Application of Bayesian neural networks for petroleum optimization
Master thesis
Permanent lenke
http://hdl.handle.net/11250/2625658Utgivelsesdato
2019Metadata
Vis full innførselSamlinger
Beskrivelse
Full text not available
Sammendrag
Denne masteroppgaven undersøker bruken av Bayesianske nevrale nett for prediktiv modellering i oppstrøms olje- og gassproduksjon. Hypotesen er at Bayesianske nevrale nett kan brukes til å lage prediktive modeller som har kredibilitetsintervall til prediksjonene. Å generere kredibilitetsintervall er det samme som å inkludere usikkerhet i modelleringen. Hypotesen er undersøkt ved å utvikle prediktive modeller for brønnhodetrykket (PWH) og oljeraten (QOIL) i en petroleumsproduksjonsprosess. Oppgaven tar for seg ulike møter å inkludere usikkerhet (støy) i Bayesianske nevrale nett.
De Bayesianske nevrale nettene blir utviklet ved å bruke TensorFlow Probability rammeverket. Et ekte petroleumsproduksjondatasett, gitt av Solution Seeker As, blir brukt til å trene modellene.
Resultatene indikerer at det er mulig å bruke Bayesianske nevrale nett til å utvikle gode petroleumsprediktive modeller som gir kredibilitetsintervall. Størrelsen på kredibilitetsintervallene varierer med operasjonsområdet. Dette gjør at usikkerheten virker realistisk. Men, det er vanskelig å forstå opphavet til den totale størrelsen på kredibilitetsintervallene og effekten av ulike støymodeller. Forholdet mellom høy usikkerhet og korrekte prediksjoner er uklart. This master thesis examines the use of Bayesian neural networks (BNNs) for predictive modeling in upstream oil and gas production. The research hypothesis is that BNNs can be used to develop petroleum predictive models that provide credibility intervals for the predictions. Providing credibility intervals is equivalent to including uncertainty in the modeling. The hypothesis is assessed by developing predictive models for the pressure-at-wellhead (PWH) and the oil rate (QOIL) in a petroleum production process. The research considers different ways of including uncertainty (noise) in the BNNs.
The BNNs are developed using the TensorFlow Probability framework. To train the predictive models, a real-world petroleum production dataset provided by Solution Seeker AS is used.
The results indicate that it is possible to use BNNs to develop good petroleum predictive models that provide credibility intervals. The magnitude of the credibility intervals varies with the operational domain, making the credibility seem realistic. However, it is challenging to understand the origin of the overall magnitude of the credibility intervals and the effects of different noise models. Moreover, the relationship between high levels of uncertainty and performance is unclear.