Computational intelligence : a hybrid technique for process modeling and production optimization of an oil field

In recent years, in the oil&gas sector, O&M and assets’ optimization have become a priority. There are many modeling tools and software able to predict and optimize the outcome of a production plant with great accuracy. Nonetheless, there is still an open issue, often neglected, that is the proper matching (or tuning) of system models. Ideally, every detail and characteristic of the plant is perfectly known but in real industrial operations, this is not always true. In fact, there are many plant’s parameters that are not measured, often because the measurement would be too complex. Setting wrong parameters leads fatally to wrong predictions by the model. This work aims to propose and develop a computational hybrid system able to automatically tune the plant’s model. The focus will be on a typical gathering network of a petroleum production plant. In this application, the typical examples of unknown parameters are the produced fluid characteristics, roughness, thermal and geometrical characteristics of the pipes. The novel contribution of this work is the development and exploitation of a numerical model, based on artificial neural networks, able to emulate the field behavior as a surrogate model. The selection of the most important parameters for the matching was made with a sensitivity analysis and by relying on the operators’ experience. Among the parameters considered in the numerical model, some of them are unknown parameters that will be adjusted in the matching, while others are operating parameters, that, day by day, the field manager can set. A large dataset containing thousands of different field conditions coupled with the response of the field was built exploiting the physical model. Using the dataset, several artificial neural networks, that replicate the field response, were trained. The matching process consists in determining the unknown parameters so that the model predicts the same outcomes measurable into the field. The matching is an optimization problem whose objective function represents the distance between the actual outcomes and the predicted ones. A differential evolution algorithm was mainly used for testing purposes but some attempts with other algorithms found in literature are presented. The results were good and the process proves to be very fast. Once the model is tuned, it can be used to maximize the production of the field, changing the operating parameters. The main advantage using a neural network model instead of a classic physical model is the computational time necessary, which decreases from many hours to less than one minute.

Negli ultimi anni, la gestione, la manutenzione e l’ottimizzazione degli impianti sono diventate una priorità nel settore petrolifero. Esistono molti software capaci di simulare gli impianti e ottimizzarne la produzione, ciononostante esiste un problema, spesso trascurato, che è il matching dei modelli. Idealmente ogni caratteristica dell’impianto è perfettamente conosciuta, ma questo non è vero nelle applicazioni industriali, infatti ci sono molti parametri che non sono misurati, spesso perché non sono misurabili, ma possono solo essere stimati. Costruire il modello con dei parametri sbagliati porta inevitabilmente a previsioni sbagliate. Lo scopo di questo lavoro è costruire un algoritmo ibrido in grado di regolare automaticamente il modello. In particolare, ci concentreremo sul sistema di raccolta dei fluidi di un impianto petrolifero e sul suo modello. I parametri tipicamente incerti in questo contesto sono le caratteristiche dei fluidi prodotti, la rugosità e le caratteristiche geometriche e termiche delle linee. L’idea innovativa in questo lavoro è lo sviluppo di un modello numerico, basato su reti neurali artificiali, capace di replicare il comportamento dell’impianto. La selezione dei parametri più importanti è stata fatta sulla base dell’analisi di sensitività e sull’esperienza degli operatori. Tra i parametri scelti per costruire il modello numerico, alcuni sono parametri incerti, che saranno manipolati durante il matching, mentre altri sono parametri operativi che vengono impostati dal gestore dell’impianto giorno per giorno. Un grande dataset con migliaia di condizioni operative differenti e con le rispettive risposte dell’impianto è stato creato, sfruttando un modello fisico dell’impianto. Il dataset è stato poi utilizzato per addestrare delle reti neurali. Il matching del modello consiste nel determinare i parametri incerti affinché il modello preveda lo stesso comportamento misurato in campo. Il problema è un’ottimizzazione la cui funzione obiettivo rappresenta la distanza tra la produzione prevista dal modello e quella misurata in campo. L’algoritmo di ottimizzazione più utilizzato in questo lavoro è il differenziale evolutivo. Ottimi risultati sono raggiunti in termini di matching e il processo è risultato molto veloce. Una volta che il modello è correttamente configurato può essere usato per massimizzare la produzione dell’impianto variando i parametri operativi. Il grande vantaggio riscontrato nell’utilizzo di una rete neurale per modellare l’impianto, sostituendo un modello fisico, è il tempo computazionale richiesto, che scende da diverse ore a meno di un minuto.