A Recurrent Neural Network-Based Model Predictive Controller

Abstract

Effektiv og nøyaktig prosessregulering ved utvinning av gass og olje er avgjørende for riggmannskapets sikkerhet, for å minimere klima- og miljøkonsekvenser av utvinningen og for å maksimere profitt av drift. Tradisjonelle metoder for regulering inkluderer modellbasert prediktiv regulering, hvor mange applikasjoner benytter lineære modeller. Nevrale nettverk har omfattende modelleringskapasitet, og ved i stedet å utnytte dette, kan den påfølgende reguleringen forbedres i de tilfeller der prosessen er intrinsisk ulinear. Denne avhandlingen utleder en matematisk formulering for en slik modellbasert prediktiv regulator. Et datasett syntetiseres, og danner grunnlaget for å trene et nevralt nettverk for prediksjon av dynamikk. Det nevrale nettet blir deretter inkorporert i et selvutiklet rammeverk for modellbasert prediktiv regulering. Den ferdige applikasjonen fungerer så som et konseptbevis for nevrale nettverks anvendelighet som modellgrunnlag i en modellbasert prediktiv regulator for regulering av gass- og oljeflytrate i en undersjøisk olje- og gassbrønn, ettersom noen grad av referansefølging oppnåes. Imidlertid avdekker reguleringsoppførselen betydelige utfordringer knyttet til implementasjonsprosessen. Et ubalansert datasett identifiseres som en viktig kilde til prediktiv unøyaktighet i den trente modellen, hvilket fører til forringet regulering. Det påvises at teacher forcing (norsk: lærer-tvinging) er utilstrekkelig som metode for å trene modellen. Videre foreslåes det løsninger og forbedringer for fremtidige liknende arbeider.

Effective and accurate process control for gas and oil extraction is essential for the safety of the rig crew, for minimizing environmental consequences from extraction as well as for maximizing profits of operation. Traditional control methods include model predictive control, and many applications use linear models. By instead utilizing neural networks' vast modelling capabilities, an increase in control performance may be gained if the process is inherently nonlinear. This thesis derives a mathematical formulation for one such model predictive controller. A data set is then synthesized, on which a neural network-based system dynamics model is trained. The neural network is then embedded into a self-developed model predictive controller framework. The resulting application proves, as a proof-of-concept, the viability of using a neural network as a model basis for a model predictive controller for the sake of flow control in a subsea gas and oil well, as some degree of target tracking is achieved. However, its resulting control performance unveils significant challenges related to its implementational steps. An unbalanced data set is identified as a severe source of predictive error in the resulting model, leading to degraded control performance, and teacher forcing is identified as an insufficient way of training the model. Suggested solutions and improvements for future similar work are provided.