AI-based multi-objective optimization for LNG sustainable and efficient production: an offshore application case study

In recent years, optimizing oil&gas assets has become a priority, as process efficiency is becoming crucial for energy transition. In the field of liquefied natural gas (LNG) production, onshore plants have been largely studied, while offshore processes have received less attention. Among the latter, the studies in the state of art primarily focus on Single Mixed Refrigerant and Nitrogen Expansion liquefaction processes optimization, typically employing Genetic Algorithms (GA). This work aims to thoroughly investigate by artificial intelligence techniques the optimization of an offshore liquefaction process based on a Dual Mixed Refrigerant process for gas liquefaction. Initially, a single-objective optimization is carried out to maximize LNG production, followed by a multi-objective optimization that also considers energy consumption minimization. During the work, different algorithms have been tested on the same case study, with the goal of identifying the most effective one for this specific problem. The first step involves modeling the liquefaction unit in a process simulation software. This model is validated comparing its outputs with field measurements, to subsequently use it as a black-box function in the optimization. The initial optimization runs are conducted using e-Rabbit®, an in-house optimization tool developed by Eni S.p.A, which is based on Differential Evolution (DE). The results highlight some limitations of the algorithm, particularly regarding the time required for convergence in both single-objective and multi-objective optimizations. To address these issues, specific additional solutions are proposed and tested, proving their effectiveness in mitigating such problems. Additionally, a surrogate model is built to replace the physical simulation and enhance the speed of convergence. After these improvements have been introduced, optimizations are repeated using two additional algorithms, namely Genetic Algorithm and Social Network Optimization (SNO) algorithm, to compare their performances. The results clearly demonstrate that DE is the fastest and most accurate one, outperforming also the widely used GA. The obtained optimal solutions provide a deeper understanding of the relationships between decision variables and objectives, highlighting key trade-offs between production and energy consumption. This analysis also allows strategic adjustments, enabling operators to fine-tune the process based on operational priorities, such as maximizing LNG output or minimizing power consumption and emissions. Finally, multi-objective analysis also highlights a promising working point, overcoming all the other solutions when compared through some production and sustainability KPIs.

Negli ultimi anni, l'ottimizzazione degli impianti nel settore oil&gas è diventata una priorità, in quanto l'efficienza dei processi è cruciale per la transizione energetica. Nel campo della produzione di gas naturale liquefatto (LNG), sono stati ampiamente studiati gli impianti onshore, mentre i processi offshore hanno ricevuto meno attenzione. Tra questi ultimi, gli studi allo stato dell'arte si sono principalmente concentrati sull'ottimizzazione dei processi di liquefazione Single Mixed Refrigerant e Nitrogen Expansion, sfruttando principalmente Algoritmi Genetici (GA). Questo lavoro si propone di studiare, mediante tecniche di intelligenza artificiale, l'ottimizzazione di un impianto di liquefazione di gas offshore, basato su un processo Dual Mixed Refrigerant. Inizialmente, è stata effettuata un'ottimizzazione singolo-obiettivo per massimizzare la produzione di LNG, seguita da un'ottimizzazione multi-obiettivo che considera anche la minimizzazione del consumo energetico. Nel corso del lavoro, sono stati testati diversi algoritmi sullo stesso caso studio, con l'obiettivo di individuare quello più efficace per questo specifico problema. Il primo passo è consistito nel modellare l'unità di liquefazione mediante un software di simulazione di processo. Il modello è stato poi validato confrontando i suoi risultati con le misurazioni di campo, per poi utilizzarlo come funzione black-box nell'ottimizzazione. L'ottimizzazione iniziale è stata condotta utilizzando e-Rabbit®, uno strumento di ottimizzazione sviluppato internamente da Eni S.p.A., basato sul differenziale evolutivo (DE). I risultati evidenziano alcune limitazioni dell'algoritmo, relative in particolare al tempo necessario a raggiungere la convergenza sia nelle ottimizzazioni singolo-obiettivo che in quelle multi-obiettivo. Sono state pertanto proposte e testate specifiche soluzioni, che hanno dimostrato la loro efficacia nel mitigare tali problemi. Inoltre, è stato costruito un modello surrogato per sostituire il simulatore fisico di processo ed incrementare la velocità di convergenza. Una volta introdotti questi miglioramenti, le ottimizzazioni sono state ripetute utilizzando altri due algoritmi, l'Algoritmo Genetico e il Social Network Optimization (SNO), per un confronto delle loro prestazioni. I risultati dimostrano come il DE sia l'algoritmo più veloce ed accurato, superando persino l'ampiamente utilizzato GA. Le soluzioni ottimali ottenute permettono una comprensione più approfondita delle relazioni tra variabili decisionali ed obiettivi, evidenziando i compromessi chiave tra produzione e consumo energetico. L'analisi permette inoltre agli operatori di effettuare aggiustamenti strategici per affinare il processo in base a specifiche priorità, quali la massimizzazione della produzione di LNG o la minimizzazione del consumo di energia e delle emissioni. Infine, l'analisi multi-obiettivo ha anche evidenziato una condizione operativa promettente, che, in termini di KPI di produzione e sostenibilità, supera le altre soluzioni trovate.