WO2024110181A1 - Procede de determination de conditions de floculation d'asphaltene d'un fluide hydrocarbone - Google Patents

Procede de determination de conditions de floculation d'asphaltene d'un fluide hydrocarbone Download PDF

Info

Publication number
WO2024110181A1
WO2024110181A1 PCT/EP2023/080908 EP2023080908W WO2024110181A1 WO 2024110181 A1 WO2024110181 A1 WO 2024110181A1 EP 2023080908 W EP2023080908 W EP 2023080908W WO 2024110181 A1 WO2024110181 A1 WO 2024110181A1
Authority
WO
WIPO (PCT)
Prior art keywords
flocculation
fluid
model
hydrocarbon fluid
asphaltene
Prior art date
Application number
PCT/EP2023/080908
Other languages
English (en)
Inventor
Nicolas Ferrando
Benoit Creton
Saheb MAGHSOODLOO
Pascal Mougin
Tri Dat NGO
Original Assignee
IFP Energies Nouvelles
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by IFP Energies Nouvelles filed Critical IFP Energies Nouvelles
Publication of WO2024110181A1 publication Critical patent/WO2024110181A1/fr

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/26—Oils; Viscous liquids; Paints; Inks
    • G01N33/28—Oils, i.e. hydrocarbon liquids
    • G01N33/2823—Raw oil, drilling fluid or polyphasic mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures

