数字孪生在油气工程领域的应用研究

2022-11-09苏堪华达文豪

重庆科技学院学报（自然科学版） 2022年5期

李昊苏堪华李猛达文豪魏健张浪

(重庆科技学院石油与天然气工程学院，重庆 401331)

随着信息化、智能化技术的发展，数字孪生(digital twin，DT)将在油气工程领域发挥重要作用。结合感知数据、智能算法的应用，数字孪生可为智慧油气发展赋能，深入突破油气工程现场的问题与难点，从而推动油气开发模式的进一步升级。在国外油气工程领域，已经展开了大量的数字孪生应用试点作业，技术也渐趋于成熟。在国内油气领域，与数字孪生相关的研究尚处于起步阶段，其中数字孪生模型与算法融合度低、数字孪生底层架构不统一、数字孪生成熟度与可靠性评价困难等主要问题亟待解决。

1 数字孪生技术概述

数字孪生这一概念，是在计算机技术发展过程中被提出、传播和发展，并应用于多个领域。在信息化、智能化技术应用中，数字孪生是指在集成多物理、多尺度、多学科概念的条件下对物理结构与虚拟模型进行双向映射，以实现物理世界与信息世界的交互与融合，具有实时同步映射和高保真度反馈特性。数字孪生的基本原理是：首先，构建物理实体与其虚拟模型的数字化交互桥梁，借助实时数据与历史数据在虚拟空间中对物理实体进行表征；其次，在此基础上建立多维度、多概率的复杂模型，即形成孪生体；最后，通过功能、性能、行为等指标的变化反映孪生体的真实状态。

数字孪生技术的出现，为油气工程信息化、智能化提供了新的发展方向。面对勘探开发过程复杂及作业效率、安全可靠性要求较高等问题，可利用数字孪生技术的优势从物理数据中提炼出有效信息，以提高油气领域“知识发现”和“知识迁移”的能力[1]。

1.1 数字孪生在油气工程领域的发展

总体上，目前主要以数字孪生五维模型的架构为通用参考架构，包括物理实体、虚拟实体、孪生数据、连接、应用服务等部分[2]。数字孪生五维模型是在数据感知的基础上，借助核心算法完成精准处理、快速融合、高效预测等工作，通过边缘计算与云服务实现对数据的高速处理和无损传输。如图1所示，数字孪生架构的逻辑是：首先，针对油气工程中的钻、采、输环节进行动态结构监测和实时环境参数特征感知；然后，将动态感知数据作为数字孪生系统的输入量，结合现有高级仿真(降阶模型仿真技术等)、算法工具(机器学习、大数据等)驱动虚拟模型实现动态更新；最后，将生成结果予以存储与展示。

图1 数字孪生架构逻辑

为了提升物理世界中设备的感知效果，研究人员在数字孪生架构中接入了高级仿真、机器学习、大数据、云平台等信息技术，逐渐丰富了油气领域数字孪生的应用场景。

在国外，Grieves于2003年初步提出了数字孪生的概念。2011年，美国国家航空航天局(NASA)将数字孪生应用在飞行器的研发与运行过程中[1-2]。2016年，相关科技行业引发了数字孪生研究热潮[3]。之后，在油气工程领域涌现出一大批有关数字孪生的研究成果及应用案例[4-6]。

在国内，则是于2019年起相继展开关于数字孪生的应用探索。2019年，新疆油田公司“全生命周期”管理平台投入使用，成为国有企业数字化转型优秀案例[7]。2020年，中石油集团发布了“十四五”末期将初步实现“数字中国石油”的发展目标，开始了构建数字孪生闭环系统的研究。此后，国内围绕数字孪生领域展开了大量理论与应用研究，逐步推动数字孪生技术落地。

1.2 数字孪生系统结构

解决现实问题是数字孪生系统的首要任务，工程问题的深度解析、资源整合和特征表征对应用数字孪生技术推动油气领域的智能化发展具有重要意义。数字孪生系统将依据数据流对模型进行校正，同时结合数据算法提供应用服务。特征数据、监测数据、行为数据、历史数据与数字孪生模型功能连接起传感端与应用端，从而组成数字孪生系统，其结构如图2所示。数字孪生系统可对工程现场数据进行精准获取和实时计算，使数据与模型紧密结合，从而实现对关键问题的智能预测与辅助决策。

图2 数字孪生系统结构

2 油气工程领域的数字孪生研究现状

2.1 数字孪生关键技术发展成就

(1) 传统仿真模型得以提升。在传统FEA模型的基础上，发展了缩减基有限元分析(RB-FEA)仿真模型。RB-FEA是一种基于组件模型降阶的新型结构仿真框架，可用于数字孪生系统的高级仿真[8]。RB方法是一种成熟的参数化偏微分方程(PDE)降阶建模技术，在其应用当中需要定义几何域、物理类型、边界条件和模型参数向量[9]。Akselos公司应用RB-FEA技术针对浮式生产储卸油轮、海上平台等大型海洋资产进行了在线仿真，可以在不牺牲仿真精度的前提下快速高效地处理大型精细模型的求解问题。与传统FEA模型相比，RB-FEA数字孪生模型的分析速度大约是前者的1 000倍[10]，实时决策与评估效率有了大幅提升。

(2) 人工智能算法得以融合。经过多年发展，人工智能算法理论不断得以优化，且在油气工程领域的应用经验也更加丰富[11]。尤其是数字孪生与智能算法深度融合(见图3)，为系统性地解决油气工程现场问题提供了更多可行的技术方案。

图3 数字孪生与人工智能算法在油气工程领域的融合

(3) 云-边协同模式得以优化。云-边协同新模式能够满足油气工程数字孪生低时延、高保真的设计要求。5G+云端边缘计算的架构模式可解决油气工程中复杂的海量数据处理问题，实现多源传感器感知结构特征的高效处理，进而对预测环节进行精准分析。采用云-边协同架构，可将复杂业务快速转移至边缘侧，以提升数字孪生系统的运营效率[1]。边缘端可对部署在关键环节的局部数据作出实时响应，从而达到提高系统流畅性、优化数据处理模式、降低数据时延性的效果[12]。

(4) 扩展现实性能得以增强。在数字孪生系统中，XR(扩展现实)涵盖了AR(增强现实)、VR(虚拟现实)和MR(混合现实)。虚拟现实提供沉浸式操作体验，增强现实将虚拟信息映射到真实环境中，混合现实则对虚拟现实与增强现实进行综合反馈，进而提升可视化的现实交互与现实环境的动态感知[13]。在油气工程领域，采用扩展现实技术可以优化传统培训的方式，采用虚拟现实技术可以提升培训教学的质量，采用增强现实技术可强化受训人员的作业能力。

2.2 数字孪生油气工程仿真

质量合格的钻井装备是施工作业的基本安全保障，对关键装备进行全生命周期维护能够切实延长其使用寿命，确保长期作业过程的稳定性。通常，通过仿真技术即可精准获取设备结构的动态响应，但传统仿真模型不能满足实时响应的要求。针对此问题，研究人员提出了将算法与仿真相结合、对模型进行降阶求解的数字孪生技术。

2018年，研究人员应用RB-FEA和快速满载映射(FFLM)技术构建了高保真数字孪生系统,以实现流体力学与结构实时响应[9]。基于RB-FEA与FFLM方法的模型求解流程如图4所示。计算结果显示，通过RB-FEA求解仅需0.4 s，而通过FEA求解则需要45.0 s，二者分析结果的差异小于0.1%。Akselos公司应用RB-FEA技术实现了FPSO、固定式平台、半潜式平台等数字孪生系统的构建，通过这些系统能够快速地进行整体建模分析，以获取油气资产状态报告[5，9-10]。

2019年，研究人员在实验室模型的基础上建立了数字孪生系统[14]。首先，通过运行模态分析(OMA)将关键传感器的数据分解为模态参数(MDE)，模态参数可以从运行的加速度数据中获得；其次，将模态参数扩展为高分辨率应力场解，实时计算真实的疲劳寿命。该系统已应用于英国某一海洋油气平台。

