Tette reservoarer er krevende – men nøkkelen til økt utvinning. Slik kan AI og digital transformasjon gi gjennombrudd i frakturering og stimulering på norsk sokkel.
Tette reservoarer, digital transformasjon og kampen om de siste fatene
Norsk sokkel går inn i en ny fase. De store, enkle feltene er allerede utbygd, og andelen modne felt øker. Samtidig peker myndighetene på betydelige påviste ressurser som fortsatt mangler godkjente utvinningsplaner – mye av dette ligger i tette reservoarer med lav permeabilitet.
Det er nettopp denne utfordringen Sokkeldirektoratet retter søkelyset mot gjennom sitt seminar og workshop om frakturering og stimulering av tette reservoarer 01.10.2024. Men der den offisielle invitasjonen hovedsakelig beskriver selve arrangementet, handler denne artikkelen om hva som står på spill, og hvordan AI og digital transformasjon kan bli det virkelige gjennombruddet for tette reservoarer på norsk sokkel.
I denne artikkelen ser vi på:
- hvorfor tette reservoarer er så krevende – og så viktige
- hvordan frakturering og reservoarstimulering kan forbedres med data og AI
- konkrete bruksområder for kunstig intelligens i planlegging, boring og produksjon
- hva operatører og leverandører bør gjøre nå for å utnytte mulighetene
Artikkelen er en del av serien «AI i Norsk Olje og Gass: Digital Transformasjon», og er særlig relevant for geologer, reservoaringeniører, produksjonsfolk, leverandører og beslutningstakere som vil kombinere teknologi, geofag og forretningsverdi.
Hva er tette reservoarer – og hvorfor er de så viktige nå?
Tette reservoarer kjennetegnes av lav permeabilitet – det vil si at væske og gass har vanskelig for å strømme gjennom bergarten. Ressursene kan være betydelige, men uten tiltak for å åpne opp reservoaret og skape flytveier, blir utvinningen lite lønnsom.
«Myndighetene forventer at alle lønnsomme ressurser utvinnes», understreker direktør for Sokkeldirektoratet, Torgeir Stordal.
I dagens situasjon betyr det i praksis:
- mer fokus på komplekse reservoarer framfor enkle «elefanter»
- høyere krav til teknologi, dataforståelse og tverrfaglighet
- større behov for å redusere kostnad og risiko gjennom digitalisering og AI
For mange lisenser er det nettopp tette soner og lave strømningsrater som gjør at prosjekter ikke når frem til godkjent plan for utbygging og drift (PUD). Å lykkes med slike reservoarer kan forlenge levetiden til eksisterende felt, gi bedre utnyttelse av infrastruktur og styrke ressursregnskapet – samtidig som fotavtrykket per produsert fat kan reduseres.
Frakturering og stimulering – fra håndverk til datadrevet vitenskap
Tradisjonelt har frakturering og reservoarstimulering vært en kombinasjon av erfaring, forsøksboring og trinnvis læring. Det fungerer, men er kostbart og tidskrevende – og langt fra optimalt.
Klassiske utfordringer i tette reservoarer
Operatører møter gjentakende problemstillinger:
- usikkerhet rundt hvor frakturene faktisk går
- vanskelig å forutsi sammenheng mellom frakturdesign og produksjonsrespons
- høy kostnad per brønn, som gjør feilmarginene dyre
- komplekse samspill mellom geologi, trykk, spenning og væsketyper
Resultatet er ofte konservative design, overdimensjonerte sikkerhetsmarginer – og tildels uforløst potensial.
AI som «limet» mellom geologi og ingeniørkunst
Med dagens datatilgang fra norsk sokkel – seismikk, brønndata, produksjonslogger, fiberoptikk, trykkdata – ligger alt til rette for en mer datadrevet tilnærming. her kommer kunstig intelligens og avansert analyse inn som en naturlig del av verktøykassen.
AI kan for eksempel bidra til å:
- identifisere mønstre i geologiske og petrofysiske data som korrelerer med god respons på stimulering
- bygge prediktive modeller som estimerer produksjonseffekt av ulike frakturdesign
- optimalisere plassering av perforeringer og fraktursteg i sanntid under operasjon
- redusere antall «trial and error»-jobber gjennom simulering før feltoperasjon
Dermed går vi fra frakturering som et spesialisert håndverk, til en mer standardisert, modellbasert og skalerbar proses – med bedre læring på tvers av felt og lisenser.