Definitions

  • Asphaltenes are the heaviest and most polar components of a petroleum cut.
  • a hydrocarbon fluid also called petroleum fluid, is in fact a continuous series of hydrocarbons (alkanes, naphthenes, aromatics).
  • Asphaltenes are defined, according to the French standard AFNOR T 60-115, as the fraction of a petroleum fluid which flocculates (precipitates) in n-heptane and which is soluble in benzene. It is therefore a solubility class.
  • asphaltenes flocculate under the effect of three factors: variation in temperature, pressure or chemical composition. Indeed, changing the composition of the fluid can also induce the phenomenon of flocculation.
  • the addition of light alkanes will produce flocculation of the asphaltenes while the addition of aromatics will stabilize them in the crude.
  • the hydrocarbon fluid undergoes variations in pressure, temperature and composition. It is therefore likely to flocculate, that is to say, to form an aggregate of solid particles. This flocculation will result in a deposition of asphaltenes in the pores of the reservoir, which results in a modification of the porosity of the medium, its permeability and finally the production of hydrocarbons.
  • flocculation starts from a limiting pressure called low threshold pressure (P L ).
  • P L low threshold pressure
  • P sat fluid saturation pressure
  • P U high threshold pressure
  • Flocculation is maximum (and the quantity of asphaltenes in the liquid minimum) when the bubble pressure (appearance of the first vapor bubble) is reached. Below this pressure, the appearance of a vapor phase rich in alkanes, therefore in flocculating products, allows the liquid to once again be welcoming towards the asphaltenes.
  • Patent application FR2836719 (US2003/0167157) describes a method for predicting a flocculation curve of a petroleum fluid from homothetic transformations of the flocculation curve of a reference fluid.
  • the flocculation curve of the reference fluid is obtained previously by experimental measurements. This method therefore requires experimental data in order to have a flocculation curve.
  • the object of the invention is to determine conditions for flocculation of asphaltene of a hydrocarbon fluid, precisely, simply and quickly, without requiring experimental measurements.
  • the invention relates to a method for determining flocculation conditions of a hydrocarbon fluid in which a flocculation model is applied to the hydrocarbon fluid, as well as a compositional model. Then, we compare flocculation parameters obtained by the compositional model associated with a thermodynamic model and the flocculation model to fit the compositional model.
  • the fluid flocculation model makes it possible to do without experimental measurements to calibrate the compositional model. Thus, it is possible to obtain the flocculation conditions simply and quickly.
  • the invention also relates to a method for determining or predicting asphaltene flocculation, as well as a method for operating a hydrocarbon fluid.
  • the invention relates to a method for determining asphaltene flocculation conditions of a hydrocarbon fluid. For this process, the following steps are implemented: a) A flocculation model is applied to said hydrocarbon fluid to determine at least one modeled flocculation parameter, said flocculation model relating the composition of a fluid to at least one flocculation parameter.
  • a compositional model of said hydrocarbon fluid is constructed, said compositional model decomposing said hydrocarbon fluid into several constituents, and we determines at least one physical property of said hydrocarbon fluid by means of said compositional model; c) A thermodynamic model is applied to said at least one physical property determined by means of said compositional model to determine at least one flocculation parameter; d) Said compositional model of said hydrocarbon fluid is matched by minimizing a difference between at least one flocculation parameter obtained from said thermodynamic model and said at least one modeled flocculation parameter obtained from said flocculation model; and e) The asphaltene flocculation conditions of said hydrocarbon fluid are determined from said compositional model calibrated to said hydrocarbon fluid.
  • the method comprises a preliminary step of constructing said flocculation model by automatic learning, in which the following steps are implemented: i) A learning base of learning fluids is constructed, each fluid d learning being characterized by a composition and at least one flocculation parameter, preferably said at least one flocculation parameter of said learning fluids being obtained experimentally; and ii) A flocculation model is constructed by means of an automatic learning method trained on said learning base, said flocculation model linking the detailed composition of a fluid to said at least one flocculation parameter.
  • each flocculation parameter is chosen from a low threshold pressure, a high threshold pressure, a saturation pressure, a maximum quantity of flocculated asphaltene.
  • said compositional model is based on a representation of N constituents, N being between 6 and 15, preferably between 6 and 12, and preferably worth 10.
  • said compositional model is set by means of 'an iterative method.
  • said thermodynamic model is an algorithm for calculating three-phase liquid-liquid-vapor equilibrium of a fluid at a given temperature and at a given pressure.
  • said flocculation conditions correspond to a flocculation curve which relates the quantity of flocculated asphaltene to the pressure of the fluid.
  • the at least one physical property is chosen from the molar mass, the critical temperature, the critical pressure, the acentric factor of the constituents of the fluid.
  • the invention relates to a method for determining or predicting flocculation of asphaltene of a hydrocarbon fluid within an underground formation or within a fluid transport pipe or within a conversion reactor, in which the following steps are implemented: a) Asphaltene flocculation conditions of said hydrocarbon fluid are determined by means of the method for determining asphaltene flocculation conditions according to one of the preceding characteristics; b) We determine by measurement or we predict by simulation, a pressure and a temperature of said hydrocarbon fluid within said underground formation or within said transport pipe or within a conversion reactor; and c) A possible flocculation of asphaltene of said hydrocarbon fluid is determined or predicted as a function of said determined flocculation conditions and the determined or predicted pressure and the determined or predicted temperature.
  • the invention relates to a method for exploiting a hydrocarbon fluid within an underground formation or within a fluid transport pipe or within a conversion reactor, in which carries out the following steps: d) A flocculation of asphaltene of said hydrocarbon fluid is determined or predicted by means of the method for determining or predicting a flocculation according to one of the preceding characteristics; and e) Said hydrocarbon fluid is used as a function of the possible flocculation of asphaltene of said hydrocarbon fluid, in particular by modifying the temperature, and/or the pressure and/or the composition of the hydrocarbon fluid in the event of flocculation of asphaltene and/or or by adding solvent.
  • Figure 1 illustrates an asphaltene flocculation curve.
  • Figure 2 illustrates the steps of the method according to a first embodiment of the invention.
  • Figure 3 illustrates the steps of the method according to a second embodiment of the invention.
  • Figure 4 illustrates the steps of the method according to a third embodiment of the invention.
  • Figure 5 illustrates the steps of the method according to a fourth embodiment of the invention.
  • Figure 6 illustrates, for an example, a comparison between experimental pressures, pressures obtained by means of the flocculation model and pressures determined by an embodiment of the invention.
  • FIG. 7 illustrates, for the example of Figure 6, asphaltene flocculation curves determined by means of the method according to one embodiment of the invention.
  • the present invention relates to a method for determining flocculation conditions of asphaltene of a hydrocarbon fluid, in other words a method for determining flocculation conditions of an asphaltene contained in a hydrocarbon fluid.
  • the hydrocarbon fluid is in particular a petroleum fluid, for example oils, in particular crude oils.
  • it may be a fluid produced by an underground formation and/or a fluid present in a petroleum fluid transport pipe and/or a fluid within a conversion reactor (for example a desalphagation).
  • Flocculation conditions are the conditions for generating asphaltene flocculation.
  • the asphaltene flocculation conditions can make it possible to define the flocculation curve of the hydrocarbon fluid studied for a given temperature. As a reminder, the flocculation curve relates, for a fluid, the quantity of flocculated asphaltene to the pressure for a given temperature.
  • the method according to the invention makes it possible to define characteristics linked to the physics and chemistry of a hydrocarbon fluid.
  • the method according to the invention may comprise a preliminary step of determining the composition of the fluid studied.
  • the density and bubble pressure of the fluid studied, or other similar characteristics can also be known.
  • the method according to the invention implements the following steps: 1) Application of a flocculation model 2) Construction of a compositional model 3) Application of a thermodynamic model 4) Calibration of the compositional model 5) Determination of the conditions of asphaltene flocculation
  • These steps can be implemented by computer means, in particular by a computer or by a server. These steps will be detailed in the remainder of the description.
  • Figure 2 illustrates, schematically and in a non-limiting manner, the steps of the method according to a first embodiment.
  • a MOD FLO flocculation model is applied to determine modeled flocculation parameters.
  • a MOD COM compositional model of this FLU fluid.
  • the MOD COM compositional model is then calibrated using the modeled flocculation parameters.
  • the calibrated compositional model then makes it possible to determine CDF flocculation conditions.
  • the method may comprise a preliminary step of constructing the flocculation model by automatic learning.
  • the method according to the invention may comprise the following steps: A) Construction of a learning base B) Construction of the flocculation model 1) Application of a flocculation model 2) Construction of a compositional model 3) Application of a thermodynamic model 4) Calibration of the compositional model 5) Determination of the asphaltene flocculation conditions
  • Steps B and 1 to 5 can be implemented by computer means, in particular by a computer or by a server. Steps A and B can be carried out only once beforehand. If it is desired to apply the method according to the invention to several fluids, only steps 1 to 4 are repeated for each fluid. These steps will be detailed in the remainder of the description.
  • steps A and B can be repeated, adding, at each iteration, the last fluid studied into the learning base.
  • the learning base is completed with each iteration, and the flocculation model can become more precise.
  • Figure 3 illustrates, schematically and in a non-limiting manner, the steps of the method according to such an embodiment. The steps already described for Figure 2 are not redetailed.
  • the method further comprises a step of constructing a BAP learning base.
  • This BAP learning base allows training of an APP automatic learning method to construct the MOD FLO flocculation model.
  • A) Construction of the learning base During this optional step, a learning base of a plurality of learning fluids is constructed. Learning fluids are hydrocarbon fluids.
  • Each learning fluid is characterized by a composition and at least one flocculation parameter for a given temperature.
  • Each flocculation parameter can be chosen from the low threshold pressure denoted P L , the high threshold pressure denoted P U , the saturation pressure denoted P sat and the maximum quantity of flocculated asphaltene denoted W max .
  • the flocculation parameters can be experimentally determined for at least one learning fluid. As an example, we can apply one of the methods described in the document: “Pina et al., Oil & Gas Science and Technology – Rev. IFP, Vol. 61 (2006), No. 3”.
  • each learning fluid can be described by a vector of several constituents (for example according to a compositional model as described in step 2). This decomposition allows a good representation of each learning fluid.
  • the compositions of each learning fluid can be described by a vector comprising from 8 to 33 elements, preferably from 10 to 20 elements.
  • compositions of each fluid can be described by a vector of 14 elements according to the following distribution: • four gases: H 2 S, N 2 , CO 2 , CH 4 ; • five light pseudo-components in the C 2 to C 6 section; • a pseudo-intermediate component for the C 7+ cut; • the density and molecular weight for the C 7+ cut; • two heavy pseudo-components, one per fraction in Resins and Asphaltenes resulting from a SARA analysis on the C 20+ section.
  • SARA analysis is a method of characterizing heavy oils based on fractionation, in which a heavy oil sample is separated into smaller quantities or fractions, with each fraction having a different composition.
  • Fractionation is based on the solubility of hydrocarbon components in various solvents. Each fraction consists of a solubility class containing a range of species of different molecular weight.
  • the crude oil is divided into two solubility classes Resins and Asphaltenes, among the constituents collectively called SARA (SARA designates respectively: saturated hydrocarbons S, aromatics A, resins R and asphaltenes A).
  • SARA designates respectively: saturated hydrocarbons S, aromatics A, resins R and asphaltenes A).
  • SARA saturated hydrocarbons S, aromatics A, resins R and asphaltenes A
  • Saturated hydrocarbons are generally iso- and cyclo-paraffins, while aromatics, resins, and asphaltenes form a continuum of molecules with increasing molecular weight, aromaticity, and heteroatom content.
  • Asphaltenes can also contain metals such as nickel and vanadium.
  • the learning base may comprise a number of learning fluids at least equal to the number of variables (the number of variables may correspond to the sum of constituents of the compositional model and the number of physical parameters).
  • the number of learning fluids can include a number of learning fluids at least equal to twice the number of variables, in order to allow good representativeness of the different fluids and to partly overcome the overfitting problem. , to ensure good reliability of the flocculation model.
  • B) Construction of the flocculation model During this step, which is also optional, a flocculation model is constructed which associates at least one flocculation parameter with a fluid composition.
  • the flocculation model makes it possible to determine at least one flocculation parameter for a hydrocarbon fluid as a function of its composition and its temperature.
  • the flocculation model is constructed using a machine learning method trained using the learning base constructed as described in step A.
  • the flocculation model can be constructed by machine learning, preferably by supervised machine learning, preferably by supervised machine learning of regression.
  • the flocculation model can be written: ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ , ⁇ ⁇ with f a function, ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ a flocculation parameter (e.g.
  • the function f can be determined from a supervised learning algorithm without variable selection.
  • the models of such an approach are linear models, insofar as each element of the vector is associated with a weighting coefficient, and for an oil, the sum of the products of the elements of the vector by their respective coefficient leads to the predicted value.
  • the learning algorithm can be a support vector machine (SVM), a neural network, a random forest or a combination of these methods.
  • the models can be non-linear approaches which can be obtained by genetic programming (MGGP, Multi-Gene Genetic Programming in English). Such models can be constructed by combining elements of the vector with mathematical operators (addition, subtraction, division, product, etc.) according to a process of genetic evolution (selection of models, crossing, mutation, etc.). For both approaches, the models can be trained on one portion of the database, and tested on the other portion of the database (data external to the learning process). According to one aspect, this step may include a validation method, preferably a cross-validation method, in particular a k-block cross-validation method (“k-fold”).
  • k-fold k-block cross-validation method
  • a flocculation model is applied to the hydrocarbon fluid to determine at least one modeled flocculation parameter, also called first flocculation parameter.
