Problème :
Le Canada dispose des troisièmes réserves de pétrole mondiales. Cependant, la grande majorité de celles-ci se trouve dans des sables bitumineux - un mélange de sable, de pétrole et d’eau - qui doivent être chauffés à l’aide de vapeur pour en extraire le pétrole. Si les coûts opérationnels pour l’extraction de cette substance sont élevés, les investissements en capital dans ce domaine ont atteint 26 milliards de $ en 2014, ce qui montre bien qu’il s’agit d’un secteur d’avenir.
Pour produire du pétrole à partir de ce sable, un système complexe, composé de puits, de conduites, de générateurs de vapeur et d’autres équipements, est nécessaire. Maintenir un tel système de distribution est coûteux et les interruptions peuvent entraîner des perturbations dans l’injection de vapeur et la production de pétrole. Afin d’optimiser les dépenses et observer les retards de production, la société Stream Systems a utilisé la modélisation par simulation AnyLogic. Avec les feuilles de calcul qu’ils utilisaient auparavant, les ingénieurs pouvaient modéliser le processus de fonctionnement de 10-20 puits. L’approche par la simulation leur a permis de modéliser un site de production comportant des centaines de puits.
Solution :
Le processus de production de pétrole était présenté avec trois éléments principaux :
- Installation de traitement centrale (CPF)
- Les réservoirs, qui sont la source de sable bitumineux
- Les puits et plates-formes d’exploitation (des groupes de puits), qui extraient le pétrole
Le modèle par simulation se composait de plus petits modèles des éléments du système. Cette approche a permis aux ingénieurs de surveiller la façon dont le processus de fonctionnement d’un composant spécifique affecte le reste des éléments.
En raison de la complexité du modèle, c’est l’approche multi-méthodes d’AnyLogic (un mix de modélisation multi-agents, de dynamique des systèmes et à évènements discret) qui a été retenue. Le système se comporte comme un transporteur de liquide et le retard de l’un des composants peut entraîner des retards dans les autres. La bibliothèque de fluides d’AnyLogic a été utilisée pour observer ces retards, notamment en cas d’urgences.
AnyLogic a été intégré sans problèmes à des sources de données externes, ce qui a permis aux modélisateurs d’utiliser n’importe quel type de fichier pour intégrer des données dans le modèle. Afin de gérer les calculs supplémentaires et de rendre le modèle plus réaliste, des bibliothèques Java externes y ont été incorporées. Les données d’entrée dans le modèle incluaient les éléments suivants :
- Données opérationnelles — infrastructures, plans, configurations des éléments du système, effet saisonnier, etc.
- Profils de production
- Feuilles de calcul Excel et fichiers texte
Le modèle se composait de puits, qui agissaient comme des agents individuels. Chacun des puits avait un comportement spécifique et était relié à des tuyaux et d’autres éléments du diagramme. Il était facile d’ajouter et d’ajuster des éléments dans le modèle, si nécessaire.
En plus d’examiner des parties spécifiques du modèle, il était également possible d’observer le processus de production avec davantage de perspective, afin d’élaborer des plans opérationnels et stratégiques. À ces deux niveaux, il était possible de définir des paramètres et réaliser diverses expériences afin d’optimiser le modèle. Les tableaux de bord présentaient des données statistiques permettant de visualiser les changements dans le système.
Les données générées par le modèle incluaient les éléments suivants :
- Débit des puits et plates-formes d’exploitation
- Ratio vapeur/pétrole
- Cadence de production de vapeur, d’eau et de pétrole
- Nombre de plates-formes et de puits par plate-forme
- Qualité du produit
Conclusions :
La modélisation AnyLogic par simulation a permis de relier plusieurs parties du système, situées à la fois en surface et sous terre. Grâce à l’approche de modélisation multi-méthodes par simulation, il devenait possible d’exécuter plusieurs scénarios, incluant Monte Carlo et « what – if » expérimentations, et d’analyser les variabilités en matière de programmation et de maintenance, permettant ainsi une optimisation du système.
Grâce à la bibliothèque de fluides, il était possible de représenter chaque partie du modèle avec un haut niveau de granularité et d’afficher les effets d’entraînement et les ruptures au sein du système. En outre, il a permis d’envisager des changements dynamiques et de prendre en compte leur impact sur le système. Grâce à cette approche, il est devenu possible de prendre des décisions en temps réel et d’observer la qualité du pétrole produit.
Ce modèle a également favorisé la prise de décision pour les futurs investissements en capital et à la réduction de ces derniers, en détectant quand il était nécessaire de remplacer ou d’entretenir les composants du processus de production.
Le logiciel AnyLogic a été mis en œuvre avec succès dans d’autres projets de la société.
