Integrating Machine Learning Techniques in Real-Time Production Optimization

Abstract

Denne avhandlingen undersøker hvordan å integrere maskinlæringsteknikker i sanntidsoptimering (RTO) i oppstrømssektoren i petroleumsproduksjonsindustrien. Hovedmålet med optimeringsproblemet er å maksimere oljeproduksjonen over en kort tidshorisont ved å justere innstillingene i produksjonssystemet. Mer spesifikt er resultatet fra optimeringen anbefalinger til hvordan chokeåpningene til brønnene i systemet skal justeres.

I oppgaven benyttes brønnmålingsdata fra et petroleumsfelt til å modellere relasjonene mellom chokeåpning, brønnhodetrykk og produksjonsrater for hver brønn, i tillegg til trykkfall over rørledninger. Multivariate adaptive regression splines (MARS), en regresjonsbasert maskinlæringsteknikk, benyttes i modelleringen. En ny formulering som muliggjør integrering av MARS-modeller direkte i lineær optimering foreslås. Data-drevet modellering av trykk og chokeåpninger i optimeringen er ikke beskrevet i tidligere litteratur, og er viktige bidrag til å oppnå mer realistiske modeller av produksjonssystemet.

Avhandlingen introduserer et stokastisk blandet heltallsproblem (MILP), som tar hensyn til usikkerheten i MARS-modellene. Modellene er bygget på ulike subsett av datagrunnlaget og er integrert som scenarier i optimeringen. Modellene varierer derfor fra ett scenario til et annet. For å ta hensyn til usikkerheten knyttet til risikoen for å bryte gasskapasiteten, er problemet utvidet med objektivet om å minimere conditional value-at-risk (CVaR) for gassproduksjon. Utvidelsen gjør det mulig å styre hvor konservativ løsningen skal være.

Slugging er et fenomen som kan oppstå i rørledninger i et produksjonssystem og som kan føre til oscillerende trykk og ujevn strømning. Slugging tas hensyn til i enda en utvidelse av optimeringsproblemet. Maskinlæringsteknikken klassifiseringstrær brukes til å predikere risikoen for slugging for forskjellige operasjonsområ der basert på måledata fra et felt. Klassifiseringstreet integreres direkte i det stokastiske MILP-problemet, hvor risikoen for slugging minimeres samtidig som oljeproduksjonen maksimeres. Modellen gir beslutningsstøtte ved å identifisere den optimale løsningen for ulik grad av risikoaversjon.

Hovedutfordringen ved bruk av maskinlæring i lineær stokastisk optimering er avveiningen mellom nøyaktige maskinlæringsmodeller og et tilstrekkelig antall scenarier i optimeringen, der scenariene representerer de stokastiske variablene. Selv om prosessene kan modelleres mer nøyaktig med avanserte modeller, kan usikkerheten bedre fanges opp med flere scenarier. Denne oppgaven undersøker hvordan tilgjengelig prosessorkraft kan fordeles for å kunne ta de beste beslutningene innenfor en rimelig tidsramme. Resultatene viser at skalerbarheten er svært avhengig av kompleksiteten til maskinlæringsmodellene. Optimale maskinlæringsmodeller kan vise seg å være mindre optimale når de integreres i stokastisk optimering, og rammeverket for å finne passende kompleksitetsnivåer med hensyn til bias og varians samt løsningstid bør videreutvikles.

The topic of this thesis is the integration of machine learning techniques in real-time optimization (RTO) in the upstream sector of the petroleum production industry. The main target of the real-time optimization problem is to maximize oil production over a short time horizon by performing small adjustments to the operation settings. The output from the optimization are suggestions for how the choke openings of the wells in the system should be adjusted from a given operation point.

Historical measurement data from a field is applied to model relationships between choke opening, wellhead pressure and well flow rates for each well, in addition to pressure drops in pipelines. Multivariate adaptive regression splines (MARS), a regression-based machine learning technique, is applied for this purpose. A novel method of integrating MARS models directly in optimization is proposed. Including both pressure and choke opening in the optimization, and applying data-driven modelling to find these relationships, has not been seen in previous literature. These are important contributions towards attaining more realistic models of the production system.

A stochastic mixed integer linear programming (MILP) problem, taking the uncertainty in the MARS models into account, is introduced. The models are integrated as scenarios in the optimization by building them on varying subsets of the data source. The models therefore differ from one scenario to another. An extension to this problem includes the additional objective of minimizing the conditional value-at-risk (CVaR) with regards to gas production. The problem provides a method of studying uncertainty related to the risk of breaching the gas capacity constraint, and enables a varying level of conservativeness of the solution.

The problem of cyclic pressure and flow instability in risers, known as slugging, is included in another extension of the problem. Using the classification tree (CT) technique, a model that predicts the risk of slugging for different operation areas is built based on measurement data. The CT is integrated in the stochastic MILP problem with the additional objective of minimizing the cost of slugging, providing decision support by identifying the optimal solution for a given level of risk aversion.

The main challenge when applying machine learning in linear stochastic optimization is found to be the trade-off between accurate machine learning models and including a sufficient number of scenarios in the optimization representing the stochastic variables. While the processes are more correctly modelled with advanced models, the uncertainty can be better captured with more scenarios. This thesis explores how to allocate the processing power available in order to make the best possible decisions within a reasonable time frame. Results show that the scalability as the number of scenarios in the problem increases is highly dependent on the complexity of the machine learning models. Optimal machine learning models might not be optimal when integrated in stochastic optimization, and methods for finding suitable complexity levels with respect to both the bias-variance trade-off and solution time should be further developed.