  • the flocculation model can be known beforehand or, where appropriate, can be the one constructed during optional steps A and B.
  • the flocculation model relates the composition of the hydrocarbon fluid to at least one flocculation parameter for a given temperature.
  • at least one flocculation parameter of the hydrocarbon fluid is determined by means of a flocculation model, which takes as input the composition of the fluid and the temperature.
  • the flocculation model can be a model trained on data (as is the case for the model built during optional steps A and B).
  • a model does not require a priori knowledge of physical and/or chemical phenomena for the determination of flocculation parameters.
  • Each flocculation parameter can be chosen from the low threshold pressure denoted P L , the high threshold pressure denoted P U , the saturation pressure denoted P sat and the maximum quantity of flocculated asphaltene denoted W max .
  • compositional model of the hydrocarbon fluid is constructed.
  • the compositional model decomposes the hydrocarbon fluid into several constituents.
  • the compositional model of the hydrocarbon fluid can be constructed by means of a SARA analysis, as described for step A.
  • at least one physical property of the hydrocarbon fluid is determined as a function of the decomposition of the hydrocarbon fluid.
  • certain physical parameters are directly linked to the composition of the fluid. Each physical property can be chosen from the molar mass, the acentric factor, the critical pressure and the critical temperature of the constituents of the hydrocarbon fluid.
  • the critical temperature and the critical pressure are respectively the highest temperature and the highest pressure at which there can be a liquid-vapor equilibrium.
  • the acentric factor is a number used in the description of matter in thermodynamics.
  • the initial fluid can be calibrated by means of these parameters, for example the bubble pressure.
  • the compositional model can be based on a representation of N constituents.
  • N can be between 6 and 15.
  • a decomposition into 6 constituents allows a representation with a gas, a light cut and the SARA components (from a SARA analysis).
  • the representation risks being less precise.
  • N can be between 6 and 12, advantageously between 8 and 12, and can be worth 10.
  • the representation in 10 constituents can be as follows: ⁇ 4 gas: N 2 , H 2 S, CO 2, CH 4 ⁇ 1 light pseudo-component in the C 2 cut at C 6 ⁇ 1 intermediate pseudo-component in the C 7+ section at C 20 ⁇ 4 heavy pseudo-components, one per fraction (on the C 20+ section 344 °C) in Saturates, Aromatics, Resins, Asphaltenes (SARA)
  • SARA pseudo-components are considered in this approach as representative of the heavy C 20+ fraction, with a number of carbon atoms nC greater than 20.
  • compositional model for predicting asphaltene flocculation, Fluid Phase Equilibria, 156-160, p.459 -469, 1999
  • the first step in this implementation of the compositional model can consist of grouping all the m heavy components, whose number of carbons nC is greater than 20, within a single pseudo-component hComp.
  • the average critical properties of this pseudobody are calculated via the Montel-Gouel clustering method.
  • This step gives an intermediate fluid denoted ⁇ 1 which is composed of (n - m +1) constituents: (nm) light and intermediate components, and 1 pseudo-heavy component hComp.
  • ⁇ 1 which is composed of (n - m +1) constituents: (nm) light and intermediate components, and 1 pseudo-heavy component hComp.
  • hComp 1 pseudo-heavy component
  • the objective is to convert these two components into C 12 C 20 and SARA.
  • the C 12 C 25 and C 25+ pseudos are grouped into a single C 12+ pseudo.
  • the hComp pseudo-component of the intermediate fluid ⁇ 1 obtained via the previous step is cut to introduce the 4 SARA pseudo-components.
  • the challenge therefore comes down to the decomposition of the hComp into two parts: a C 20+ part corresponding to the SARA fractions and a lighter C 20- part, here denoted pC 20- .
  • pC 20- a lighter C 20- part
  • the physical properties (M w , T c , P c , and ⁇ ) of the mixture of 5 new pseudo-constituents must be equivalent to those of the hComp pseudo body (C 12+ ) resulting from step 1.
  • an approach iterative can be used. This is an optimization under constraints with 4 unknowns: the molar mass of the pseudo-compound pC 20 - and those of the three components Saturated, Aromatic and Resins (SAR).
  • SAR Saturated, Aromatic and Resins
  • the mole fractions x i can be calculated based on a SARA analysis, and the closure condition: o ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ 1.0 With wti the mass fraction of the SARA compounds.
  • the limits to be respected for this iterative approach can be the following: ⁇ M w , pC20- belongs to the interval [0.045, MW_C20] where 0.045 kg/mol is the minimum molar mass valid for the pseudo components and MW_C20 (282.55E- 3 kg/mol) corresponds to the molar mass of n-eicosane.
  • the intermediate fluid ⁇ 2 is therefore composed of (n-m+4) or (n-m+5) components, corresponding respectively to the case without and with pC 20- .
  • the third step in this implementation of the compositional model can be to create the 10-component asphaltene fluid by referencing the components of the standardized representation of the target fluid by the fluid components ⁇ 2 .
  • the gases (N 2 , CO 2 , H 2 S, CH 4 ) are returned to the final fluid if they are present in the fluid ⁇ 2 , or failing that, zero molar fractions are identified.
  • light and intermediate hydrocarbons are classified according to their number of carbon atoms and grouped into two pseudo-bodies C 2 C 7 with the number of carbon atoms varying between 2 and 7, and C 7+ C 20 with the number of carbon atoms between 7 and 20.
  • the SARA components characterized in the second step are returned to the final fluid.
  • the descriptions for gases and for SARA fractions are already defined.
  • the descriptions for the other two pseudobodies can be considered as two CH 3 groups and (nC i – 2) CH 2 groups, where nC i is the number of carbon atoms of each pseudobody.
  • at least one physical property of the hydrocarbon fluid can be determined using decomposition and group contribution method approaches. For this, we can implement a classic Montel and Gouel grouping method for the light and intermediate pseudo-components (C 2 C 6 and C 7+ C 20 ) and an Avaulée approach for the heavy fractions (pseudo- SARA compounds). Other approaches can be considered.
  • the classic grouping method of Montel and Gouel is described in the following document: Montel, F. and Gouel, PL1984.
  • thermodynamic model is applied to the compositional model determined in step 2.
  • the thermodynamic model allows thermodynamic balancing of the different phases of the hydrocarbon fluid, in order to determine a flocculation parameter from the compositional model.
  • the thermodynamic model notably has as input at least one physical property (preferably all the physical properties) from the compositional model, and has as output at least one flocculation parameter, also called second flocculation parameter.
  • a thermodynamic model can implement a thermodynamic equilibrium calculation (called flash algorithm) capable of managing the simultaneous existence of a vapor phase, a hydrocarbon liquid phase, and a second asphaltenic liquid phase. It can then be a calculation of three-phase liquid-liquid-vapor equilibrium.
  • the flash algorithm used may be that proposed by Michelsen in the following documents: Michelsen, ML, Fluid Phase Equilibria, 9 (1982), 1-19 Michelsen ML, Fluid Phase Equilibria, 9 (1982), 21-40
  • the thermodynamic model used for this calculation in this algorithm can be the Peng & Robinson cubic equation of state coupled with the Abdoul-Péneloux mixing law, as described in particular in the following documents: Abdoul, W.
  • T and P are respectively the temperature and pressure of the system
  • R is the universal constant ideal gases (R ⁇ 8.314 kPa ⁇ L/mol ⁇ K)
  • ⁇ ⁇ 4.82843 is the constant characteristic of the equation
  • ⁇ ⁇ indicates the uncorrected molar volume
  • a i (T) is the interaction parameter
  • b i denotes the covolume of component i.
  • a series of three-phase flash calculations can be carried out by varying the pressure to obtain the entire flocculation curve as schematized in Figure 1
  • This approach also makes it possible to determine key pressures such as the saturation pressure P sat and the low P L and high P U threshold pressures.
  • at least one physical property of the compositional model determined in step 2 of the hydrocarbon fluid is calibrated, by minimizing a difference between at least one flocculation parameter obtained from the thermodynamic model in step 3 ( second flocculation parameter) and the at least one modeled flocculation parameter determined in step 1 (first flocculation parameter).
  • we adjust the compositional model so that it behaves similarly to the flocculation model.
  • the calibration can implement an iterative method, in which at each step at least one physical property is modified until a minimum is obtained between the flocculation parameter resulting from the compositional model and the parameter of modeled flocculation. For this iterative method, we can seek to minimize an objective function which includes a term measuring a difference between the calculated values of the flocculation parameters and the modeled flocculation parameters.
  • the physical properties to be set can be the molar mass and the critical temperature.
  • Other physical properties of the asphaltene constituent e.g. critical pressure and acentric factor
  • This approach gives better characterization of very heavy components compared to other approaches.
  • the adjusted decomposition of the hydrocarbon fluid makes it possible to determine the implementation of flocculation, for example to determine a flocculation curve of the hydrocarbon fluid at a given temperature.
  • the invention relates to a method for determining or predicting flocculation of asphaltene of a hydrocarbon fluid within an underground formation or within a fluid transport pipe or within a conversion reactor (for example for a desalphating process), in which the following steps are carried out: a. Asphaltene flocculation conditions of the hydrocarbon fluid are determined by means of the method for determining asphaltene flocculation conditions according to any one of the variants or combinations of variants described above; b.
  • a possible flocculation of asphaltene of the hydrocarbon fluid is determined or predicted as a function of the flocculation conditions determined and the pressure determined or predicted and the temperature determined or predicted.
  • the exploitation of a hydrocarbon fluid may in particular concern the recovery of hydrocarbons within an underground formation, the transport of hydrocarbons from the underground formation or the transport of a petroleum fluid, the treatment of a hydrocarbon fluid in within a conversion reactor (for example for a desalphating process).
  • the simulation concerned can be a simulation of transport of hydrocarbon fluid within an underground formation or a simulation of transport of hydrocarbon fluid within a transport pipe or a reaction of hydrocarbon fluid within a conversion reactor .
  • steps a) and c) can be implemented by IT means, in particular a computer or a server.
  • the transport pipe can be a pipe in a hydrocarbon production well, or a pipe in a hydrocarbon production line.
  • step b) can also be implemented by computer.
  • Figure 4 illustrates, schematically and in a non-limiting manner, the steps of this process according to one embodiment. The steps already described for Figure 2 are not redetailed.
  • the method comprises an additional step of determining DET prediction of possible flocculation of asphaltene FDA, which depends on the flocculation conditions CDF, and the operating conditions COP, in other words on the temperature and pressure determined or predicted . This figure does not represent the possible step of measuring or simulating the COP operating conditions.
  • the embodiment of Figure 4 can be combined with the embodiment of Figure 3.
  • the invention relates to a method for exploiting a hydrocarbon fluid within an underground formation or within a fluid transport pipe or within a conversion reactor, in which carries out the following steps: 1. A flocculation of asphaltene of the hydrocarbon fluid is determined or predicted by means of the method for determining or predicting a flocculation according to any of the variants or combinations of variants described above; and 2. The hydrocarbon fluid is exploited as a function of the possible flocculation of asphaltene of the hydrocarbon fluid, in particular by modifying the temperature, and/or the pressure and/or the composition of the hydrocarbon fluid and/or by adding a solvent in the event of asphaltene flocculation.
  • the process for using the hydrocarbon fluid can be adapted, and thus avoid asphaltene flocculation or in any case limit asphaltene flocculation.
  • control of the exploitation of a hydrocarbon fluid can be ensured.
  • the exploitation of a hydrocarbon fluid may in particular concern the recovery of hydrocarbons within an underground formation, the transport of hydrocarbons from the underground formation or the transport of a petroleum fluid between two installations or two sites, a process desalphaterization in a conversion reactor. To do this, we can in particular increase or reduce the temperature of the fluid, and/or we can increase or reduce the pressure of the fluid and/or adjust the composition of the fluid and/or add a solvent.
  • Figure 5 illustrates, schematically and in a non-limiting manner, the steps of this process according to one embodiment.
  • the steps already described for Figure 4 are not redetailed.
  • the process includes an additional step of EXP exploitation of the hydrocarbon fluid depending on the possible flocculation of FDA asphaltene.
  • This figure does not represent the possible step of measuring or simulating the COP operating conditions.
  • the embodiment of Figure 5 can be combined with the embodiment of Figure 3.
  • Example of application The characteristics and advantages of the process according to the invention will appear more clearly on reading the application example below. For this example, we seek to determine the flocculation curve of a fluid considered and denoted Oil_9 in the following document: Sullivan, M., et al., 2020, A Fast Measurement of Asphaltene Onset Pressure.
  • the experimental data in this document such as the saturation pressure and the low threshold pressure at three different temperatures 75°C, 100°C and 125°C, are used for the validation of the models according to the invention. For this example, the steps of the process according to the invention are applied.
  • the flocculation model is built by automatic learning, from a learning base which includes 53 fluids.
  • compositional model with a decomposition of the fluid into 10 constituents: ⁇ 4 gas: N 2 , H 2 S, CO 2, CH 4 ⁇ 1 light pseudo-component in the cut C 2 to C 6 ⁇ 1 intermediate pseudo-component in the C 7+ to C 20 cut ⁇ 4 heavy pseudo-components, one per fraction (on the C 20+ cut 344 °C) in Saturates, Aromatics, Resins, Asphaltenes (SARA)
  • SARA SARA
  • thermodynamic model used for this calculation can be the Peng & Robinson cubic equation of state coupled with the Abdoul-Péneloux mixing law.
  • Figure 6 illustrates, for this example, the pressures P in MPa as a function of the temperature T in K.
  • the Calc index indicates calculated (i.e. obtained by the thermodynamic model and the compositional model calé)
  • the Exp index indicates experimental (from the cited document)
  • the ML index indicates obtained by the flocculation model of the process according to the invention.
  • P sat designates the saturation pressure
  • P U designates the low threshold pressure.
  • the Calc calculated pressure curves reproduce reference experimental data, which makes it possible to validate the calibration implemented in the process according to the invention.
  • Calc indicates calculated by means of the method according to the invention
  • Wmax-ML indicates the maximum quantity of flocculated asphaltene determined by the flocculation model of the method according to the invention.
  • the Wmax points calculated by the flocculation model, which are not used in the calibration, are also in very good agreement with the flocculation curves. It can be noted that there is no asphaltene precipitation data in the article (Sullivan et al., 2020) to experimentally validate the shape of the entire flocculation curve. The results presented in this example therefore make it possible to show the performance of the method according to the invention for determining the flocculation curve of an asphaltenic fluid in a scenario where the experimental data are absent.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physics & Mathematics (AREA)
  • General Chemical & Material Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

