Machine learning techniques for the oil and gas sector : comparison between commercial and ad-hoc solutions for a proprietary SO2 removal system modelling

The digitalization process in the oil and gas industry is now taking place, allowing to achieve a better description of the processes and a more accurate control of the emissions. Within this context, the aim of the thesis is to develop a model of the so-called Cansolv system, based on machine learning techniques. The Cansolv is a Shell sulphur dioxide removal technology, which is employed in the flue gas treatment of an Eni oil and gas plant, located in southern Italy. The amine circulating in this unit, that allows to reduce the SO2 concentration in the flue gases and to be compliant with the limits imposed by the law, is a proprietary solvent and, therefore, its composition is unknown. This causes the impossibility to adopt a direct physical simulation and makes it suitable the employment of Machine Learning (ML) techniques for the plant unit's description. The model has been developed through two different methodologies: the AI Driven Hybrid Model, which is an Aspentech proprietary software, and a custom model developed in MatLab. The first is based on a LASSO regression while the second has been implemented by means of Artificial Neural Networks (ANNs). What emerged, is that the Aspentech model is easily interpretable, but is not able to represent the complex non linear relationships that describe the real behaviour of a chemical plant. On the other hand, with Artificial Neural Networks a good accuracy in the results is achieved, namely a value of the coefficient of determination R2 higher than 0.95 for two out of the three targets considered and greater than 0.8 for the third dependent variable. Therefore, this thesis proves that ML techniques can be employed for the description of the Cansolv system and that the ANN method outperforms the results achieved with the Aspentech commercial software.

L'industria dell'oil and gas sta attraversando un processo di digitalizzazione, che permette alle aziende di ottenere una migliore descrizione dei processi ed un controllo più accurato delle emissioni. In tale contesto si inserisce questo lavoro, ovvero lo sviluppo di un modello basato su tecniche di Machine Learning (ML), per la descrizione di un sistema Cansolv. Il Cansolv è una tecnologia di Shell per la rimozione dei biossido di zolfo, utilizzata nel post-trattamento dei fumi di un impianto Eni di trattamento di petrolio e gas situato in Sud Italia. L'ammina che circola in questa unità e che permette di ridurre il contenuto di SO2 nei fumi secondo i limiti imposti dalla legge, è un solvente proprietario di Shell. Non è perciò agile modellare in maniera accurata il comportamento di questo sistema mediante una simulazione fisica e si rende necessario l'utilizzo di tecniche di Machine Learning. Per lo sviluppo del modello del Cansolv sono state adottate due metodologie: l'AI Driven Hybrid Model, software proprietario di Aspentech, ed un modello ad hoc sviluppato in MatLab. Il primo si basa su una tecnica di regressione lineare chiamata LASSO mentre il secondo è stato implementato mediante lo sviluppo di reti neurali. Dallo studio è emerso che il modello di Aspentech è facilmente interpretabile ma non riesce a rappresentare le leggi fortemente non lineari che permettono di descrivere l'evoluzione di un impianto chimico. D'altro canto, con le reti neurali si ottengono ottimi risultati, ovvero un valore del coefficiente di determinazione R2 maggiore di 0.95 per due dei tre target considerati e superiore a 0.8 per il terzo. Questa tesi perciò dimostra che è possibile ottenere un'ottima descrizione del sistema Cansolv mediante tecniche di ML e che l'accuratezza ottenuta con le reti neurali è notevolmente superiore a quella raggiunta con il software commerciale di Aspentech.