Simulation Modeling of Offshore Offloading System for Arctic Oil and Gas Condensate Field

Problem:




The Novoportovskoye oil and gas condensate field is located in the Yamal peninsula and owned by Gazprom Neft, the fourth largest oil producer in Russia. Oil from the field is transferred via 100km pipeline to the sea terminal at Cape Kamenny, where it is loaded into arctic cargo tanks for further transportation. The full-size field development will start in 2016 and continue for several decades.


The main issues in planning transportation in an arctic region are the harsh ice environment and difficult sea conditions. Most of the year, the ships are operating in a 500m ice channel in shore fast ice of Ob’ Bay over 2 m in thickness. Some months of the year, the open water area of Kara Sea is almost completely covered with drifting ice.


  • Define a sufficient amount of arctic cargo tanks and the demand for icebreaker assistance. Calculate the expenses for the tanks' fuel and freight of icebreakers in different ice conditions. 
  • Design a temporary scenario for oil shipment during 2016-2017, when tanks of low capacity and low ice reinforcement will be used. Gazprom Neft plans on placing new arctic tanks of bigger capacity in operation gradually, in accordance with the increase of cargo traffic. Consultants needed to define the system capacity during 2016-2017. 
  • Define the capacity of a shore-based storage facility to be sufficient for usage in ice conditions of different severity. Any storage overflow should be eliminated. Consultants needed to calculate the minimum volume of shore-based storage which will meet capacity requirements within all periods of field development. They had to take into account that the more severe the ice conditions, the more difficult it would be for tanks to provide the required rate of transportation and avoid the storage overflow.

Solution:




By the order of Gazprom Neft Novy Port LLC, the experts from Krylov State Research Centre incorporated ship calculation modules, GIS environment, and a logistic simulation model developed using AnyLogic under common interface. The simulation model reproduced the dynamics of shore-based storage loading, logics of ships’ motion, and interaction in probabilistic weather conditions, taking into account ice channel freezing.


Tanks were modeled as independent agents moving in the bay and guided by the logic blocks of the simulation model: interactions between tanks and icebreakers, choice of tanks’ speed in correlation with storage fill, other tanks’ locations, ice conditions, and other factors.


Using GIS technology inside the simulation model allowed them to do an analysis of a transportation system sensible to geographic factors, including bathymetric conditions, navigating channels, protected waters, and shore line.


Since ice channel conditions significantly influence ship traffic, Krylov Centre experts added to the model the following parameters:

Tanker Logistics Simulation Model Interface

Model Interface

  • Characteristics and number of tanks in the channel
  • Time after last pass
  • Air temperature
  • Wind and wave conditions
  • Terms for canal laying

Tanker Logistics Simulation Parameters Change

Changing parameters in different ice conditions

Result:




Based on multiple model runs, Krylov Centre experts defined the optimal storage volume to be sufficient in ice conditions of different severity.


Application of simulation modeling technology allowed them to design a transportation system adjusted for dynamics of ice channel freeze-up, tank traffic, and storage fill. No analytical tool can consider these kinds of dynamic factors.


In the course of the modeling project, Krylov Centre experts also developed best practices to eliminate the risk of storage overflow. The model also showed the optimal amount of channels in land-ice for different ice conditions, approximate dates of canal laying, and volume and terms for icebreaker support for tanks. Analytics defined the dynamics of pilotage outwards, expenses for fuel, and icebreaker support in various scenarios during all periods of field development. The model also helped plan operations during the temporary usage period of small tanks of low ice-class.

