Integration of a data-driven classifier trained by adaptive sampling with a neural network for the online prediction of the cool-down time in a subsea pipeline after an unplanned shutdown

In the Oil and Gas industry, the growing interest in deep water fields’ production is associated with the significant challenge of the safe and reliable operation of such complex and exorbitant subsea assets, which are operated under extreme conditions and uncertainties. Hydrates formation in subsea equipment and pipelines is one of the main reliability concerns for flow assurance teams and engineers. An efficient design of the subsea assets guarantees the avoidance of hydrate formation in regular steady-state operating conditions. But, during unplanned shut-downs, the fluids settle and cool down due to the heat transfer with the sea water, which increases the hydrate formations chances. In these cases, some interventions must to be performed before a specific threshold of time, in order to prevent the hydrate formation and keep the asset safe. This time threshold is called the cool-down time (CDT), which is the period between the shut-down event and the achievement of the pressure and temperature conditions favourable for hydrate formation in the pipeline. In this context, a fast and reliable assessment of CDT is of significant importance. This task is performed relying on complex physical models (based on multi-phase flow, fluid dynamics, heat and mass transfer, etc.) that simulate the asset and flow conditions. Such models usually demand long computational time, which could be very risky in online production environments. This thesis presents a novel reliability-directed methodology for the development of surrogate models that are able to predict, in a fact and accurate way, the CDT in subsea pipelines after unplanned shutdowns. The methodology is based on two main stages: 1) building a couple of surrogate models, based on Artificial Neural Networks (ANN), each responsible of predicting the CDT at high risk (low CDT) or low risk (high CDT) operating conditions, and a data-driven classifier that assign the risk level (high or low) to the operating condition of the asset. 2) driven by the fact that the training data include very rare information about high risk operating conditions and the corresponding CDT, a hydrate sequential sampling procedure is adapted to collect training data from the high-risk operating condition subdomain and consequently to improve the performance of the classifier and the surrogate models. The effectiveness of the proposed methodology is validated by its application to two mathematical examples from the engineering reliability literature and to a case study involving a physics-based black box model developed by the OLGA software of a pipeline of an offshore Western African Asset.

Nell’industria dell’Oil e Gas, il crescente interesse nella produzione da riserve off-shore che si trovano in acque profonde porta a importanti sfide connesse alla sicurezza e all’affidabilità dei complessi assets sottomarini che operano in condizioni estreme. La formazione di idrati nei componenti sottomarini e nelle pipeline è una delle maggiori preoccupazioni per le squadre di ingegneri che si occupano di Flow Assurance. Un design efficace degli assets sottomarini evita la formazione di idrati in condizioni stazionarie. Durante shut-downs non programmati, invece, i fluidi si depositano e iniziano a raffreddarsi a causa dello scambio termico con l’acqua del mare, aumentando il rischio di formazione di idrati. In questi casi alcuni interventi devono essere eseguiti prima di una soglia temporale per prevenire la formazione di idrati e per mantenere l’asset in sicurezza. Questa soglia temporale è chiamata cool-down time (CDT) che è il periodo tra l’evento di shut-down e il raggiungimento delle condizioni fisiche di pressione e temperatura favorevoli alla formazione di idrati nell'asset. In questo contesto, una valutazione rapida e affidabile del CDT è di grande importanza. Quests stima è effettuata basandosi su complessi modelli fisici (basati su flussi multifase, fluidodinamica, scambio termico e di massa, ecc.) che simulano le condizioni dell’asset e del flusso. Solitamente, tali modelli richiedono tempi di calcolo lunghi che sono molto rischiosi nelle applicazioni online. Questa tesi presenta una nuova metodologia orientata all’affidabilità per lo sviluppo di modelli surrogati che sono capaci di predire in modo veloce e accurato il CDT nelle pipeline sottomarine dopo shut-downs non programmati. La metodologia è basata su due principali fasi: 1) la costruzione di una coppia di modelli surrogati, basata su Reti Neurali Artificiali, ognuna responsabile della previsione dei CDT delle operazioni di alto rischio (bassi CDT) o basso rischio (alto CDT), e un classificatore orientato ai dati che assegna il livello di rischio alle condizioni operative dell’asset. 2) considerando il fatto che il dati per l'allenamento dei modelli surrogati includono rarissime informazioni riguardo alle condizioni operative di alto rischio e ai corrispondenti CDT, una procedura ibrida di campionamento è adottata per originare dati dal sotto-dominio delle operazioni di alto rischio e, conseguentemente, per migliorare la performance del classificatore e dei modelli surrogati. L’efficacia della metodologia proposta è validata dalla sua applicazione a due esempi matematici presi da letteratura e a un case study riguardante un modello fisico di una pipeline di un asset offshore dell’Africa Occidentale sviluppato con il software OLGA.