Vis enkel innførsel

dc.contributor.advisorUtne, Ingrid Bouwer
dc.contributor.advisorLeira, Bernt Johan
dc.contributor.authorMjønes, Rebekka Støle
dc.date.accessioned2019-11-01T15:01:47Z
dc.date.available2019-11-01T15:01:47Z
dc.date.issued2019
dc.identifier.urihttp://hdl.handle.net/11250/2626189
dc.description.abstractOlje og Gass selskaper har investert store summer i infrastruktur til å samle, lagre og henteut data, noe som har ført til at enorme mengder med data blir generert og lagret hver dag.Denne dataen, i kombinasjon med utviklingen innen datateknologi, digitale plattformer,avanserte analyse metoder etc., har et stort potensial. Et eksempel er bruk av data-drevnemetoder til å øke teknisk forst ̊aelse som igjen kan assistere i beslutningstakingsprosesser, og med det øke sikkerheten og effektiviteten i olje og gass sektoren. Denne oppgaven setter søkelys på prediksjon av riggbevegelse ved hjelp av maskinlœring. Den undersøker hvilke maskinlœringsmetoder som er best egent for å predikere hiv, stamp og rull bevegelser til en flytende borerigg. Data fra Odfjell Drilling sin borerigg Deepsea Atlantic og bølgedata fra Copernicus har blitt brukt i analysene. På grunn av at dataene fra Deepsea Atlantic kun er tilgjengelige fra en begrenset tidsperiode, var det kun data som beskriver bølger som hadde høy nok oppløsning i Copernicusdatabasen til at de kunne brukes som input til modellene. Maskinlœringsmetodene, som fra litteratur og teorien ble sett på som mest lovende var; Neural Networks, Support vector Regression og Random Forest Regression, disse ble derfor undersøkt nœrmere. I tillegg til dette ble en lineœr regresjonsmodell laget for å få et grunnestimat av prediksjons mulighetene. Etter at hyperparameterene til de tre modellene hadde blitt tunet, oppnådde alle bedre resultater enn grunnestimatet til lineœr regresjonsmodellen. Lineœr regresjon gav en determinasjonskoeffisient (R2) på 68.1, 38.1 og 46.9 for henholdsvis hiv, stamp og rull bevegelsene. Den mest lovende modellen for hiv prediksjon, SVR, oppnådde en R2 verdi på 88.9for hiv bevegelse. Random Forest oppnådde høyest prediksjons nøyaktighet for stamp og rull med en R2 på henholdsvis 79.6 og 71.7. Men, random forest metoden har en storulempe sammenlignet med de andre to metodene når det kommer til å predikere verdier utenfor området til treningsdataen. På grunn av dette og noen andre aspekter, er SVR den mest lovende metoden for å prediktere rulle response. For prediksjon av stampe bevegelse er SVR metoden ansett som vel så lovende som random forest metoden. Prediksjon av hiv bevegelse oppnådde høyere nøyaktighet enn prediksjon av de to andre bevegelsene for alle modellene. Dette kan tyde på at bølgedataen som input er best egnet til å predikere hiv bevegelse for en flytende borerigg sammenlignet med stamp og rull. Neural Network modeller trenger omfattende hyperparameter tuning, da det eksistere utallige konfigurasjoner og det ikke finnes noen klare retningslinjer for hvilke verdier som passer et spesifikt problem. Med dette i bakhodet så finnes det muligens bedre konfig-urasjoner for neural networks enn det som er oppnådd i denne studien.
dc.description.abstractOil and gas companies have invested heavily in infrastructure to collect, store and retrieve data, leading to an enormous amount of data being generated and stored every day. This data, in combination with the resent years development within computer technology, digital platforms, advance analytics etc., has a great potential. One example is employing data-driven methods to increase technical insight that can aid decision making, and thus contribute to increase drilling and production safety and efficiency. This thesis focuses on prediction of floating drilling rig motion by use of machine learning. It investigates which machine learning method that may be the most suitable for predicting heave, roll and pitch motion of a floating drilling rig, using data from Odfjell Drilling’s drilling rig Deepsea Atlantic and wave data from Copernicus. Due to a limited time period of available data, only wave data had a high enough resolution in the Copernicus database to be used as input to the models. The machine learning methods, that from the literature and theory were considered most promising; Neural Network, Support Vector Regression and Random Forest Regression, were investigated and used to build models. In addition a Linear Regression model was created to serve as a benchmark model. By tuning the hyperparameters of the three models, all performed better than the benchmark model. The Linear regression models obtained a Coefficient of Determination (R2) of 68.1, 38.1 and 46.9 for heave, pitch and roll respectively. The most promising model for heave prediction, the SVR, obtained a R2 of 88.9 for the heave prediction. Random Forest obtained the highest accuracy for pitch and roll, with a R2 of 79.6 and 71.7 respectively. However, the random forest method has a major drawback compared to the other models as it can only predict values within the range of the training data. Due to this and some other aspects the SVR method is the most suitable method for roll prediction and might be as good as Random Forest for Pitch prediction. The heave prediction obtained a higher accuracy than the prediction of the two other responses for all of the models. Something that indicates that the wave data input might be more suitable in predicting heave response of a drilling rig compared to the two other responses. For the neural network models extensive hyperparameter tuning had to be carried out, since there exist countless of possible configuration and there is no clear guidelines to which values are better at a specific problem. With this in mind there might be better configurations out there than what was found in this thesis.
dc.languageeng
dc.publisherNTNU
dc.titlePredicting rig motions on a MODU using operational data and machine learning
dc.typeMaster thesis


Tilhørende fil(er)

FilerStørrelseFormatVis

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel