陳新翰 / 工研院綠能所
前言
奧克蘭大學地熱研究所(University of Auckland Geothermal Institute)舉辦第 45 屆紐西蘭地熱研討會,來自紐西蘭、印尼、菲律賓、冰島、汶萊、台灣等國家超過 350 多名參與者群聚一堂。該研討會的綜合計劃包含 80 多篇論文,整合即時業界更新資訊,為正在進行的地熱活動提供了寶貴的見解。這種學術和產業觀點的動態融合促進了全球地熱工作者之間的協作知識共享。該研討會是瞭解紐西蘭和世界各地地熱項目最新情況的絕佳機會,工研院因近年執行多項政府推動相關之地熱計畫,藉由參與此研討會讓世界認知到台灣也正參與地熱能源的推動及致力於探勘與開發,並憑藉此行學習國際最新進度及技術,為未來做進行鋪陳。以下就針對地熱鑽井技術及紐西蘭地熱開發於國際鑽探現況做一簡略介紹。
地熱鑽井議程
紐西蘭地熱研討會鑽井與試驗主題議程包括博士生的研究方向報告;於菲律賓Mak-Ban地熱案場的地熱鑽井進展報告;一口位於薩爾瓦多地熱井的產能測試報告,及使用連續油管氣舉降低地熱生產井的套管升溫率報告,最後則是筆者對於台灣地熱探勘井所獲得之初步成果報告。以下章節將針對前兩項座談進行進一步的描述及報告,以瞭解國外對於地熱的前瞻思想及其地熱鑽井之鑽探速度。
1. 利用機器學習建構鑽井示警系統
自1950年代以來,地熱能一直為發電提供低碳、可靠的再生資源; 然而,截至2021年,地熱總裝置容量僅占再生能源總裝置容量的 0.5%,每年僅成長約3.5%。地熱開發相關的前期成本高昂,資源風險對未來投資和大規模採用形成挑戰,由於發電所使用的熱是從地球深處獲取的,因此鑽探井對於地熱的成功至關重要。鑽井在作業階段的成功率僅83%左右,占專案總資本支出的35~40%。若是能降低鑽井作業風險來提高鑽井效能,將可以大幅度的改變現今狀況。隨著最近人工智慧(AI)技術的出現,人們對利用機器學習來最佳化不同鑽井應用產生了興趣。機器學習是人工智慧其中一項子領域,它可以針對特定問題的任務自動對複雜資料集進行建模,並將這些模型與特定問題的決策模型結合,並最終隨著時間的推移(呈現的數據)在預測結果方面變得更加準確,提供了改善鑽井事件預防的可能性。
目前在地熱鑽探存在著許多的挑戰,主要是鑽井泥漿漏失、破碎帶和斷層,以及高溫等。未固結的鬆散地層和膨脹性粘土等地層問題可能更加劇這種情況,如果不利用水泥封塞或其他工法處理,可能會導致岩將難以循環,使岩屑不易排出而導致卡管。若發生卡管,將會增加高昂成本,且將無法有效利用鑽機使用時間,從而導致孔內井底鑽機組件丟失,更嚴重的請況可能導致廢井。所以提高鑽探效率或鑽井成功率將能有效降低整體成本,從而提高整體地熱開發經濟效益,使廠商更有意願投入地熱鑽探。
在地球深鑽數公里,需要理解來自地面和井下儀器的數個不同參數,並建立其關聯性,以確定井孔的狀態及其大致位置。鑽機配備的地面儀器可以確定鑽井時的鑽壓、鉤載、轉速、旋轉扭矩、立管壓力等參數。 鑽井人員可以利用這些參數的趨勢來分析井內條件,以決定是否繼續進行作業,或是需要暫停,又或是延長循環,甚至起鑽將其拉到地面檢查。鑽井人員、鑽井現場經理和鑽井工程師必須瞭解這些參數的含義,以便能夠預防鑽井問題,並在遇到問題時予以解決。對關鍵情況的不同解釋,可能會導致前述破壞性事件的發生。地質學家會使用鑽屑中的岩屑來確定岩性,泥漿井錄則是獲取所有返回地面的岩屑的詳細記錄,並基於時間和深度的鑽井參數記錄。多年來,鑽機及其周圍配備了越來越多感測器來製作泥漿記錄,包括鑽機數據、坑感測器和氣體感測器,以即時監測鑽井和地質參數。當遇到與安全鑽井相關的鑽井中斷、損失、流入、高溫或地質指標時,泥漿井錄工程師將協調並通知鑽井主管。現今泥漿測井大多以數位格式記錄,因此可以輕鬆儲存、檢索、在多個位置顯示以及連接到其他鑽井軟體(圖一)。
圖一、鑽井及泥漿即時參數實例
地面數據測量提供了足夠的訊息,可以利用根據數據做出最佳的鑽井決策,將來自井下測量的資訊與泥漿記錄相互結合,可以獲取鑽井方法、鑽井方向和套管鞋深度的即時變化,並可針對可能的井控問題進行預防措施,並提高了機器學習在鑽井作業中應用的可能性。配合---以上為部分節錄資料,完整內容請見下方附檔。
圖二、機器學習於鑽井中的應用示意圖