Real-time optimization of oil production using modifier adaptation with machine learning

Hensikten med denne studien var å undersøke om optimalisering med "Modifier Adapation"-rammverket er i stand til å takle modelleringsfeil i "Real-time optimization" av usikre prosesser. To ulike algortimer, basert på arbeidet i (Marchetti et al. 2016) og (Ferreira et al. 2018), er presentert i oppgaven. Den første metoden bruker førsteordens korreksjoner til å oppdatere gradientene i optimaliseringsproblemet. For tilstrekkelig utførelse er denne metoden sterkt avhengig av presise estimater av gradientene, noe som kan være både umulig og kreve mye regnekraft. Den andre varianten er en "Modifier Adaptation"-metode som tar i bruk maskinlæring, ved å erstatte førsteordens korreksjoner med "gaussian process" regresjon, til å prediktere modellfeil og gradientene i optimaliseringsproblemet. Begge algoritmene er anvendt på et oljeproduksjonssytem med to oljebrønner. Basert på simuleringene kan man se at den sistnevnte algoritmen utkonkurrerer den første, med tanke på håndtering av målestøy. Selv om maskinlæringsalgoritmen klarer å konvergere til det optimale punktet, klarte den dog ikke å holde seg innenfor mulighetsområde under optimaliseringsprosessen. Derfor trengs det videre undersøkelser for å bestemme om "Modifier Adaptation" med "gaussian process"-regresjon er i stand til å løse modellfeil-problemet i Real-time optimization" av usikre prosesser