dc.contributor.advisor | Johnsen, Sverre Gullikstad | |
dc.contributor.author | Oftedal, Sara | |
dc.contributor.author | Rørvik, Eilif Søreide | |
dc.date.accessioned | 2019-08-25T14:00:42Z | |
dc.date.available | 2019-08-25T14:00:42Z | |
dc.date.issued | 2019 | |
dc.identifier.uri | http://hdl.handle.net/11250/2610724 | |
dc.description.abstract | Repsol er i ferd med å utvikle Nidaros feltet og vil lære av erfaringer gjort ved Kalvskinnet
feltet. Erfaringene fra Kalvskinnet er at feltet hadde store produksjonstap knyttet til
uplanlagte hendelser, og da spesielt problemer knyttet til gassløft kompressorene.
Repsol vurderer ulike AI teknologier for å redusere tapene. Selskapet er spesielt interesserte i
den velkjente Maskinlærings modellen, men vurderer også en lovende men relativt uprøvd
funksjons modellerings system kalt MFM. I oppgaven vurderes to AI teknologier opp mot
hverandre og konkluderer med at MFM er en mer passende modell. Dette fordi denne
teknologien vil per idag gi økt sikkerhet og gevinst i forhold til Maskinlæringsmodeller. Store
konsekvenser for mennesker og miljø ved feil, vil medføre at modeller basert på
maskinlæring som forbedres ved prøving og feiling, ikke kan anbefales her.
Analysen er basert på historiske logger fra Kalvskinnet feltet, viser at tapene er betydelige. En
estimerer uplanlagt produksjonstap til om lag 100 million NOK/år i de første 10
produksjonsårene på Nidaros. Av dette står uplanlagte problemer med gassløft kompressorene
for ca. 37 millioner NOK i året. I oppgaven har MFM modellen blitt testet ut teoretisk på en
bestemt uplanlagt feil («unplanned upset») som skapte store produksjonstap og risiko på
Kalvskinnet. Resultatene er svært gode. MFM kan i slike tilfeller indentifisere årsaken til
feilen umiddelbart, noe som gjør at en tidsperiode med økt risiko for personell offshore
forkortes vesentlig. Denne tidsbesparelsen vil også kutte produksjons tapene med over 50%,
og i mange tilfeller avverge risikable situasjoner og feil fullstendig. Analysen viser dermed at
gevinsten ved bruk av MFM for å redusere kun gasskompressorfeil på Nidaros, tilsvarer
omlag 18,5 millioner NOK i året.
Denne anslåtte gevinsten inkluderer ikke effekten av å kunne identifisere feil tidlig slik at
ikke problemet eskalerer og gir ytterligere kostnader. Det er heller ikke tatt med muligheten
for å redusere menneskelige ressurser for kontroll og styring, som igjen vil kunne få positive
HMS effekter (færre folk på plattformene, færre helikopter turer etc.). Ved bruk av effektive
AI teknologi, vil en kunne forstå og kontrollere utviklingen i reservoaret bedre. Produksjonen
vil da kunne økes. Den samlede gevinsten av å ta i bruk AI teknologier for å identifisere og
justere for feil samt for å effektivisere kontrollen av reservarutviklingen, vil derfor kunne
være svært høy og økende med størrelsen på produksjonen i feltet.
MFM bør testes i flere sammenhenger før en endelig konklusjon angående installering på
Nidaros tas, men basert på resultatene fra utvalgt «upset» er dette en modell som bør kunne gi
vesentlige gevinster. Kostnadene med å installere MFM er i utgangspunktet minimale. Hvis
ikke tilbyderne av slik teknologi krever for store summer, bør Repsol sterkt vurdere å
implementere dette som del av Nidaros utbyggingen. I tillegg til økt avkastning på feltet, vil
programmene kunne gi økt sikkerhet for ansatte og redusere risikoen for negative
miljøkonsekvenser av produksjonen. | |
dc.description.abstract | Repsol is in the process of developing the Nidaros field and wishes to learn from the
experience gained from the Kalvskinnet field. The experience from Kalvskinnet is that the
field had large production losses related to unplanned events (unplanned upset), and
especially problems related to the gas lift compressors.
Repsol assesses various AI technologies to reduce losses. The company is particularly
interested in the well-known Machine Learning model, but also considers a promising but
relatively untested modelling system called MFM (Multilevel Flow Modelling). In the task,
two AI technologies are considered against each other and conclude that MFM is a more
appropriate model. This is because MFM, as of today, will increased safety and value added,
compared to Machine Learning Models. The large consequence considering environmental
issues and loss of human life, means that models based on machine learning, which learns
from trying and failing, cannot be recommended here.
The analysis is based on historical production logs from the Kalvskinnet field, show that the
production losses are significant. When multiplied with Nidaros’s planned production,
unplanned production losses are estimated to about 100 million NOK/year during the first 10
years. Of this, unplanned problems with the gas lift compressors amounts to about 37 million
NOK/year. In this thesis, the MFM model was tested theoretically on a specific “unplanned
upset” which created large production losses and risk to safety at Kalvskinnet. The results are
very good. It is estimated that MFM can reduce production losses by more than 50% and
identify the cause for the upset immediately. The analysis therefore calculates the gain from
using MFM to reduce gas lift compressor errors at Nidaros, amounts to about 18.5 million
NOK/year.
The estimated profit does not include the effect of being able to identify errors early, so that
the problem does not escalate and incurs additional costs. Neither has the possibility of
reducing human resources for control and management been included, which in turn could
have positive HSE effects (fewer people on the platforms, fewer helicopter trips etc). By
using effective AI technology, the operator can understand and control the development of the
reservoir better. Production will then increase. The overall benefit of using AI technology to
identify and adjust for errors and to streamline the control of the reservoir development could
therefore be very high and increasing with the size of production in the field.
The MFM model should, be tested in several contexts before reaching a conclusion regarding
installation on Nidaros. But, based on the result from the chosen upset, this is a model that
should be able to yield significant gains. The cost of installing the MFM is minimal. If the
providers of such technology do not require large sums, Repsol should strongly consider
implementing this as part of the Nidaros development. In addition to increased returns on the
field, the programs should be able to provide increased security for employees and reduce the
risk of negative environmental consequences of production. | |
dc.language | eng | |
dc.publisher | NTNU | |
dc.title | Digitalisering av energi sektoren | |
dc.type | Bachelor thesis | |