Machine learning models of multi-phase pumps for optimization of oil and gas subsea production networks and pumps monitoring

The present thesis has been performed with Eni S.P.A. The aim of the research is to optimize a subsea oil production network and is performed by using the Evolutionary Differential Genetic Algorithm. The optimization is implemented by modelling the main components of the network using a dedicated simulation software. One of the main components of the network is the multiphase pump. Due to the lack of reliable models of these pumps, it was decided to investigate the feasibility of using a machine learning model trained on field data. The model was built using two approaches: Artificial Neural Network (ANN) and Random Forest Regression (RFR). In both cases, the model was then, integrated within the modelled network and proved to be valid when compared to the performance of the physical system. The optimization, then, provided the optimum production value for given periods of operation, confirming validity in comparison with field data. For a second and totally different goal, the thesis also develops “dynamic” models for the multiphase pumps based on long-short term memory ANNs (LSTM-ANNs). These dynamic models are aimed at supporting the operators in the monitoring and control tasks during real field operation.

Il presente lavoro di tesi è stato svolto in collaborazione con Eni S.P.A. L'obiettivo della tesi è l'ottimizzazione di una rete di produzione petrolifera sottomarina utilizzando l'Algoritmo Genetico Evolutivo Differenziale. L'ottimizzazione è implementata modellando i principali componenti della rete con un software di simulazione dedicato. Uno dei componenti principali della rete è la pompa multifase. A causa della mancanza di modelli affidabili di queste pompe, si è deciso di studiare la fattibilità dell'utilizzo di un modello di machine learning addestrato sulla base dati di campo. Il modello è stato costruito utilizzando due approcci: Rete neurale artificiale (ANN) e Random Forest Regressor (RFR). In entrambi i casi, il modello è stato integrato nella rete modellata e si è dimostrato valido se confrontato con le prestazioni del sistema fisico reale. L'ottimizzazione, poi, ha fornito il valore di produzione ottimale per determinati periodi di funzionamento, confermando la validità nel confronto con i dati sul campo. Per un secondo obiettivo, totalmente diverso, la tesi sviluppa anche modelli "dinamici" per la multifase basati sulla memoria a lungo-corto termine LSTM-ANNS. Questi modelli dinamici hanno lo scopo di supportare gli operatori nei compiti di monitoraggio e controllo durante il funzionamento reale del campo.