More Case Studies

  • Simulation de la logistique du rail interne du Port du Havre
    Le port du Havre avait besoin d’aide pour construire un nouveau terminal multimodal. Il s’agissait de simuler le transfert des conteneurs entre les trains / péniches fluviales et les autres terminaux existants, qui transféraient eux-mêmes ces conteneurs en direction ou en provenance du transport maritime.
  • Optimisation du réseau ferroviaire français
    Le gestionnaire du réseau ferroviaire national voulait savoir si le transport de fret par rail pouvait être compétitif face au transport par camions. Il voulait rendre le transport par la voie camion-rail-camion plus efficace.
  • Simulation de la construction d’un tunnel à l’aide d’un tunnelier
    Le coût d’une heure d’arrêt d’un tunnelier (machine de forage de tunnel) est habituellement élevé et les gestionnaires de projet doivent s’efforcer d’éviter les retards dans la construction. Le but du projet de simulation, qui a été mené à l’université Bochum de la Ruhr en Allemagne, consistait à créer un modèle de simulation capable de déterminer les goulots d’étranglement dans les processus de construction du tunnel, afin de minimiser les pertes financières potentielles.
  • Modélisation de la capacité d’une gare de triage
    Aurizon est le premier opérateur de fret ferroviaire d’Australie, à la tête de plus de 700 locomotives et 16 000 wagons. Aurizon prend en charge le transport du charbon, du minerai de fer et des minéraux à grand échelle. Afin d’augmenter l’efficacité opérationnelle, l’entreprise a décidé de déplacer l’une de ses gares de triage dans une autre ville. Cette gare de triage gérait essentiellement l’entretien des wagons et des locomotives, ainsi que la préparation des locomotives.
  • Effet “coup de fouet” dans la chaîne d’approvisionnement des semi-conducteurs
    La direction de la chaîne d’approvisionnement d’Infineon, un gros fabricant de semi-conducteurs, voulait étudier l’effet coup de fouet affectant son marché afin de diminuer les dépenses et de mieux prévoir le comportement du marché. A l’aide du logiciel AnyLogic, elle a construit un modèle de chaîne d’approvisionnement, depuis les matières premières jusqu’au marché.
  • Sélection de la meilleure politique de gestion des stocks à l’aide de Gojii
    Les outils existants de gestion de la chaîne d’approvisionnement et les S&OP (Ventes et planning opérationnel) sont performants lorsqu’il s’agit de gérer l’approvisionnement afin de répondre à une «prévision» sélectionnée. Cependant, il n’y a pas de «prévision correcte» de la demande future, et les outils existants ne sont pas conçus pour sélectionner le meilleur niveau de demande pour l’entreprise. Il existe une «insuffisance d’outil» entre les données entrées sur les prévisions et la sélection du meilleur signal de demande (la "Prévision") pour gérer votre système S&OP. Gojii est l’outil créé par DecisioTech pour combler cette lacune.
  • Planification du réseau de distribution et optimisation du stock à l’aide de simulations
    Diageo est une entreprise multinationale britannique de boissons alcoolisées. Diageo Russie est l’un des cinq distributeurs majeurs de Russie de boissons alcoolisées en gros, une activité qui génère traditionnellement peu de marges, et dans laquelle le bénéfice est tributaire du niveau de service client et de coûts logistiques élevés. La société Diageo a cherché assistance auprès d’une société de conseil Amalgama, LLC, lorsqu’elle a dû faire face à une augmentation de son volume de ventes, sans pour autant réaliser de meilleurs profits du fait des coûts logistiques par unité.
  • Maximisation du revenu net par voyage d’une flotte de Bateau-pousseurs
    InterBarge, un opérateur nautique de première, affilié à SCF Marine, une partie du Groupe Seacor Holding, gère le fret le long de la voie fluviale HPP (Hidrovia Parana Paraguay, située en Argentine, au Paraguay, au Brésil et en Uruguay) au titre d’un contrat de transport dédié. Le défi de l’entreprise consistait à utiliser la capacité des bateaux non dédiée aux engagements contractuels comme une flotte, maximisant ainsi le revenu net par voyage.
  • Modélisation d’un réseau de transport centré sur le client
    La sphère des services de transports publics en Australie fait l’objet d’une transformation, afin de répondre à des changements démographiques. Afin de mieux répondre à ces nouveaux défis, les compagnies de transport publiques doivent comprendre le comportement de leurs réseaux du point de vue du consommateur.
  • CSX Solves Railroad Operation Challenges with and without AnyLogic Rail Library
    CSX is a US railroad company that operates about 21,000 route miles (34,000 km). AnyLogic allows the railroad industry users to simulate line-of-road, terminal, and yard problems. The following three projects, completed by CSX in 2014, covered a variety of tasks that were solved using AnyLogic software.