La présente invention concerne un procédé de détermination de conditions de floculation d'un fluide hydrocarboné dans lequel on applique un modèle de floculation au fluide hydrocarboné, ainsi qu'un modèle compositionnel. Ensuite, on compare des paramètres de floculation obtenus par le modèle compositionnel associé à un modèle thermodynamique et le modèle de floculation pour caler le modèle compositionnel.

Description

PROCEDE DE DETERMINATION DE CONDITIONS DE FLOCULATION D’ASPHALTENE D’UN FLUIDE HYDROCARBONE Domaine technique La présente invention concerne le domaine de la caractérisation d’un fluide hydrocarboné, en vue d’optimiser son exploitation. Les asphaltènes sont les composants les plus lourds et les plus polaires d’une coupe pétrolière. Un fluide hydrocarboné, également appelé fluide pétrolier, est en effet une suite continue d’hydrocarbures (alcanes, naphtènes, aromatiques). Les asphaltènes sont définis, selon la norme française AFNOR T 60-115, comme la fraction d’un fluide pétrolier qui flocule (précipite) dans le n-heptane et qui est soluble dans le benzène. Il s’agit donc d’une classe de solubilité. Ces asphaltènes floculent sous l’effet de trois facteurs : variation de température, de la pression ou de la composition chimique. En effet, la modification de la composition du fluide peut également induire le phénomène de floculation. L’ajout d’alcanes légers va produire une floculation des asphaltènes tandis que l’ajout d’aromatiques va permettre de les stabiliser dans le brut. Lors de la production d’un puits, le fluide hydrocarboné subit des variations de pression, de température et de composition. Il est donc susceptible de floculer, c’est-à-dire de former un agrégat de particules solides. Cette floculation va se traduire par un dépôt d’asphaltènes dans les pores du réservoir, ce qui a pour conséquence une modification de la porosité du milieu, de sa perméabilité et finalement de la production d’hydrocarbures. Dans les cas ultimes, cette floculation peut induire le colmatage des pores et provoquer l’arrêt du puits. Il est donc important de pouvoir prédire ce phénomène. De plus, la floculation d’asphaltène peut représenter un risque de bouchage de puits et des lignes de production. Lors de l’exploitation de fluides pétroliers asphalténiques, il est donc fondamental d’évaluer le risque de floculation. Cette évaluation se base sur la détermination de la courbe de floculation du fluide, qui représente la quantité d’asphaltène floculé en fonction de la pression pour une température donnée (voir exemple figure 1). La figure 1 illustre une courbe de la quantité d’asphaltène w précipité en fonction de la pression P pour une température donnée. Cette courbe est appelée courbe de floculation. En partant de la basse pression, la floculation démarre à partir d’une pression limite appelée pression de seuil basse (PL). Le maximum d’asphaltène wmax floculé est atteint à proximité de la pression de saturation du fluide (Psat). En continuant d’augmenter la pression, la quantité d’asphaltène floculé diminue ensuite, jusqu’à disparaître à la pression de seuil haute (PU). La floculation est maximale (et la quantité d’asphaltènes dans le liquide minimale) lorsque la pression de bulle (apparition de la première bulle de vapeur) est atteinte. En deçà de cette pression, l’apparition d’une phase vapeur riche en alcanes, donc en produits floculants, permet au liquide d’être de nouveau accueillant vis à vis des asphaltènes. Technique antérieure La courbe de floculation d’un fluide hydrocarboné peut être déterminée au moyen d’expérimentations au laboratoire, mais ces expérimentations peuvent être longues et coûteuses. L’utilisation de modèles prédictifs pour déterminer cette courbe est donc une alternative intéressante, en particulier pour les logiciels dédiés à la simulation de réservoir et au transport de fluides pétroliers. La demande de brevet FR2836719 (US2003/0167157) décrit une méthode pour prédire une courbe de floculation d’un fluide pétrolier à partir de transformations homothétiques de la courbe de floculation d’un fluide de référence. La courbe de floculation du fluide de référence est obtenue préalablement par des mesures expérimentales. Cette méthode nécessite donc des données expérimentales afin d’avoir une courbe de floculation. Le document : Sanchez, N.L. A General Approach for Asphaltene Modeling, SPE-107191-MS, Latin American & Caribbean Petroleum Engineering Conference, Buenos Aires, Argentina, April 2007 décrit une méthode pour déterminer une courbe de floculation. Cette méthode met en œuvre une décomposition du fluide en sept constituants et un calage de la composition du constituant lourd sur des données expérimentales de floculation. Cette méthode nécessite des données expérimentales afin d’avoir une courbe de floculation. Le document : Nghiem, L.X. ; Khose, B.F.; Farouq Ali, S.M. Asphaltene Precipitation: Phase Behaviour Modelling and Compositional Simulation, SPE-59432, Asia Pacific Conference on Integrated Modelling for Asset Management, Yokohama, Japan, April 2000. décrit une méthode pour déterminer une courbe de floculation. Cette méthode propose de séparer le constituant lourd du fluide en deux fractions, et de traiter la phase asphaltène comme une phase solide. Le calage du fluide porte sur des paramètres d’interaction binaire entre les constituants lourds et légers, sur la base de données expérimentales de floculation. Cette méthode nécessite des données expérimentales afin d’avoir une courbe de floculation. Le document : Szewczyk, V. ; Behar, E. Compositional model for Predicting Asphaltenes flocculation, Fluid Phase Equilibria 185-160 (1999) 459-469 décrit une méthode de représentation du fluide suivant une représentation standardisée à 33 constituants, et un calage de la masse molaire et la température critique du constituant lourd sur la base de données expérimentales de floculation. Cette méthode nécessite des données expérimentales afin d’avoir une courbe de floculation. De plus, les modèles utilisés dans cette représentation sont complexes, et donc lourd à mettre en œuvre avec des moyens informatiques (mémoire informatique, processeurs). Résumé de l’invention L’invention a pour but de déterminer des conditions de floculation d’asphaltène d’un fluide hydrocarboné, de manière précise, simple et rapide, sans nécessiter de mesures expérimentales. Pour cela, l’invention concerne un procédé de détermination de conditions de floculation d’un fluide hydrocarboné dans lequel on applique un modèle de floculation au fluide hydrocarboné, ainsi qu’un modèle compositionnel. Ensuite, on compare des paramètres de floculation obtenus par le modèle compositionnel associé à un modèle thermodynamique et le modèle de floculation pour caler le modèle compositionnel. Le modèle de floculation du fluide permet de se passer de mesures expérimentales pour caler le modèle compositionnel. Ainsi, il est possible d’obtenir les conditions de floculation de manière simple et rapide. L’invention concerne également un procédé de détermination ou prédiction de floculation d’asphaltène, ainsi qu’un procédé d’exploitation d’un fluide hydrocarboné. L’invention concerne un procédé de détermination de conditions de floculation d’asphaltène d’un fluide hydrocarboné. Pour ce procédé, on met en œuvre les étapes suivantes : a) On applique un modèle de floculation audit fluide hydrocarboné pour déterminer au moins un paramètre modélisé de floculation, ledit modèle de floculation reliant la composition d’un fluide à au moins un paramètre de floculation ; b) On construit un modèle compositionnel dudit fluide hydrocarboné, ledit modèle compositionnel décomposant ledit fluide hydrocarboné en plusieurs constituants, et on détermine au moins une propriété physique dudit fluide hydrocarboné au moyen dudit modèle compositionnel ; c) On applique un modèle thermodynamique à ladite au moins une propriété physique déterminée au moyen dudit modèle compositionnel pour déterminer au moins un paramètre de floculation ; d) On cale ledit modèle compositionnel dudit fluide hydrocarboné par minimisation d’un écart entre au moins un paramètre de floculation obtenu à partir dudit modèle thermodynamique et ledit au moins un paramètre modélisé de floculation obtenu à partir dudit modèle de floculation ; et e) On détermine les conditions de floculation d’asphaltène dudit fluide hydrocarboné à partir dudit modèle compositionnel calé dudit fluide hydrocarboné. Selon un mode de réalisation, le procédé comprend une étape préalable de construction dudit modèle de floculation par apprentissage automatique, dans laquelle on met en œuvre les étapes suivantes : i) On construit une base d’apprentissage de fluides d’apprentissage, chaque fluide d’apprentissage étant caractérisé par une composition et au moins un paramètre de floculation, de préférence ledit au moins un paramètre de floculation desdits fluides d’apprentissage étant obtenu expérimentalement ; et ii) On construit un modèle de floculation au moyen d’une méthode d’apprentissage automatique entrainée sur ladite base d’apprentissage, ledit modèle de floculation reliant la composition détaillée d’un fluide audit au moins un paramètre de floculation. Avantageusement, chaque paramètre de floculation est choisi parmi une pression de seuil basse, une pression de seuil haute, une pression de saturation, une quantité maximale d’asphaltène floculé. De manière avantageuse, ledit modèle compositionnel est basé sur une représentation en N constituants, N étant compris entre 6 et 15, de préférence entre 6 et 12, et valant de manière préférée 10. Selon un aspect, on cale ledit modèle compositionnel au moyen d’une méthode itérative. Conformément à une mise en œuvre, ledit modèle thermodynamique est un algorithme de calcul d’équilibre triphasique liquide-liquide-vapeur d’un fluide à une température donnée et à une pression donnée. Selon une option de réalisation, lesdites conditions de floculation correspondent à une courbe de floculation qui relie la quantité d’asphaltène floculé à la pression du fluide. Conformément à un mode de réalisation, l’au moins une propriété physique est choisie parmi la masse molaire, la température critique, la pression critique, le facteur acentrique des constituants du fluide. De plus, l’invention concerne un procédé de détermination ou de prédiction d’une floculation d’asphaltène d’un fluide hydrocarboné au sein d’une formation souterraine ou au sein d’une conduite de transport de fluide ou au sein d’un réacteur de conversion, dans lequel on met en œuvre les étapes suivantes : a) On détermine des conditions de floculation d’asphaltène dudit fluide hydrocarboné au moyen du procédé de détermination de conditions de floculation d’asphaltène selon l’une des caractéristiques précédentes ; b) On détermine par mesure ou on prédit par simulation, une pression et une température dudit fluide hydrocarboné au sein de ladite formation souterraine ou au sein de ladite conduite de transport ou au sein d’un réacteur de conversion ; et c) On détermine ou on prédit une éventuelle floculation d’asphaltène dudit fluide hydrocarboné en fonction desdites conditions de floculation déterminées et de la pression déterminée ou prédite et de la température déterminée ou prédite. En outre, l’invention concerne un procédé d’exploitation d’un fluide hydrocarboné au sein d’une formation souterraine ou au sein d’une conduite de transport de fluide ou au sein d’un réacteur de conversion, dans lequel on met en œuvre les étapes suivantes : d) On détermine ou on prédit une floculation d’asphaltène dudit fluide hydrocarboné au moyen du procédé de détermination ou de prédiction d’une floculation selon l’une des caractéristiques précédentes ; et e) On exploite ledit fluide hydrocarboné en fonction de l’éventuelle floculation d’asphaltène dudit fluide hydrocarboné, notamment en modifiant la température, et/ou la pression et/ou la composition du fluide hydrocarboné en cas de floculation d’asphaltène et/ou par ajout de solvant. D'autres caractéristiques et avantages du procédé selon l'invention, apparaîtront à la lecture de la description ci-après d'exemples non limitatifs de réalisations, en se référant aux figures annexées et décrites ci-après. Liste des figures La figure 1, déjà décrite, illustre une courbe de floculation d’asphaltène. La figure 2 illustre les étapes du procédé selon un premier mode de réalisation de l’invention. La figure 3 illustre les étapes du procédé selon un deuxième mode de réalisation de l’invention. La figure 4 illustre les étapes du procédé selon un troisième mode de réalisation de l’invention. La figure 5 illustre les étapes du procédé selon un quatrième mode de réalisation de l’invention. La figure 6 illustre, pour un exemple, une comparaison entre des pressions expérimentales, des pressions obtenues au moyen du modèle de floculation et des pressions déterminées par un mode de réalisation de l’invention. La figure 7 illustre pour l’exemple de la figure 6 des courbes de floculation d’asphaltène déterminées au moyen du procédé selon un mode de réalisation de l’invention. Description des modes de réalisation La présente invention concerne un procédé de détermination de conditions de floculation d’asphaltène d’un fluide hydrocarboné, en d’autres termes un procédé de détermination de conditions de floculation d’un asphaltène contenu dans un fluide hydrocarboné. Le fluide hydrocarboné est notamment un fluide pétrolier, par exemple des huiles, notamment des huiles brutes. Par exemple, il peut s’agir d’un fluide produit par une formation souterraine et/ou un fluide présent dans une conduite de transport de fluide pétrolier et/ou un fluide au sein d’un réacteur de conversion (par exemple un réacteur de désalphatage). Les conditions de floculation sont les conditions de la génération de la floculation d’asphaltène. Elles peuvent par exemple comprendre, pour une température donnée, des conditions de pression (par exemple la pression de seuil basse, la pression de seuil haute, la pression de saturation du fluide) et la quantité maximale d’asphaltène floculé. La pression de seuil basse est la pression à partir de laquelle la floculation d’asphaltène démarre. La pression de seuil haute est la pression à partir de laquelle la floculation d’asphaltène disparaît. La pression de saturation est la pression à laquelle la quantité d’asphaltène floculé est maximale. De préférence, les conditions de floculation d’asphaltène peuvent permettre de définir la courbe de floculation du fluide hydrocarboné étudié pour une température donnée. Pour rappel, la courbe de floculation relie, pour un fluide, la quantité d’asphaltène floculé à la pression pour une température donnée. Ainsi, le procédé selon l’invention permet de définir des caractéristiques liées à la physique et à la chimie d’un fluide hydrocarboné. De manière avantageuse, on peut connaître la composition du fluide étudié. En variante, le procédé selon l’invention peut comprendre une étape préalable de détermination de la composition du fluide étudié. De plus, on peut connaître en outre la densité et la pression de bulle du fluide étudié, ou d’autres caractéristiques analogues. Le procédé selon l’invention met en œuvre les étapes suivantes : 1) Application d’un modèle de floculation 2) Construction d’un modèle compositionnel 3) Application d’un modèle thermodynamique 4) Calage du modèle compositionnel 5) Détermination des conditions de floculation d’asphaltène Ces étapes peuvent être mises en œuvre par des moyens informatiques, notamment par un ordinateur ou par un serveur. Ces étapes seront détaillées dans la suite de la description. La figure 2 illustre, schématiquement et de manière non limitative, les étapes du procédé selon un premier mode de réalisation. Pour un fluide à étudier FLU, on applique un modèle de floculation MOD FLO pour déterminer des paramètres modélisés de floculation. On construit également un modèle compositionnel MOD COM de ce fluide FLU. On applique ensuite un modèle thermodynamique MOD THE au modèle compositionnel. Le modèle compositionnel MOD COM est ensuite calé au moyen des paramètres modélisés de floculation. Le modèle compositionnel calé permet ensuite de déterminer des conditions de floculation CDF. Conformément à un mode de réalisation de l’invention, le procédé peut comprendre une étape préalable de construction du modèle de floculation par apprentissage automatique. Pour ce mode de réalisation, le procédé selon l’invention peut comporter les étapes suivantes : A) Construction d’une base d’apprentissage B) Construction du modèle de floculation 1) Application d’un modèle de floculation 2) Construction d’un modèle compositionnel 3) Application d’un modèle thermodynamique 4) Calage du modèle compositionnel 5) Détermination des conditions de floculation d’asphaltène Les étapes B et 1 à 5 peuvent être mises