Integrating Machine Learning Techniques in Real-Time Production Optimization

Denne avhandlingen undersøker hvordan å integrere maskinlæringsteknikker i sanntidsoptimering (RTO) i oppstrømssektoren i petroleumsproduksjonsindustrien. Hovedmålet med optimeringsproblemet er å maksimere oljeproduksjonen over en kort tidshorisont ved å justere innstillingene i produksjonssystemet. Mer spesifikt er resultatet fra optimeringen anbefalinger til hvordan chokeåpningene til brønnene i systemet skal justeres. I oppgaven benyttes brønnmålingsdata fra et petroleumsfelt til å modellere relasjonene mellom chokeåpning, brønnhodetrykk og produksjonsrater for hver brønn, i tillegg til trykkfall over rørledninger. Multivariate adaptive regression splines (MARS), en regresjonsbasert maskinlæringsteknikk, benyttes i modelleringen. En ny formulering som muliggjør integrering av MARS-modeller direkte i lineær optimering foreslås. Data-drevet modellering av trykk og chokeåpninger i optimeringen er ikke beskrevet i tidligere litteratur, og er viktige bidrag til å oppnå mer realistiske modeller av produksjonssystemet. Avhandlingen introduserer et stokastisk blandet heltallsproblem (MILP), som tar hensyn til usikkerheten i MARS-modellene. Modellene er bygget på ulike subsett av datagrunnlaget og er integrert som scenarier i optimeringen. Modellene varierer derfor fra ett scenario til et annet. For å ta hensyn til usikkerheten knyttet til risikoen for å bryte gasskapasiteten, er problemet utvidet med objektivet om å minimere conditional value-at-risk (CVaR) for gassproduksjon. Utvidelsen gjør det mulig å styre hvor konservativ løsningen skal være. Slugging er et fenomen som kan oppstå i rørledninger i et produksjonssystem og som kan føre til oscillerende trykk og ujevn strømning. Slugging tas hensyn til i enda en utvidelse av optimeringsproblemet. Maskinlæringsteknikken klassifiseringstrær brukes til å predikere risikoen for slugging for forskjellige operasjonsområ der basert på måledata fra et felt. Klassifiseringstreet integreres direkte i det stokastiske MILP-problemet, hvor risikoen for slugging minimeres samtidig som oljeproduksjonen maksimeres. Modellen gir beslutningsstøtte ved å identifisere den optimale løsningen for ulik grad av risikoaversjon. Hovedutfordringen ved bruk av maskinlæring i lineær stokastisk optimering er avveiningen mellom nøyaktige maskinlæringsmodeller og et tilstrekkelig antall scenarier i optimeringen, der scenariene representerer de stokastiske variablene. Selv om prosessene kan modelleres mer nøyaktig med avanserte modeller, kan usikkerheten bedre fanges opp med flere scenarier. Denne oppgaven undersøker hvordan tilgjengelig prosessorkraft kan fordeles for å kunne ta de beste beslutningene innenfor en rimelig tidsramme. Resultatene viser at skalerbarheten er svært avhengig av kompleksiteten til maskinlæringsmodellene. Optimale maskinlæringsmodeller kan vise seg å være mindre optimale når de integreres i stokastisk optimering, og rammeverket for å finne passende kompleksitetsnivåer med hensyn til bias og varians samt løsningstid bør videreutvikles