产作业的一个或多个增产参数。方法还包括通过计算机处理器向与注入井耦接的控制系统发送命令。命令基于一个或多个增产参数调整供应至注入井的二氧化碳的量。

3、一般而言，在一个方面，实施例涉及包括耦接到注入井的第一控制系统的系统。系统还包括耦接到生产井的第二控制系统。系统还包括二氧化碳管理器，二氧化碳管理器包括计算机处理器。二氧化碳管理器耦接到第一控制系统和第二控制系统。二氧化碳管理器获得感兴趣的地质区域的储层数据。二氧化碳管理器获得与生产井有关的生产数据。二氧化碳管理器获得生产井和注入井的碳排放数据。二氧化碳管理器使用机器学习模型确定预测碳排放数据和预测生产数据。二氧化碳管理器基于预测碳排放数据和预测生产数据，确定用于增产作业的一个或多个增产参数。二氧化碳管理器通过计算机处理器向第二控制系统发送命令。命令基于一个或多个增产参数调整供应至注入井的二氧化碳的量。

4、在一些实施例中，机器学习模型包括神经网络，神经网络包括至少一个隐藏层、至少一个神经元、以及激活函数，其中神经网络确定一个或多个井在预定时间的预测生产率，并且其中增产参数可以对应于基于预测生产率的二氧化碳注入。在一些实施例中，机器学习模型包括神经网络，神经网络包括至少一个隐藏层、至少一个神经元、以及激活函数，其中神经网络确定与向一个或多个井提供电力以达到预定生产率相关的二氧化碳排放的预定量，以及其中，一个或多个增产参数对应于基于二氧化碳排放的预定量的二氧化碳注入。在一些实施例中，机器学习模型包括一个或多个具有外源输入的非线性自回归神经网络(narx)模型。在一些实施例中，响应于用户对用户设备的输入，从用户设备获得确定一个或多个增产参数的请求。在一些实施例中，储层数据包括基于一个或多个气体示踪剂描述感兴趣的地质区域中的气体含量的传感器数据。在一些实施例中，预测生产数据对应于生产井生产的预定量的油、预定量的气和预定量的水。在一些实施例中，基于预测生产数据和获得的生产数据之间的不匹配来确定误差数据。使用误差数据和机器学习算法更新机器学习模型，其中机器学习模型确定预测生产数据，其中机器学习算法是反向传播算法。在一些实施例中，使用机器学习模型以及基于生产井的井数据、历史注入数据和历史电力数据，确定生产井在预定时间段的预测碳排放数据，其中预测碳排放数据对应于通过对生产井进行增产作业实现二氧化碳中和的生产井的电力需求。

5、一般而言，在一个方面，实施例涉及一种方法，方法包括通过计算机处理器获得感兴趣的地质区域的储层数据。方法还包括通过计算机处理器获得关于一个或多个超临界二氧化碳动力(sco2)涡轮机的涡轮机数据。方法还包括通过计算机处理器获得耦接到感兴趣的地质区域的一个或多个井的碳排放数据。方法还包括，通过计算机处理器，使用机器学习模型、储层数据、涡轮机数据和碳排放数据，确定预测生产数据和预测碳排放数据。该方法还包括通过计算机处理器基于预测生产数据和预测碳排放数据向控制系统发送一个或多个命令。一个或多个命令调整分配到注入井和一个或多个sco2涡轮机的二氧化碳的量。一个或多个命令实现了一个或多个井的预定生产率和预定碳足迹。预定碳足迹对应于由一个或多个井和一个或多个sco2涡轮机产生的碳排放。

6、一般而言，在一个方面，实施例涉及一种方法，该方法包括耦接到注入井的第一控制系统、耦接到生产井的第二控制系统、以及耦接到一个或多个超临界二氧化碳(sco2)涡轮机的第三控制系统。系统还包括二氧化碳管理器，二氧化碳管理器包括计算机处理器，其中，二氧化碳管理器耦接到第一控制系统、第二控制系统、以及第三控制系统。二氧化碳管理器获得耦接到注入井和生产井的感兴趣的地质区域的储层数据。二氧化碳管理器获得关于一个或多个超临界sco2涡轮机的涡轮机数据。二氧化碳管理器获得注入井和生产井的碳排放数据。二氧化碳管理器使用机器学习模型、储层数据、涡轮机数据和碳排放数据来确定预测生产数据和预测碳排放数据。二氧化碳管理器基于预测生产数据和预测碳排放数据，向第一控制系统、第二控制系统或第三控制系统发送一个或多个命令。一个或多个命令实现预定生产率和预定碳足迹。预定碳足迹对应于由生产井、注入井、以及一个或多个sco2涡轮机产生的碳排放。

7、在一些实施例中，机器学习模型包括神经网络，神经网络包括至少一个隐藏层、至少一个神经元、以及激活函数，其中神经网络确定一个或多个井在预定时间的预测生产率。在一些实施例中，机器学习模型包括神经网络，神经网络包括至少一个隐藏层、至少一个神经元、以及激活函数，其中神经网络确定与向一个或多个井提供电力以实现预定生产率相关的二氧化碳排放的预定量。在一些实施例中，机器学习模型包括一个或多个具有外源输入的非线性自回归神经网络(narx)模型。在一些实施例中，响应于用户对用户设备的输入，从用户设备获得请求以确定二氧化碳管理网络内的二氧化碳供应。在一些实施例中，储层数据包括基于一个或多个气体示踪剂描述储层中气体含量的传感器数据。在一些实施例中，使用机器学习模型并基于历史注入数据来确定生产井的预定时间段的预测生产数据，其中预测生产数据对应于生产井生产的预定量的油、预定量的气和预定量的水。在一些实施例中，基于预测生产数据和获取的生产数据之间的不匹配来确定误差数据。使用误差数据和机器学习算法更新机器学习模型，其中机器学习算法是反向传播算法。在一些实施例中，基于生产井的井数据、历史注入数据和历史电力数据，使用机器学习模型确定预定时间段的预测碳排放数据，其中预测碳排放数据对应于生产井的电力需求，而生产井的电力需求是为了对感兴趣的地质区域进行增产作业时实现二氧化碳中和。在一些实施例中，基于历史电力数据，使用机器学习模型为sco2涡轮机确定预定时间段的预测二氧化碳需求数据。在一些实施例中，一个或多个sco2涡轮机使用保持在预定临界温度和预定临界压力或高于预定临界温度和预定临界压力的二氧化碳(co2)流体状态下的二氧化碳运行。

8、鉴于上述结构和功能，本发明的实施例可以包括各自的装置，这些装置适于根据本文所述的一个或多个方面以及一个或多个方面的实施例中的任何一个来执行上述定义的各种步骤和功能。

9、从以下描述和所附权利要求书中可以看出所要求保护的主题的其他方面和优点。