en œuvre par des moyens informatiques, notamment par un ordinateur ou par un serveur. Les étapes A et B peuvent être réalisées préalablement une seule fois. Si on souhaite appliquer le procédé selon l’invention à plusieurs fluides, seules les étapes 1 à 4 sont répétées pour chaque fluide. Ces étapes seront détaillées dans la suite de la description. Alternativement, les étapes A et B peuvent être répétées, en ajoutant, à chaque itération, dans la base d’apprentissage le dernier fluide étudié. Ainsi, la base d’apprentissage se complète à chaque itération, et le modèle de floculation peut devenir plus précis. La figure 3 illustre, schématiquement et de manière non limitative, les étapes du procédé selon un tel mode de réalisation. Les étapes déjà décrites pour la figure 2 ne sont pas redétaillées. Le procédé comprend en outre une étape de construction d’une base d’apprentissage BAP. Cette base d’apprentissage BAP permet un entraînement d’une méthode d’apprentissage automatique APP pour construire le modèle de floculation MOD FLO. A) Construction de la base d’apprentissage Lors de cette étape facultative, on construit une base d’apprentissage d’une pluralité de fluides d’apprentissage. Les fluides d’apprentissage sont des fluides hydrocarbonés. Chaque fluide d’apprentissage est caractérisé par une composition et au moins un paramètre de floculation pour une température donnée. Chaque paramètre de floculation peut être choisi parmi la pression de seuil basse notée PL, la pression de seuil haute notée PU, la pression de saturation notée Psat et la quantité maximum d’asphaltène floculé notée Wmax. Selon un mode de réalisation, on peut déterminer expérimentalement les paramètres de floculation pour au moins un fluide d’apprentissage. A titre d’exemple, on peut appliquer une des méthodes décrite dans le document : « Pina et al., Oil & Gas Science and Technology – Rev. IFP, Vol. 61 (2006), No. 3 ». Par exemple, par gravimétrie (cf. paragraphe 5.1), par résonance acoustique, par diffusion de lumière (cf. paragraphe 5.2) ou par filtration (cf. paragraphe 5.3). Alternativement ou cumulativement, on peut déterminer les paramètres de floculation pour au moins un fluide d’apprentissage à partir d’au moins une documentation publiée, qui divulgue des résultats expérimentaux. Conformément à une mise en œuvre de l’invention, chaque fluide d’apprentissage peut être décrit par un vecteur de plusieurs constituants (par exemple selon un modèle compositionnel tel que décrit à l’étape 2). Cette décomposition permet une bonne représentation de chaque fluide d’apprentissage. En particulier, les compositions de chaque fluide d’apprentissage peuvent être décrites par un vecteur comprenant de 8 à 33 éléments, de préférence de 10 à 20 éléments. Par exemple (non limitatif), les compositions de chaque fluide peuvent être décrites par un vecteur de 14 éléments selon la répartition suivante : • quatre gaz : H2S, N2, CO2, CH4 ; • cinq pseudo-composants légers dans la coupe C2 à C6 ; • un pseudo-composant intermédiaire pour la coupe C7+; • la densité et le poids moléculaire pour la coupe C7+; • deux pseudo-composants lourds, un par fraction en Résines et Asphaltènes résultantes d’une analyse SARA sur la coupe C20+. L’analyse SARA est une méthode de caractérisation des huiles lourdes basée sur le fractionnement, dans laquelle un échantillon d’huile lourde est séparé en plus petites quantités ou fractions, chaque fraction ayant une composition différente. Le fractionnement est basé sur la solubilité des composants hydrocarbonés dans divers solvants . Chaque fraction consiste en une classe de solubilité contenant une gamme d’espèces de poids moléculaire différent. Dans cet exemple non limitatif, le pétrole brut est fractionné en deux classes de solubilité Résines et Asphaltènes, parmi les constituants appelées collectivement SARA (SARA désigne respectivement : hydrocarbures saturés S, aromatiques A, résines R et asphaltènes A). Les hydrocarbures saturés sont généralement des iso- et cyclo-paraffines, tandis que les aromatiques, les résines et les asphaltènes forment un continuum de molécules avec une augmentation du poids moléculaire, de l’aromaticité et de la teneur en hétéroatomes. Les asphaltènes peuvent également contenir des métaux tels que le nickel et le vanadium. Cette méthode est parfois appelée analyse des dépôts d’asphaltène/cire/hydrate. Selon un aspect, la base d’apprentissage peut comprendre un nombre de fluides d’apprentissage au moins égal au nombre de variables (le nombre de variables peut correspondre à la somme de constituants du modèle compositionnel et du nombre de paramètres physiques). De manière avantageuse, le nombre de fluides d’apprentissage peut comprendre un nombre de fluides d’apprentissage au moins égal au double du nombre de variables, afin de permettre une bonne représentativité des différents fluides et de s’affranchir en partie de problème de surapprentissage, pour assurer une bonne fiabilité du modèle de floculation. B) Construction du modèle de floculation Lors de cette étape, qui est également facultative, on construit un modèle de floculation qui associe au moins un paramètre de floculation à une composition de fluide. En d’autres termes, le modèle de floculation permet de déterminer au moins un paramètre de floculation pour un fluide hydrocarboné en fonction de sa composition et de sa température. Lors de cette étape, on construit le modèle de floculation au moyen d’une méthode d’apprentissage automatique (de l’anglais « machine learning ») entraînée au moyen de la base d’apprentissage construite telle que décrite à l’étape A. Lors de cette étape, on peut construire le modèle de floculation par apprentissage automatique, de préférence par apprentissage automatique supervisé, de manière préférée par apprentissage automatique supervisé de régression. Selon un exemple de réalisation, le modèle de floculation peut s’écrire : ^^ ^^ ^^ ^^ ^^^ ൌ ^^^ ^^ ^^ ^^ ^^, ^^^ avec f une fonction, ^^ ^^ ^^ ^^ ^^^ un paramètre de floculation (par exemple la pression de seuil basse, la pression de seuil haute, la pression de saturation ou la quantité maximale d’asphaltène floculé), T la température du fluide et Comp la composition du fluide. La fonction f peut être déterminée à partir d’un algorithme d’apprentissage supervisé sans sélection de variable. Les modèles d’une telle approche sont des modèles linéaires, dans la mesure où à chaque élément du vecteur est associé un coefficient pondérateur, et pour une huile, la somme des produits des éléments du vecteur par leur coefficient respectif conduit à la valeur prédite. Alternativement, l’algorithme d’apprentissage peut être une machine à vecteur de support (SVM de l’anglais « support vector machine »), un réseau de neurones, une forêt aléatoire ou une combinaison de ces méthodes. Pour le mode de réalisation, pour lequel la fonction f peut être déterminée à partir d’un algorithme d’apprentissage supervisé avec sélection de variable, les modèles peuvent être des approches non linéaires qui peuvent être obtenues par programmation génétique (MGGP, Multi-Gene Genetic Programming en anglais). De tels modèles peuvent être construits par combinaison d’éléments du vecteur avec des opérateurs mathématiques (addition, soustraction, division, produit…) selon un processus d’évolution génétique (sélection de modèles, croisement, mutation…). Pour les deux approches, les modèles peuvent être entrainés sur une portion de la base de données, et testés sur l’autre portion de la base de données (données externes au processus d’apprentissage). Selon un aspect, cette étape peut inclure une méthode de validation, de préférence une méthode de validation croisée, notamment une méthode de validation croisée à k-blocs (« k- fold »). Cette méthode de validation croisée permet de réduire les problèmes de « surapprentissage » et d’améliorer la précision du modèle.
Figure imgf000012_0001
d’un modèle de floculation Lors de cette étape, on applique un modèle de floculation au fluide hydrocarboné pour déterminer au moins un paramètre modélisé de floculation, appelé également premier paramètre de floculation. Le modèle de floculation peut être connu préalablement ou, le cas échéant, peut être celui construit lors des étapes A et B facultatives. Le modèle de floculation relie la composition du fluide hydrocarboné à au moins un paramètre de floculation pour une température donnée. En d’autres termes, lors de cette étape, on détermine au moins un paramètre de floculation du fluide hydrocarboné au moyen d’un modèle de floculation, qui prend en entrée la composition du fluide et la température. L’utilisation d’un tel modèle permet de déterminer au moins un paramètre de floculation du fluide hydrocarboné sans expérimentation du fluide hydrocarboné. Ainsi, la détermination de conditions de floculation est plus simple et plus rapide. De préférence, le modèle de floculation peut être un modèle entrainé sur des données (comme c’est le cas pour le modèle construit lors des étapes A et B facultatives). Ainsi, un tel modèle ne nécessite pas de connaissance a priori des phénomènes physiques et/ou chimiques pour la détermination des paramètres de floculation. Chaque paramètre de floculation peut être choisi parmi la pression de seuil basse notée PL, la pression de seuil haute notée PU, la pression de saturation notée Psat et la quantité maximum d’asphaltène floculé notée Wmax. 2) Construction d’un modèle
Figure imgf000012_0002
Lors de cette étape, on construit un modèle compositionnel du fluide hydrocarboné. Le modèle compositionnel décompose le fluide hydrocarboné en plusieurs constituants. Ainsi, un tel modèle permet une représentation simplifiée et structurée du fluide hydrocarboné, ce qui simplifie la détermination des conditions de floculation. De préférence, on peut construire le modèle compositionnel du fluide hydrocarboné au moyen d’une analyse SARA, telle que décrite pour l’étape A. En outre, lors de cette étape, on détermine au moins une propriété physique du fluide hydrocarboné en fonction de la décomposition du fluide hydrocarboné. En effet, certains paramètres physiques sont directement liés à la composition du fluide. Chaque propriété physique peut être choisie parmi la masse molaire, le facteur acentrique, la pression critique et la température critique des constituants du fluide hydrocarboné. On rappelle que la température critique et la pression critique sont respectivement la plus haute température et la plus haute pression à laquelle il puisse y avoir un équilibre liquide-vapeur. Le facteur acentrique est un nombre utilisé dans la description de la matière en thermodynamique. Pour le mode de réalisation pour lequel on connaît des paramètres des constituants du fluide hydrocarboné, le fluide initial peut être calé au moyen de ces paramètres, par exemple la pression de bulle. Selon un mode de réalisation de l’invention, le modèle compositionnel peut être basé sur une représentation en N constituants. Avantageusement, N peut être compris entre 6 et 15. En effet, une décomposition en 6 constituants permet une représentation avec un gaz, une coupe légère et les composants SARA (issus d’une analyse SARA). Ainsi, si on considère moins de 6 constituants, la représentation risque d’être moins précise. De plus, avec une décomposition au-delà de 15 constituants, on améliore la précision au détriment de la complexité de la représentation, et par conséquent, au détriment de la complexité de calculs, du temps et de la mémoire informatique utilisée pour mettre en œuvre l’invention. De préférence, N peut être compris entre 6 et 12, avantageusement entre 8 et 12, et peut valoir 10. Ces valeurs permettent un bon compris entre précision du modèle, et temps et mémoire informatique nécessaires pour les calculs. Pour l’exemple de réalisation, pour lequel N vaut 10, la représentation en 10 constituants peut être la suivante : ^ 4 gaz : N2, H2S, CO2, CH4 ^ 1 pseudo-composant léger dans la coupe C2 à C6 ^ 1 pseudo-composant intermédiaire dans la coupe C7+ à C20 ^ 4 pseudo-composants lourds, un par fraction (sur la coupe C20+ 344 °C) en Saturés, Aromatiques, Résines, Asphaltènes (SARA) Les pseudo-composants SARA sont considérés dans cette approche comme représentatifs de la fraction lourde C20+, avec un nombre d’atomes de carbone nC supérieur à 20. Dans le cas où il n’y a pas de composants lourds avec nC > 20 dans le fluide initial, on considère qu’il n’y a pas de risque de dépôt asphalténique, et il n’est pas utile de mettre en œuvre les autres étapes du procédé selon l’invention. Un exemple non limitatif de mise en œuvre d’un tel modèle compositionnel avec 10 constituants est décrit dans la suite de la description. D’autres approches peuvent être mises en œuvre, par exemple la méthode décrite dans le document suivant ou toute méthode analogue : Szewczyk V., Béhar E., Compositional model for predicting asphaltenes flocculation, Fluid Phase Equilibria, 156-160, p.459-469, 1999 La première étape de cette mise en œuvre du modèle compositionnel peut consister à regrouper tous les m composants lourds, dont le nombre de carbones nC est supérieur à 20, au sein d’un seul pseudo-composant hComp. Les propriétés critiques moyennes de ce pseudo-corps sont calculées via la méthode de regroupement de Montel-Gouel. Cette étape donne un fluide intermédiaire noté φ1 qui se compose de (n - m +1) constituants : (n-m) composants légers et intermédiaires, et 1 pseudo-composant lourd hComp. Il convient de préciser qu’il y a éventuellement une partie C20- dans ce pseudo-corps hComp : c’est le cas où le fluide initial donné par l’utilisateur n’a pas de coupe en C20 et il existe certains composants parmi les m constituants ayant une partie plus légère avec nC < 20. Exemple : on considère un fluide initial qui comporte, à part des composants légers et intermédiaires (nC < 20), deux composants lourds, l’un dans la coupe C12C25 (avec nC = 22) et l’autre dans la coupe C25+ (avec nC = 32). L’objectif est de convertir ces deux composants en C12C20 et SARA. Dans la première étape, les pseudos C12C25 et C25+ sont regroupés en un seul pseudo C12+. Dans la deuxième étape de cette mise en œuvre du modèle compositionnel, le pseudo- composant hComp du fluide intermédiaire φ1 obtenu via l’étape précédente est découpé pour introduire les 4 pseudo-composants SARA. L’enjeu revient donc à la décomposition du hComp en deux parties : une partie C20+ correspondante aux fractions SARA et une partie plus légère C20-, ici notée pC20-. Dans l’exemple, il faut diviser le pseudo C12+ en C12C20 et SARA. Cette action se fait en se basant sur la conservation de masse entre les deux représentations. Les propriétés physiques (Mw, Tc, Pc, et ω) du mélange de 5 nouveaux pseudo-constituants doivent être équivalentes à celles du pseudo corps hComp (C12+) issus de l’étape 1. Pour cela, une approche itérative peut être utilisée. Il s’agit d’une optimisation sous contraintes avec 4 inconnues : la masse molaire du pseudo-composé pC20- et celles des trois composants Saturés, Aromatiques et Résines (SAR). La masse molaire des asphaltènes est fixée à 1.0 kg/mol. Les contraintes à respecter pour cette approche itérative peuvent être : ^ Des contraintes d’inégalité : Mw, Saturés < Mw, Aromatiques < Mw, Résines < Mw, Asphaltènes = 1.0 kg/mol ^ Des contraintes d’égalité (4 contraintes) :
Figure imgf000015_0001
Avec i désignant un composé du groupement SARA ou un pseudo-composé pC20-, Mw la masse molaire, Tc la température critique, Pc la pression critique, ^^ la fraction molaire du composant. Dans ces équations, les fractions molaires xi peuvent être calculées en se basant sur une analyse SARA, et la condition de fermeture :
Figure imgf000015_0002