Seks nøkkelområder der AI kan transformere arbeidet med tette reservoarer
1. Datadrevet screening av prospekter og brønner
Før man beslutter omfattende fraktureringsprogrammer, må man vite hvor det faktisk er verdt å satse.
AI-baserte modeller kan:
- kombinere seismikk, kjernebeskrivelser, brønnlogger og produksjonsdata
- klassifisere soner som har høy, middels eller lav forventet respons på stimulering
- indikere hvor økonomisk robust en fraktureringskampanje er, gitt ulike pris- og kostscenarier
Dette gir bedre beslutningsgrunnlag for om et funn skal modnes videre eller ikke – og støtter myndighetenes forventning om at lønnsomme ressurser faktisk utvinnes.
2. Optimalisering av frakturdesign med maskinlæring
Under selve designfasen kan maskinlæring bruke historiske data fra tidligere kampanjer på norsk sokkel (og internasjonalt) til å foreslå optimale parametere:
- væskemengde og -type
- pumpetrykk og -rate
- proppantype og -konsentrasjon
- antall og plassering av fraktursteg per brønn
I stedet for å starte med et «blankt ark» og noen håndplukkede analoger, kan ingeniørene starte med et datadrevet forslag, og så bruke faglig skjønn til å justere. Dette sparer tid og reduserer risikoen for systematiske feil.
3. Sanntidsbeslutninger under fraktureringsjobben
Under operasjon kan AI-baserte systemer overvåke strømning, trykk og respons i sanntid, og:
- varsle tidlig om avvik fra forventet frakturvekst
- anbefale justeringer i pumpeprogram og væskevolum
- lære av hvert steg, og tilpasse neste – en form for lukket reguleringssløyfe
Når data fra mange jobber aggregeres over tid, kan dette bli en form for «kollektiv erfaring» som overgår enkelterfaringen til et team – særlig verdifullt når kompetanse er under press og bemanningen stram.
4. Prediktivt vedlikehold og integrert drift
Frakturering og stimulering påvirker ikke bare reservoaret, men også brønnintegritet, overflateutstyr og produksjonsanlegg. Ved å koble AI-modeller for prediktivt vedlikehold inn i samme verdikjede kan man:
- forutsi slitasje på pumper, ventiler og rør etter krevende jobber
- planlegge inspeksjon og vedlikehold mer treffsikkert
- unngå kostbare, uplanlagte nedstengninger
Dette passer inn i en bredere digital transformasjon av drift, der data fra reservoar, brønn og topside behandles som ett sammenhengende system.
5. Produksjonsprognoser og økonomisk optimering
Den egentlige testen på en fraktureringsjobb kommer måneder og år etterpå, når man ser produksjonskurven.
AI-modeller kan lære sammenhengen mellom:
- geologi og reservoaregenskaper
- frakturdesign og operasjonsdata
- faktisk produksjonsrespons over tid
Dette gir mer presise produksjonsprognoser, som igjen forbedrer:
- investeringsbeslutninger
- ressursklassifisering og rapportering
- vurdering av nye kampanjer i samme område
6. Bærekraft og klima: mer ut av mindre
Fra et klima- og bærekraftperspektiv handler tette reservoarer og økt utvinning også om å:
- produsere mer fra eksisterende infrastruktur i stedet for nye store utbygginger
- redusere utslipp per fat gjennom bedre energiutnyttelse og færre «tørre» tiltak
AI kan støtte dette ved å modellere energiforbruk, utslipp og økonomi samlet, slik at tiltak i tette reservoarer vurderes både teknisk, økonomisk og miljømessig. Det passer godt inn i Norges ambisjon om å være en leder innen ansvarlig ressursforvaltning.
Hvordan forberede organisasjonen på AI-drevet arbeid med tette reservoarer?
Seminarer og workshops som det Sokkeldirektoratet arrangerer, er viktige møteplasser for å dele erfaring. Men for å lykkes i praksis må operatører, myndigheter og leverandører også gjøre en jobb internt.
