Impacto del software ReO para la optimización del modelo de redes de producción de petróleo en Offshore

Abstract

El trabajo del proyecto de investigación considerará la actualización del modelo de redes integral de producción de los campos Peña Negra y Lobitos Offshore a condiciones operativas haciendo uso del simulador ReO (Network Desing and Optimization - Diseño y optimización de Redes), con licencia en servidor local de Savia Perú. La ejecución del proyecto se dividió en dos fases: en análisis de pozos representativos en una plataforma y la actualización del modelo integral (pozo-superficie) de las redes de producción de los campos Peña Negra y Lobitos Offshore, en cuanto a la fase de modelado de pozos representativos para cada plataforma, se analizaron las variables presión, temperatura y flujo de gas en los nodos de gas lift y gas producido, generando así un modelo de pozo sensible a efectos termodinámicos en el nodo analizado, basado en el algoritmo de cálculo API RP 11v10 adaptado para pozos de gas lift intermitente tipo BLT (modelo de pozos Peña Negra, Savia Perú & Waterford). Por otro lado, en cuanto a la fase de la actualización de modelado integral (pozo­ superficie) de las redes se llevó a cabo con el simulador ReO™ bajo el soporte de análisis estadístico de las diferentes variables del sistema de redes de producción, el cual era registrado en tiempo real mediante el sistema de monitoreo digital de campo. El criterio de análisis estadístico de pozos representativos y red integral asume un régimen estacionario en el sistema de producción, a excepción de un evento de gran magnitud como una falla de un determinado activo en las facilidades de producción (compresores, duetos, recipientes de baja y alta presión), ello con el objetivo de una aproximación exacta al comportamiento dinámico del campo. Finalmente se evaluaron escenarios de cambios operativos en la red integral de ambos campos (Peña Negra y Lobitos) en el simulador ReO™ a solicitud del cliente, a fin de determinar el impacto productivo por cambios en sistema de producción, además también de la detección de cuellos de botella y la evaluación del manejo de la producción ante una contingencia por falla de un determinado activo.

The work of the research project will consider the update of the comprehensive production network model of the Peña Negra and Lobitos Offshore fields to operational conditions using the ReO (Network Design and Optimization) simulator, licensed on a server. local Savia Peru. The execution of the project was divided into two phases: analysis of representative wells on a platform and updating of the comprehensive model (well-surface) of the production networks of the Peña Negra and Lobitos Offshore fields, in terms of the modeling phase. of representative wells for each platform, the variables pressure, temperature and gas flow in the gas lift and produced gas nodes were analyzed, thus generating a well model sensitive to thermodynamic effects in the analyzed node, based on the API calculation algorithm RP 11v10 adapted for BLT type intermittent gas lift wells (Peña Negra, Savia Peru & Weatherford well model). On the other hand, regarding the comprehensive modeling update phase (well-surface) of the networks, it was carried out with the ReO™ simulator under the support of statistical analysis of the different variables of the production network system, the which was recorded in real time through the digital field monitoring system. The criterion of statistical analysis of representative wells and integral network assumes a stationary regime in the production system, with the exception of a large event such as a failure of a certain asset in the production facilities (compressors, pipelines, low and high pressure), this with the objective of an exact approximation to the dynamic behavior of the field. Finally, scenarios of operational changes in the comprehensive network of both fields (Peña Negra and Lobitos) were evaluated in the ReQ TM simulator at the request of the client, in order to determine the productive impact due to changes in the production system, in addition to the detection of bottlenecks and the evaluation of production management in the event of a contingency due to the failure of a certain asset.