Real-time optimization of oil production using modifier adaptation with machine learning

Abstract

Hensikten med denne studien var å undersøke om optimalisering med "Modifier Adapation"-rammverket er i stand til å takle modelleringsfeil i "Real-time optimization" av usikre prosesser. To ulike algortimer, basert på arbeidet i (Marchetti et al. 2016) og (Ferreira et al. 2018), er presentert i oppgaven. Den første metoden bruker førsteordens korreksjoner til å oppdatere gradientene i optimaliseringsproblemet. For tilstrekkelig utførelse er denne metoden sterkt avhengig av presise estimater av gradientene, noe som kan være både umulig og kreve mye regnekraft. Den andre varianten er en "Modifier Adaptation"-metode som tar i bruk maskinlæring, ved å erstatte førsteordens korreksjoner med "gaussian process" regresjon, til å prediktere modellfeil og gradientene i optimaliseringsproblemet. Begge algoritmene er anvendt på et oljeproduksjonssytem med to oljebrønner. Basert på simuleringene kan man se at den sistnevnte algoritmen utkonkurrerer den første, med tanke på håndtering av målestøy. Selv om maskinlæringsalgoritmen klarer å konvergere til det optimale punktet, klarte den dog ikke å holde seg innenfor mulighetsområde under optimaliseringsprosessen. Derfor trengs det videre undersøkelser for å bestemme om "Modifier Adaptation" med "gaussian process"-regresjon er i stand til å løse modellfeil-problemet i Real-time optimization" av usikre prosesser.

The purpose of this study was to investigate modifier adaptation schemes to handle plant-model mismatch in real-time optimization of uncertain processes. Building upon the works of (Marchetti et al. 2016) and (Ferreira et al. 2018), two modifier adaptation algorithms are presented. The first one is a Modifier Adaptation scheme that uses first-order corrections to update the gradients in the optimization problem. However, first-order corrections rely on accurate estimations of plant-gradients, which can be both impossible and costly. A second variant is a machine learning based Modifier Adaptation scheme, which replaces the first order corrections with Gaussian process regression to represent the plant-model mismatch and estimation of plant gradients. Both algorithms are demonstrated in a two-well oil production system. The simulations show that the latter algorithm outperforms the former in terms of noise mitigation. However, the latter algorithm did not satisfy feasible-side convergence. Therefore, further investigation is needed to determine if the Aodifier Adaptation scheme with Gaussian process regression is able to handle plant-model mismatch in real-time optimization of uncertain processes.