1. Rydd i data – før du bygger modeller
AI er aldri bedre enn dataene den mates med. Første steg er derfor å:
- sikre strukturert lagring av reservoar-, brønn- og produksjonsdata
- rydde opp i metadata, kvalitetsflagg og enhetskonsistens
- etablere rutiner for at nye operasjoner dokumenteres systematisk
For mange selskaper er dette det mest krevende – men også mest verdifulle – grepet i digital transformasjon.
2. Bygg tverrfaglige team
AI-prosjekter feiler ofte når de bare eies av IT eller kun av fagmiljøet. For tette reservoarer bør man sette sammen team med:
- reservoaringeniører og geologer
- bore- og brønnspesialister
- data scientists og data engineers
- driftspersonell fra felt
Målet er å kombinere domeneinnsikt med modellkompetanse – og sikre at løsningene faktisk kan brukes i operasjon.
3. Start smått, men tenk skalering
I stedet for å forsøke å «AI-digitalisere» alle reservoarer samtidig, kan selskapene:
- velge ett felt eller én lisens med godt datagrunnlag
- utvikle en konkret AI-løsning (for eksempel frakturdesign-optimering)
- måle effekt på kostnad, produksjon og tidsbruk
- rulle ut til flere felt når verdien er dokumentert
På den måten blir AI i olje- og gassvirksomhet ikke et forskningsprosjekt på siden, men et operasjonelt verktøy som gradvis bygges inn i kjerneprosessen.
Hvorfor slike seminarer er strategiske – ikke bare faglige
Workshopen om frakturering og stimulering av tette reservoarer samler:
- Energidepartementet
- Sokkeldirektoratet
- rettighetshavere
- leverandører og teknologiselskaper
Når alle disse aktørene møtes, handler det ikke bare om å utveksle tekniske erfaringer. Det handler om å
- definere felles forventninger til hva som er «god praksis» på norsk sokkel
- forankre at AI og dataanalyse skal være en integrert del av arbeidet med krevende ressurser
- identifisere hvor regulatoriske rammer, standarder og samarbeidsmodeller bør justeres
For selskaper som ønsker å ligge i front innen AI i norsk olje og gass, er det derfor avgjørende å delta i slike arenaer, eller i det minste følge med på læringen som kommer ut av dem.
Veien videre: Fra enkeltarrangement til varig digital transformasjon
Tette reservoarer er ikke en nisjeutfordring – de er en del av fremtiden på norsk sokkel. Samtidig står industrien midt i en bølge av digital transformasjon, der AI spiller en stadig større rolle i alt fra prediktivt vedlikehold til reservoaranalyse og produksjonsoptimalisering.
Koblingen mellom disse to trendene er klar:
- skal vi hente ut lønnsomme ressurser fra tette reservoarer,
- med lavere risiko, bedre økonomi og lavere utslipp per fat,
- må beslutninger og design være datadrevet, modellstøttet og kontinuerlig lærende.
AI er ikke en erstatning for geologer og reservoaringeniører – men et forsterkende verktøy som gjør det mulig å ta bedre beslutninger raskere, og utnytte erfaringsdata på tvers av hele norsk sokkel.
For operatører, leverandører og myndigheter som vil lykkes i dette landskapet, er neste steg tydelig:
- sett AI og dataanalyse eksplisitt på agendaen for arbeidet med tette reservoarer
- identifiser ett konkret pilotområde der dere kan teste en datadrevet tilnærming
- sørg for at læringen deles internt – og på felles arenaer i industrien
De selskapene som kombinerer faglig dybde innen reservoar med sterk digital kompetanse, vil være de som både leverer på myndighetenes forventning om økt utvinning – og på samfunnets krav om effektiv, ansvarlig energiproduksjon.
I serien «AI i Norsk Olje og Gass: Digital Transformasjon» vil vi fortsette å utforske hvordan kunstig intelligens kan gi konkrete gevinster i letefase, utbygging, drift og nedstengning. Spørsmålet er ikke lenger om AI blir en del av verktøykassen på norsk sokkel – men hvor raskt du og din organisasjon tar den i bruk der den virkelig monner.