o ^^^^ଶ^ି ^ ∑^∈ௌ^ோ^ ^^^ ൌ 1.0 Avec wti la fraction massique des composés SARA. Les bornes à respecter pour cette approche itérative peuvent être les suivantes : ^ Mw,pC20- appartient à l’intervalle [0.045 , MW_C20] où 0.045 kg/mol est la masse molaire minimale valide pour les pseudo composants et MW_C20 (282.55E-3 kg/mol) correspond à la masse molaire du n-eicosane. ^ Mw, Saturés, Mw, Aromatiques, Mw, Résines appartiennent à l’intervalle [MW_C20,1.0]. A la sortie de cette démarche d’optimisation, on remplace le pseudo-composant hComp par l’ensemble de nouveaux composants (SARA et éventuellement pC20-). Le fluide intermédiaire φ2 se compose donc de (n-m+4) ou de (n-m+5) composants, correspondant respectivement au cas sans et avec pC20-. La troisième étape de cette mise en œuvre du modèle compositionnel peut consister à créer le fluide asphaltène de 10 composants en faisant référence aux composants de la représentation standardisée du fluide cible par les composants du fluide φ2. D’abord, les gaz (N2, CO2, H2S, CH4) sont ramenés dans le fluide final s’ils sont présents dans le fluide φ2, ou à défaut, des fractions molaires nulles sont identifiées. Ensuite, les hydrocarbures légers et intermédiaires sont classés en fonction de leur nombre d’atomes de carbone et regroupés dans deux pseudo-corps C2C7 avec le nombre d’atomes de carbone qui varie entre 2 et 7, et C7+C20 avec le nombre d’atomes de carbone entre 7 et 20. Enfin, les composants SARA caractérisés dans la deuxième étape sont ramenés dans le fluide final. En ce qui concerne le groupement constitutionnel, les descriptions pour les gaz et pour les fractions SARA sont déjà définies. Les descriptions pour les deux autres pseudo-corps peuvent être considérées comme deux groupes CH3 et (nCi – 2) groupes CH2, où nCi est le nombre d’atomes de carbone de chaque pseudo-corps. Ensuite, on peut déterminer au moins une propriété physique du fluide hydrocarboné au moyen de la décomposition et d’approches basées sur une méthode de contribution de groupes. Pour cela, on peut mettre en œuvre une méthode de regroupement classique de Montel et Gouel pour les pseudo-composants légers et intermédiaires (C2C6 et C7+C20) et une approche d’Avaulée pour les fractions lourdes (pseudo-composés SARA). D’autres approches peuvent être envisagées. La méthode de regroupement classique de Montel et Gouel est décrite dans le document suivant : Montel, F. and Gouel, P. L.1984. A New Lumping Scheme of Analytical Data for Compositional Studies. In SPE Annual Technical Conference and Exhibition. Society of Petroleum Engineers. Cette méthode permet de calculer les paramètres critiques tels que la température critique Tc, la pression critique Pc, la masse molaire Mw, et le facteur acentrique ω. Cette méthode peut définir les relations suivantes :
Figure imgf000016_0001
avec i et j les constituants de la composition. L’approche d’Avaulée, appelée aussi corrélation d’Avaulée, est décrite dans le document suivant : Avaullée, L.1996. Mise au point de méthodes de caractérisation thermodynamique des fluides pétroliers en vue de la prédiction de leurs propriétés volumétriques et des expériences d'injection de gaz dans les huiles de gisement, thèse de l’Université d’Aix-Marseille, Aix-en- Provence, France, Thesis number 96 AIX30050
Figure imgf000017_0001
Lors de cette étape, on applique un modèle thermodynamique au modèle compositionnel déterminé à l’étape 2. Le modèle thermodynamique permet un équilibrage thermodynamique des différentes phases du fluide hydrocarboné, afin de déterminer un paramètre de floculation à partir du modèle compositionnel. Le modèle thermodynamique a notamment pour entrée au moins une propriété physique (de préférence toutes les propriétés physiques) issue du modèle compositionnel, et a pour sortie au moins un paramètre de floculation, appelé également deuxième paramètre de floculation. Selon un mode de réalisation, un modèle thermodynamique peut mettre en œuvre un calcul d’équilibre thermodynamique (appelé algorithme de flash) capable de gérer l’existence simultanée d’une phase vapeur, d’une phase liquide hydrocarbonée, et d’une seconde phase liquide asphalténique. Il peut alors s’agir d’un calcul d’équilibre triphasique liquide-liquide- vapeur. Par exemple non limitatif, l’algorithme de flash utilisé peut être celui proposé par Michelsen dans les documents suivants : Michelsen, M.L., Fluid Phase Equilibria, 9 (1982), 1-19 Michelsen M.L., Fluid Phase Equilibria, 9 (1982), 21-40 Le modèle thermodynamique utilisé pour ce calcul dans cet algorithme peut être l’équation d’état cubique Peng & Robinson couplée avec la loi de mélange d’Abdoul-Péneloux, tels que décrits notamment dans les documents suivants : Abdoul, W., 1987, Une méthode de contribution de groupes applicable à la corrélation et la prédiction des propriétés thermodynamiques des fluides pétroliers, Thèse de I'université d'Aix- Marseille III, France ; et Péneloux, A., Abdoul, W. and Rauzy, E., 1989, Excess functions and equation of state, Fluid Phase Equilibria, 47, 115-132. Un tel modèle peut s’écrire : ^^ ൌ ோ் ^ ^ ^்^ ௪^ି^^ െ ௪^^௪^ାఊ^^^ Où T et P sont respectivement la température et pression du système, R est la constante universelle des gaz parfaits (R ^ 8,314 kPa⋅L/mol⋅K), ^^ ൌ 4.82843 est la constante caractéristique de l’équation, ^^^ indique le volume molaire non-corrigé, ai(T) est le paramètre d’interaction et bi dénote le covolume du composant i. Ces paramètres sont calculés pour la température critique Tc,i, la pression critique Pc,i, et le facteur d’acentrique
Figure imgf000018_0001
issus du modèle compositionnel. Par ailleurs,
Figure imgf000018_0002
L’approche d’Abdoul-Péneloux considère la translation de volume, où le « vrai » volume molaire ^^^ est corrigé par un terme ^^^:
Figure imgf000018_0003
Où ZRa,i est le facteur de compressibilité de Rackett. Ces équations sont valables pour les corps purs. Pour un mélange, l'ensemble du mélange peut être considéré comme un seul constituant suivant le même formalisme. La règle de mélange d’Abdoul-Péneloux est appliquée aux propriétés critiques des corps purs pour obtenir les paramètres globaux du mélange a, b, c. A chaque température donnée, une série de calculs de flash triphasique (en d’autres termes, on applique plusieurs algorithmes de flash) peut être effectuée en faisant varier la pression pour obtenir l’ensemble de la courbe de floculation comme schématisée sur la Figure 1. Cette approche permet de déterminer également les pressions clés telles que la pression de saturation Psat et les pressions de seuils basse PL et haute PU.
Figure imgf000018_0004
Lors de cette étape, on cale au moins une propriété physique du modèle compositionnel déterminé à l’étape 2 du fluide hydrocarboné, par minimisation d’un écart entre au moins un paramètre de floculation obtenu à partir du modèle thermodynamique à l’étape 3 (deuxième paramètre de floculation) et l’au moins un paramètre de floculation modélisé déterminé à l’étape 1 (premier paramètre de floculation). En d’autres termes, on ajuste le modèle compositionnel pour qu’il se comporte de manière similaire au modèle de floculation. Cet ajustement concerne le réglage d’au moins une propriété physique du modèle compositionnel pour qu’un paramètre de floculation issu du modèle compositionnel se rapproche le plus possible d’un paramètre modélisé de floculation issu du modèle de floculation. Cette étape de calage permet d’améliorer la qualité de prédiction des conditions de floculation d’asphaltène. Selon un mode de réalisation de l’invention, le calage peut mettre en œuvre une méthode itérative, dans laquelle on modifie à chaque étape au moins une propriété physique jusqu’à obtenir un minimum entre le paramètre de floculation issu du modèle compositionnel et le paramètre de floculation modélisé. Pour cette méthode itérative, on peut chercher à minimiser une fonction objective qui comprend un terme mesurant un écart entre les valeurs calculées des paramètres de floculation et les paramètres modélisés de floculation. Conformément à une mise en œuvre de l’invention, les propriétés physiques à caler peuvent être la masse molaire et la température critique. Les autres propriétés physiques du constituant asphaltène (par exemple la pression critique et le facteur acentrique) peuvent être déterminées en fonction de la masse molaire et de la température critique par l’approche d’Avaullée. Cette approche donne une meilleure caractérisation des composants très lourds par rapport à d’autres approches. 5) Détermination des conditions de floculation d’asphaltène Lors de cette étape, on détermine les conditions de floculation du fluide hydrocarboné à partir du paramètre de floculation issu d’un modèle thermodynamique appliqué au modèle compositionnel calé du fluide hydrocarboné. Ainsi, la décomposition ajustée du fluide hydrocarboné permet de déterminer la mise en œuvre de la floculation, par exemple pour déterminer une courbe de floculation du fluide hydrocarboné à une température donnée. De plus, l’invention concerne un procédé de détermination ou de prédiction d’une floculation d’asphaltène d’un fluide hydrocarboné au sein d’une formation souterraine ou au sein d’une conduite de transport de fluide ou au sein d’un réacteur de conversion (par exemple pour un procédé de désalphatage), dans lequel on met en œuvre les étapes suivantes : a. On détermine des conditions de floculation d’asphaltène du fluide hydrocarboné au moyen du procédé de détermination de conditions de floculation d’asphaltènes selon l’une quelconque des variantes ou des combinaisons de variantes décrites précédemment ; b. On détermine ou on prédit, par simulation ou par mesure, une pression et une température du fluide hydrocarboné au sein de la formation souterraine ou au sein de la conduite de transport ou au sein d’un réacteur de conversion ; et c. On détermine ou on prédit une éventuelle floculation d’asphaltène du fluide hydrocarboné en fonction des conditions de floculation déterminées et de la pression déterminée ou prédite et de la température déterminée ou prédite. Ainsi, grâce à ce procédé, on peut déterminer une éventuelle floculation d’asphaltène pendant l’exploitation d’un tel fluide, et on peut également simuler une éventuelle floculation d’asphaltène au sein d’une simulation d’une exploitation d’un tel fluide. L’exploitation d’un fluide hydrocarboné peut notamment concerner la récupération d’hydrocarbures au sein d’une formation souterraine, le transport d’hydrocarbures depuis la formation souterraine ou le transport d’un fluide pétrolier, le traitement d’un fluide hydrocarboné au sein d’un réacteur de conversion (par exemple pour un procédé de désalphatage). Ainsi la simulation concernée peut être une simulation de transport de fluide hydrocarboné au sein d’une formation souterraine ou une simulation de transport de fluide hydrocarboné au sein d’une conduite de transport ou une réaction du fluide hydrocarboné au sein d’un réacteur de conversion. De manière avantageuse, les étapes a) et c) peuvent être mises en œuvre par des moyens informatiques, notamment un ordinateur ou un serveur. Avantageusement, la conduite de transport peut être une conduite dans un puits de production d’hydrocarbures, ou une conduite d’une ligne de production d’hydrocarbures. De plus, lorsque le procédé permet une simulation, l’étape b) peut également être mise en œuvre par ordinateur. La figure 4 illustre, schématiquement et de manière non limitative, les étapes de ce procédé selon un mode de réalisation. Les étapes déjà décrites pour la figure 2 ne sont pas redétaillées. Le procédé comprend une étape supplémentaire de détermination de prédiction DET d’une éventuelle floculation d’asphaltène FDA, qui dépend des conditions de floculation CDF, et des conditions opératoires COP, en d’autres termes de la température et de la pression déterminées ou prédites. Cette figure ne représente pas l’éventuelle étape de mesure ou de simulation des conditions opératoires COP. De plus, le mode de réalisation de la figure 4 peut être combiné avec le mode de réalisation de la figure 3. En outre, l’invention concerne un procédé d’exploitation d’un fluide hydrocarboné au sein d’une formation souterraine ou au sein d’une conduite de transport de fluide ou au sein d’un réacteur de conversion, dans lequel on met en œuvre les étapes suivantes : 1. On détermine ou on prédit une floculation d’asphaltène du fluide hydrocarboné au moyen du procédé de détermination ou de prédiction d’une floculation selon l’une quelconque des variantes ou des combinaisons de variantes décrites précédemment ; et 2. On exploite le fluide hydrocarboné en fonction de l’éventuelle floculation d’asphaltène du fluide hydrocarboné, notamment en modifiant la température, et/ou la pression et/ou la composition du fluide hydrocarboné et/ou en ajoutant un solvant en cas de floculation d’asphaltène. Ainsi, si on détermine ou prédit un risque de floculation d’asphaltène, on peut adapter le procédé d’exploitation du fluide hydrocarboné, et ainsi éviter une floculation d’asphaltène ou en tout cas limiter la floculation d’asphaltène. De cette manière, on peut assurer un contrôle d’une exploitation d’un fluide hydrocarboné. L’exploitation d’un fluide hydrocarboné peut notamment concerner la récupération d’hydrocarbures au sein d’une formation souterraine, le transport d’hydrocarbures depuis la formation souterraine ou le transport d’un fluide pétrolier entre deux installations ou deux sites, un procédé de désalphatage dans un réacteur de conversion. Pour cela, on peut notamment augmenter ou réduire la température du fluide, et/ou on peut augmenter ou réduire la pression du fluide et/ou ajuster la composition du fluide et/ou ajouter un solvant. La figure 5 illustre, schématiquement et de manière non limitative, les étapes de ce procédé selon un mode de réalisation. Les étapes déjà décrites pour la figure 4 ne sont pas redétaillées. Le procédé comprend une étape supplémentaire d’exploitation EXP du fluide hydrocarboné en fonction de l’éventuelle floculation d’asphaltène FDA. Cette figure ne représente pas l’éventuelle étape de mesure ou de simulation des conditions opératoires COP. De plus, le mode de réalisation de la figure 5 peut être combiné avec le mode de réalisation de la figure 3. Exemple d’application Les caractéristiques et avantages du procédé selon l'invention apparaîtront plus clairement à la lecture de l'exemple d'application ci-après. Pour cet exemple, on cherche à déterminer la courbe de floculation d’un fluide considéré et noté Oil_9 dans le document suivant : Sullivan, M., et al., 2020, A Fast Measurement of Asphaltene Onset Pressure. SPE Reservoir Evaluation & Engineering 23 (03), 962-978. Les données expérimentales de ce document, telles que la pression de saturation et la pression de seuil basse à trois différentes températures 75°C, 100°C et 125°C, sont utilisées pour la validation des modèles selon l’invention. Pour cet exemple, on applique les étapes du procédé selon l’invention. En particulier, le modèle de floculation est construit par apprentissage automatique, à partir d’une base d’apprentissage qui comprend 53 fluides. De plus, pour cet exemple, on applique un modèle compositionnel avec une décomposition du fluide en 10 constituants : ^ 4 gaz : N2, H2S, CO2, CH4 ^ 1 pseudo-composant léger dans la coupe C2 à C6 ^ 1 pseudo-composant intermédiaire dans la coupe C7+ à C20 ^ 4 pseudo-composants lourds, un par fraction (sur la coupe C20+ 344 °C) en Saturés, Aromatiques, Résines, Asphaltènes (SARA) On réalise le calage du constituant asphaltène du modèle compositionnel sur les pressions de saturation et les pressions de seuil basse issues du modèle de floculation. En outre, le modèle thermodynamique utilisé pour ce calcul peut être l’équation d’état cubique Peng & Robinson couplé avec la loi de mélange d’Abdoul-Péneloux. La figure 6 illustre, pour cet exemple, les pressions P en MPa en fonction de la température T en K. Sur cette figure, l’indice Calc indique calculé (c’est-à-dire obtenu par le modèle thermodynamique et le modèle compositionnel calé), l’indice Exp indique expérimental (issu du document cité) et l’indice ML indique obtenu par le modèle de floculation du procédé selon l’invention. Psat désigne la pression de saturation et PU désigne la pression de seuil basse. Les courbes de pression calculées Calc restituent bien des données expérimentales de référence, ce qui permet de valider le calage mis en œuvre dans le procédé selon l’invention. Ces courbes sont générées en considérant une plus large gamme de température pour visualiser l’évolution des pressions clés (entre 0°C et 250°C). Sur cette figure, on remarque que les pressions obtenues au moyen du modèle de floculation sont cohérentes avec les données expérimentales présentées dans le document (Sullivan et al., 2020). Ainsi, le modèle de floculation permet une précision de la détermination des paramètres de floculation. Ensuite, on détermine les courbes de floculation au moyen du modèle thermodynamique. La figure 7 illustre, pour cet exemple, la quantité d’asphaltène floculée W en fonction de la pression P en MPa pour les trois températures 75°C, 100°C et 125°C. Sur cette figure Calc indique calculé au moyen du procédé selon l’invention, et Wmax-ML indique la quantité maximale d’asphaltène floculé déterminée par le modèle de floculation du procédé selon l’invention. Les points de Wmax calculés par le modèle de floculation, qui ne sont pas utilisés dans le calage, sont également en très bon accord avec les courbes de floculation. On peut noter qu’il n’y pas de données de précipitation d’asphaltène dans l’article (Sullivan et al., 2020) pour valider expérimentalement l’allure de l’ensemble de la courbe de floculation. Les résultats présentés dans cet exemple permettent donc de montrer la performance du procédé selon l’invention pour la détermination de la courbe de floculation d’un fluide asphalténique dans un scénario où les données expérimentales sont absentes.