2020年，研究人员基于有限元分析(FEA)与机器学习(ML)开发了一套海洋立管数字孪生系统[15]，其构建过程如图5所示。首先，将有限元数据划分为训练数据集、验证数据集、测试数据集；其次，在隔水管疲劳模型的训练过程中，将有限元分析中的输入数据作为机器学习模型的输入数据，将有限元分析的结果作为模型训练的目标；最后，收集立管上的传感器数据，并基于机器学习方法构建虚拟模型，对比有限元模型提升系统的精度要求，进而构成反馈回路持续训练模型，以评估疲劳寿命。该系统中，通过人工神经网络模型预测疲劳损伤的准确度为±10%。

2.3 数字孪生油气工艺优化

在油气工程当中，数字孪生的应用可以改善现场作业决策中的主观性不足，优化工艺流程，提高现场生产资料的利用率，加强作业安全。生产资料与邻井资料是提升数字孪生模型现场效果的基础。

图4 基于RB-FEA与FFLM方法的模型求解流程

图5 海洋立管数字孪生系统构建

2018年，研究人员建立了相关物理模型，通过钻井实时数据采集、邻井资料分析、钻机状态检测等对钻至目标剩余时间进行了预测[16]。对实时数据与邻井资料赋予权重，其中实时数据权重大于邻井资料，以确保满足数字孪生系统的实时性要求。

2020年，研究人员利用机器学习自动化(AutoML)技术构建了基于物理模型与数据驱动的数字孪生模型，以获得实时钻头磨损程度。同时，依据预测模型给出钻井最优参数决策，用于优化钻速(ROP)以及减少黏滑振动和非生产时间(NPT)事件的发生[17]。

2020年，研究人员通过强化学习(RL)模拟井眼清洁的工作场景[18]。依据钻井实时数据与钻井资料，构建了摩阻-扭矩模型、水力模型和岩屑传输模型的数字孪生系统，将井眼清理问题转化为不确定条件下的决策问题，并通过马尔可夫奖励过程(MRP)完成了给定条件下的最优决策。

2021年，研究人员提出了一种利用数字孪生模型定性确定井下真实钻压和优化钻井参数的方法[19]。研究认为，用井筒数字孪生模型替代井下传感器，可降低近25%的事故概率及其伴生风险。

2022年，研究人员基于压力/速度稳态求解器、岩屑传输瞬态求解器构建了数字孪生预测系统[20]，并通过改进的Navier-Stokes方程构建了瞬态水力模型，用此模型所求解的钻井液当量循环密度(ECD)预测精度更高。同时，在北海自升式平台进行了现场测试，结果发现实时瞬态水力模型预测的相关性比实际测量的钻井液ECD、当量静态密度(ESD)高出10%～20%。

同年，研究人员基于机器学习回归模型开发了一种扩眼器数字孪生工具，建立了扩眼器振动与已知变量之间的相关模型，以预测扩眼器振动与作业的风险等级[21]。应用该工具在墨西哥湾作了扩眼器振动预测，结果显示实时数字孪生预测数据与采集数据的吻合度非常高。

2.4 数字孪生技术的综合应用

2017年，BP公司在APEX系统中融入了数字孪生技术[22]。据该公司报告，APEX系统可使全球石油日产量增加3万桶。2018年，新疆油田建立了数字孪生站库，构建了全生命周期下的可视化管控系统[7]。同年，Aker Solution公司旗下的智能化研发公司Ix3开发了数字孪生平台Integral[23]，可对整个生产过程进行监控、评估、维护与优化。2021年，中海油在南海部署FPSO数字孪生试点项目，实现了多源数据融合下的FPSO实景三维模型构建。2022年，中海油南海东部陆丰15-1油田“海基一号”深水导管架完工，应用数字孪生运维技术助力全方位风险管控。McDermott International公司已经在油气领域全方位展开数字孪生业务开发规划[24]。目前，从深海到陆地，从开发到加工，油气领域数字孪生的技术规划表现出全方位、多环节的发展特征，系统化地铺设数字孪生系统可极大地提升油气工程生产运维效率。据美国石油工程师学会(SPE)统计结果显示，融入数字孪生技术能减少油气工程中20%～25%的复杂情况与意外事故，提高作业效率近70%[25]。目前，国内基于油气行业的数字孪生系统研究与构建仍处于初级阶段，高度集成的数字孪生系统研究基本上仍是空白。