Genetic algorithm application to reconfigure an oil and gas treatment plant in the occurrence of faults

In the last decade Digital Oil Field (DOF) technologies have been transforming the O&M and assets’ optimization. Data scientists and software experts are increasing the accuracy and precision of these tools. An aspect has not yet been analyzed: the employment of these tools in the occurrence of faults in an Oil& Gas treatment plant. Nowadays it is up to the experience of the field operator to manage the breakdown. The consequence may be an under-usage, of the remaining capacity of the plant, or at the latest point, a damaging usage. The aim of this work is to provide a tool that it could be used in order to reply in a fault. The system is composed by an external optimization algorithm, based on the genetic algorithm presents in the Matlab repository, combined with an Hysys model of the treatment plant. The model and the Matlab script are realized in order to do not require any subsequent changes: it is sufficient to insert the reference of the broken unit as to automatically start the research of the optimal solution. Therefore, the Hysys model works as a "hidden engine", and the algorithm determines the optimal conditions by changing the problem variables. The Hysys model, created from scratch, includes 13 wells and two production lines. The base set of system variables are 30: 26 that adjust the wells flow rate and that direct in one of the two production lines. The last 4 regulate the pressure of separators. Some variables may be added based on the link of the particular reconfiguration of the plant. Key Performance Indicators (KPIs) are introduced to take into account the stability of the searched solution. These parameters are useful to gather information from model’s data into few simple values. KPIs detect if the single unit is working in acceptable operative conditions or not. All the KPIs of the solution must be included in the constraints in order to have a physical meaning for the solution itself. In this way the system can be used in the Single-Objective Optimization (SO) to optimize the equivalent oil production of the plant by considering KPIs just as boolean variables (that means equal to 1 if acceptable, equal to 0 if out of constraints). A more advanced alternative is to use the system in the Multi-Objective Optimization (MO) to take into account the stability of the solution at the same time. With the introduction of concepts such as Pareto Efficiency and Pareto Front the output of the optimization algorithm is a set of solutions. For instance, it is possible to sort the solutions in an ascending order in respect of production, and evaluate which one is the most stable among the more productive. The system can be expanded to include more objective functions such as: increase reserves, reduce energy intensity, reduce environmental impact, enhance economic aspects and maintain the stability of the equipment operative conditions. In this way DOF technologies can improve the efficiency, the cost saving and benefit the entire area of Health, Security and Environment (HSE).

Durante l’ultimo decennio le tecnologie legate al Digital Oil Field (DOF) hanno trasformato il settore dell’O&M e dell’ottimizzazione degli impianti. I data scientists insieme agli esperti dei software di simulazione lavorano costantemente per migliorare precisione ed efficacia dei loro strumenti. Un aspetto però non è stato ancora approfondito: l’uso di questi strumenti in presenza di guasti in impianti di trattamento di petrolio e gas. A oggi si tende a lasciare all’esperienza dell’operatore sul campo il compito di gestire le conseguenze di un guasto. La conseguenza può essere uno sfruttamento ridotto, o addirittura dannoso, delle capacità residue dell’impianto. Lo scopo di questo lavoro è fornire uno strumento da impiegare nella risposta ad un guasto. Il sistema è costituito da un algoritmo di ottimizzazione esterno, basato sull’algoritmo genetico presente nella libreria di Matlab, combinato con un modello Hysys dell’impianto. Il modello e lo script Matlab sono realizzati in modo da non richiedere modifiche successive: deve essere sufficiente inserire il riferimento all’unità guasta per avviare automaticamente la ricerca della soluzione di ottimo. Dunque, il modello Hysys lavora come un "motore nascosto", e l’algoritmo determina le condizioni di ottimo modificando le variabili del problema. Il modello Hysys, realizzato da zero, conta 13 pozzi e due linee di produzione. Le variabili base del sistema sono quindi 30: 26 per modulare la portata dai pozzi e direzionarla in una delle due linee di produzione e 4 per regolare le pressioni dei separatori. Alcune variabili possono essere aggiunte in relazione alla particolare riconfigurazione dell’impianto. I Key Performance Indicators (KPIs) sono introdotti con lo scopo di tenere conto della stabilità della soluzione trovata. Questi parametri sono utili ad aggregare molte informazioni provenienti dai dati del modello in pochi e semplici valori. I KPIs rilevano se la singola unità si trova in condizioni operative accettabili. Per avere un senso fisico, la soluzione deve presentare tutti i KPIs all’interno dei vincoli. Il sistema così realizzato può essere usato in Single-Objective Optimization (SO) per ottimizzare la portata equivalente di petrolio dell’impianto, considerando i KPIs solo come variabili booleane, uguali a 1, se accettabili, e uguali a 0, se fuori dai vincoli. Un’alternativa più evoluta riguarda l’uso del sistema in Multi-Objective Optimization (MO) per considerare nello stesso tempo la stabilità della soluzione. Con l’introduzione dei concetti di efficienza e fronte di Pareto il risultato dell’algoritmo di ottimizzazione è un insieme di soluzioni. É possibile, per esempio, disporre le soluzioni in ordine di maggiore produzione, e valutare tra le più produttive quali siano le più stabili. Il sistema può essere ampliato aggiungendo diverse funzioni obbiettivo, come incrementare le riserve, ridurre l’intensità energetica, ridurre l’impatto ambientale, aumentare gli introiti economici e migliorare la stabilità dei componenti presenti. In questo modo le tecnologie legate al DOF possono migliorare l’efficienza, ridurre i costi e portare beneficio a tutto il settore del Health, Security and Environment (HSE).