Claims

Revendications 1) Procédé de détermination de conditions de floculation d’asphaltène d’un fluide hydrocarboné, caractérisé en ce qu’on met en œuvre les étapes suivantes : a) On applique un modèle de floculation (MOD FLO) audit fluide hydrocarboné (FLU) pour déterminer au moins un paramètre modélisé de floculation, ledit modèle de floculation (MOD FLO) reliant la composition d’un fluide à au moins un paramètre de floculation ; b) On construit un modèle compositionnel (MOD COM) dudit fluide hydrocarboné, ledit modèle compositionnel (MOD COM) décomposant ledit fluide hydrocarboné en plusieurs constituants, et on détermine au moins une propriété physique dudit fluide hydrocarboné au moyen dudit modèle compositionnel ; c) On applique un modèle thermodynamique (MOD THE) à ladite au moins une propriété physique déterminée au moyen dudit modèle compositionnel (MOD COM) pour déterminer au moins un paramètre de floculation ; d) On cale (CAL) ledit modèle compositionnel dudit fluide hydrocarboné par minimisation d’un écart entre au moins un paramètre de floculation obtenu à partir dudit modèle thermodynamique (MOD THE) et ledit au moins un paramètre modélisé de floculation obtenu à partir dudit modèle de floculation (MOD FLO) ; et e) On détermine les conditions de floculation d’asphaltène (CDF) dudit fluide hydrocarboné (FLU) à partir dudit modèle compositionnel calé dudit fluide hydrocarboné. 2) Procédé selon la revendication 1, dans lequel le procédé comprend une étape préalable de construction dudit modèle de floculation par apprentissage automatique, dans laquelle on met en œuvre les étapes suivantes : i) On construit une base d’apprentissage de fluides d’apprentissage (BAP), chaque fluide d’apprentissage étant caractérisé par une composition et au moins un paramètre de floculation, de préférence ledit au moins un paramètre de floculation desdits fluides d’apprentissage étant obtenu expérimentalement ; et ii) On construit un modèle de floculation au moyen d’une méthode d’apprentissage automatique (APP) entrainée sur ladite base d’apprentissage, ledit modèle de floculation (MOD FLO) reliant la composition détaillée d’un fluide audit au moins un paramètre de floculation. 3) Procédé selon l’une des revendications précédentes, dans lequel chaque paramètre de floculation est choisi parmi une pression de seuil basse, une pression de seuil haute, une pression de saturation, une quantité maximale d’asphaltène floculé. 4) Procédé selon l’une des revendications précédentes, dans lequel ledit modèle compositionnel (MOD COM) est basé sur une représentation en N constituants, N étant compris entre 6 et 15, de préférence entre 6 et 12, et valant de manière préférée 10. 5) Procédé selon l’une des revendications précédentes, dans lequel on cale (CAL) ledit modèle compositionnel au moyen d’une méthode itérative. 6) Procédé selon l’une des revendications précédentes, dans lequel ledit modèle thermodynamique (MOD THE) est un algorithme de calcul d’équilibre triphasique liquide- liquide-vapeur d’un fluide à une température donnée et à une pression donnée. 7) Procédé selon l’une des revendications précédentes, dans lequel lesdites conditions de floculation (CDF) correspondent à une courbe de floculation qui relie la quantité d’asphaltène floculé à la pression du fluide. 8) Procédé selon l’une des revendications précédentes, dans lequel l’au moins une propriété physique est choisie parmi la masse molaire, la température critique, la pression critique, le facteur acentrique des constituants du fluide. 9) Procédé de détermination ou de prédiction d’une floculation d’asphaltène d’un fluide hydrocarboné au sein d’une formation souterraine ou au sein d’une conduite de transport de fluide ou au sein d’un réacteur de conversion, dans lequel on met en œuvre les étapes suivantes : a) On détermine des conditions de floculation d’asphaltène (CDF) dudit fluide hydrocarboné au moyen du procédé de détermination de conditions de floculation d’asphaltène selon l’une des revendications précédentes ; b) On détermine par mesure ou on prédit par simulation, une pression et une température dudit fluide hydrocarboné (COP) au sein de ladite formation souterraine ou au sein de ladite conduite de transport ou au sein d’un réacteur de conversion ; et c) On détermine ou on prédit (DET) une éventuelle floculation d’asphaltène (FDA) dudit fluide hydrocarboné en fonction desdites conditions de floculation (CDF) déterminées et de la pression déterminée ou prédite (COP) et de la température déterminée ou prédite. 10) Procédé d’exploitation d’un fluide hydrocarboné au sein d’une formation souterraine ou au sein d’une conduite de transport de fluide ou au sein d’un réacteur de conversion, dans lequel on met en œuvre les étapes suivantes : a) On détermine ou on prédit une floculation d’asphaltène (FDA) dudit fluide hydrocarboné au moyen du procédé de détermination ou de prédiction d’une floculation selon la revendication 9 ; et b) On exploite (EXP) ledit fluide hydrocarboné en fonction de l’éventuelle floculation d’asphaltène (FDA) dudit fluide hydrocarboné, notamment en modifiant la température, et/ou la pression et/ou la composition du fluide hydrocarboné en cas de floculation d’asphaltène et/ou par ajout de solvant.
PCT/EP2023/080908 2022-11-21 2023-11-07 Procede de determination de conditions de floculation d'asphaltene d'un fluide hydrocarbone WO2024110181A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2212102A FR3142258A1 (fr) 2022-11-21 2022-11-21 Procédé de détermination de conditions de floculation d’asphaltène d’un fluide hydrocarboné
FRFR2212102 2022-11-21

Publications (1)

Publication Number Publication Date
WO2024110181A1 true WO2024110181A1 (fr) 2024-05-30

Family

ID=86764899

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/080908 WO2024110181A1 (fr) 2022-11-21 2023-11-07 Procede de determination de conditions de floculation d'asphaltene d'un fluide hydrocarbone

Country Status (2)

Country Link
FR (1) FR3142258A1 (fr)
WO (1) WO2024110181A1 (fr)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030167157A1 (en) 2002-03-01 2003-09-04 Pascal Mougin Method for modelling asphaltenes flocculation conditions in hydrocarbon-containing fluids related to a reference fluid

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030167157A1 (en) 2002-03-01 2003-09-04 Pascal Mougin Method for modelling asphaltenes flocculation conditions in hydrocarbon-containing fluids related to a reference fluid
FR2836719A1 (fr) 2002-03-01 2003-09-05 Inst Francais Du Petrole Methode pour modeliser les conditions de floculation d'asphaltenes dans des fluides hydrocarbones apparentes a un fluide de reference

Non-Patent Citations (18)

* Cited by examiner, † Cited by third party
Title
ALIMOHAMMADI S ET AL: "Estimation of asphaltene precipitation in light, medium and heavy oils: experimental study and neural network modeling", NEURAL COMPUTING AND APPLICATIONS, SPRINGER LONDON, LONDON, vol. 28, no. 4, 18 November 2015 (2015-11-18), pages 679 - 694, XP036195312, ISSN: 0941-0643, [retrieved on 20151118], DOI: 10.1007/S00521-015-2097-3 *
CHALANGARAN VAHID ET AL: "Generation of Asphaltene Deposition Envelope Using Artificial Neural Network", JOURNAL OF DISPERSION SCIENCE AND TECHNOLOGY., vol. 35, no. 3, 4 March 2014 (2014-03-04), NEW YORK, NY, US, pages 313 - 321, XP093086560, ISSN: 0193-2691, DOI: 10.1080/01932691.2013.780244 *
DARYASAFAR AMIN ET AL: "Evaluation of different thermodynamic models in predicting asphaltene precipitation: A comparative study", FLUID PHASE EQUILIBRIA, ELSEVIER, AMSTERDAM, NL, vol. 514, 10 March 2020 (2020-03-10), XP086133862, ISSN: 0378-3812, [retrieved on 20200310], DOI: 10.1016/J.FLUID.2020.112557 *
KAMARI ARASH ET AL: "Compositional Model for Estimating Asphaltene Precipitation Conditions in Live Reservoir Oil Systems", JOURNAL OF DISPERSION SCIENCE AND TECHNOLOGY., vol. 36, no. 3, 4 March 2015 (2015-03-04), NEW YORK, NY, US, pages 301 - 309, XP093086583, ISSN: 0193-2691, DOI: 10.1080/01932691.2014.896220 *
MICHELSEN, M.L., FLUID PHASE EQUILIBRIA, vol. 9, 1982, pages 21 - 40
MOHAMMED ISAH ET AL: "Asphaltene precipitation and deposition: A critical review", JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING, ELSEVIER, AMSTERDAM, NL, vol. 197, 30 September 2020 (2020-09-30), XP086426808, ISSN: 0920-4105, [retrieved on 20200930], DOI: 10.1016/J.PETROL.2020.107956 *
MONCAYO-RIASCOS IVAN ET AL: "Integrated Machine Learning Model for Predicting Asphaltene Damage Risk and the Asphaltene Onset Pressure", vol. 36, no. 23, 10 November 2022 (2022-11-10), WASHINGTON, DC, US., pages 14243 - 14252, XP093086569, ISSN: 0887-0624, Retrieved from the Internet <URL:https://pubs.acs.org/doi/pdf/10.1021/acs.energyfuels.2c03319> DOI: 10.1021/acs.energyfuels.2c03319 *
MONTEL, F.GOUEL, P. L.: "A New Lumping Scheme of Analytical Data for Compositional Studies", SPE ANNUAL TECHNICAL CONFÉRENCE AND EXHIBITION. SOCIETY OF PETROLEUM ENGINEERS, 1984
NA'IMI SEYYED REZA ET AL: "Prediction of Crude Oil Asphaltene Precipitation Using Support Vector Regression", JOURNAL OF DISPERSION SCIENCE AND TECHNOLOGY., vol. 35, no. 4, 28 March 2014 (2014-03-28), NEW YORK, NY, US, pages 518 - 523, XP093086584, ISSN: 0193-2691, DOI: 10.1080/01932691.2013.798585 *
NGHIEM, L.X.KHOSE, B.F.FAROUQ ALI, S.M.: "Asphaltene Précipitation: Phase Behaviour Modelling and Compositional Simulation", SPE-59432, ASIA PACIFIC CONFÉRENCE ON INTEGRATED MODELLING FOR ASSET MANAGEMENT, YOKOHAMA, JAPAN, April 2000 (2000-04-01)
PÉNELOUX, A.ABDOUL, W.RAUZY, E.: "Excess functions and équation of state", FLUID PHASE EQUILIBRIA, vol. 47, 1989, pages 115 - 132
PINA A. ET AL: "Characterisation of Asphaltenes and Modelling of Flocculation - State of the Art", vol. 61, no. 3, 1 May 2006 (2006-05-01), Fr, pages 319 - 343, XP093086574, ISSN: 1294-4475, Retrieved from the Internet <URL:https://ogst.ifpenergiesnouvelles.fr/articles/ogst/pdf/2006/03/pina_vol61n3.pdf> DOI: 10.2516/ogst:2006037a *
PINA ET AL., OIL & GAS SCIENCE AND TECHNOLOGY - REV. IFP, vol. 61, no. 3, 2006
RASHID ZEESHAN ET AL: "A comprehensive review on the recent advances on the petroleum asphaltene aggregation", JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING, vol. 176, 17 January 2019 (2019-01-17), pages 249 - 268, XP085621005, ISSN: 0920-4105, DOI: 10.1016/J.PETROL.2019.01.004 *
SANCHEZ, N.L.: "A General Approach for Asphaltene Modeling", SPE-107191-MS, LATIN AMERICAN & CARIBBEAN PETROLEUM ENGINEERING CONFÉRENCE, April 2007 (2007-04-01)
SULLIVAN, M. ET AL.: "A Fast Measurement of Asphaltene Onset Pressure", SPE RÉSERVOIR EVALUATION & ENGINEERING, vol. 23, no. 03, 2020, pages 962 - 978
SZEWCZYK V.BÉHAR E.: "Compositional model for predicting asphaltenes flocculation", FLUID PHASE EQUILIBRIA, vol. 156, 1999, pages 459 - 469
SZEWCZYK, V.BEHAR, E.: "Compositional model for Predicting Asphaltenes flocculation", FLUID PHASE EQUILIBRIA, vol. 185, no. 160, 1999, pages 459 - 469

Also Published As

Publication number Publication date
FR3142258A1 (fr) 2024-05-24

Similar Documents

Publication Publication Date Title
EP2788754B1 (fr) Procédé de caractérisation de la composition chimique d&#39;un pétrole brut pour des procédés de raffinage de pétrole
FR2904654A1 (fr) Methode pour quantifier la formation et la retention d&#39;hydrocarbures dans une roche mere
Mancilla-Polanco et al. Phase behavior of heavy-oil/propane mixtures
Abutaqiya et al. Efficient algorithm for the prediction of pressure–volume–temperature properties of crude oils using the perturbed-chain statistical associating fluid theory equation of state
Stratiev et al. Prediction of petroleum viscosity from molecular weight and density
Yang et al. Predicting reservoir fluid properties from advanced mud gas data
Langeroudy et al. Enhanced intelligent approach for determination of crude oil viscosity at reservoir conditions
WO2024110181A1 (fr) Procede de determination de conditions de floculation d&#39;asphaltene d&#39;un fluide hydrocarbone
CA2931753C (fr) Procede d&#39;exploitation d&#39;un gisement d&#39;hydrocarbures contenant des composes organo-soufres au moyen d&#39;un modele thermo-cinetique et d&#39;une simulation de reservoir compositionnelle
Yang et al. Predict Reservoir Fluid Properties from Advanced Mud Gas Data
CA2421096C (fr) Methode pour modeliser des conditions de floculation d&#39;asphaltenes dans des fluides hydrocarbones apparentes a un fluide de reference
Peiro Ahmady Langeroudy et al. Enhanced intelligent approach for determination of crude oil viscosity at reservoir conditions
Okada et al. First-Order Prediction of the Relative Performance of Infrared (IR) Absorption, Raman, and Combined (IR+ Raman) Spectroscopy for Estimating Composition and Bulk Properties of Fuel Mixtures
Doicin et al. Octane number estimation using neural networks
CA2342089A1 (fr) Methode de prediction precoce du risque de depot de paraffines en cours de production et de transport
Salehi et al. A new experimental and modeling investigation of wax precipitation in pipelines based on asphaltene content
Leekumjorn et al. Asphaltene Modeling with Cubic and More Complex Equations of State
Hajizadeh et al. Modified SRK equation of state for modeling asphaltene precipitation
Fodor Analysis of petroleum fuels by midband infrared spectroscopy
CA2214445C (fr) Methode pour modeliser la cristallisation des paraffines dans des fluides petroliers
Amao et al. Fluid Characterization and EoS Modelling of PVT Experiments
Moncayo-Riascos et al. Association parameters for Cubic-Plus-Association equation of state determined by molecular dynamics and Petroleomics: Prediction of asphaltene precipitation
Mishra et al. The P-µ-T Cubic Equation of Viscosity for Reservoir Oils
EP3667373B1 (fr) Procédé d&#39;exploitation d&#39;un gisement d&#39;hydrocarbures au moyen d&#39;une simulation de bassin et d&#39;un modèle cinétique compositionnel
Alimohammadi et al. A CPP Model to Asphaltene Precipitation; Mapping pp Interactions onto an Equation of State