Recurrent Neural Networks and Nonlinear Model-based Predictive Control of an Oil Well with ESP

Abstract

Modellering og simulering er et avgjørende verktøy for å forstå komplekse ulineære systemer. Nøyaktige modeller er ofte nyttige i reguleringssammenhenger, men kan være vanskelige å anskaffe. Innenfor oljeindustrien har parametre en tendens til å forandre seg over tid og noen komponenter blir sett på som ukjente parametre. Dette skaper utfordringer både med tanke på modellering og å prediktere fremtidig oppførsel. Det å kunne prediktere fremtidig oppførsel til en prosess kan brukes til å optimalisere reguleringen. Å ty til datadrevne modeller kan være et alternativ når nøyaktige modeller er vanskelige å anskaffe. Tidligere studier har vist at echo state nettverk er godt egnet til å gjenkjenne komplekse dynamiske systemer ved hjelp av store mengder data. Slike modeller er ofte fortrukne siden de kan ta hensyn til at en prosess endrer seg over tid. Målet for dette prosjektet er å lage en datadreven modell av en elektrisk nedsenkbar pumpe ved hjelp av et echo state nettverk. Modellen skal videre bli brukt til å prediktere fremtidig oppførsel i en ulineær modell-prediktiv regulator for å optimalisere reguleringen til pumpen. Fordelen med en modell-prediktiv regulator er at den kan predikter fremtidig oppførsel i tillegg til tilfredsstille et sett med begrensninger på systemet. Dette prosjektet har vist at en modell-prediktiv regulator som bruker et echo state nettverk som preiksjonsmodell kan levere tilfredsstillende regulering av en elektrisk nedsenkbar pumpe. Prosjektet har også vist at echo state nettverk er godt egnet til å lage datadrevne modeller av pumpesystemet.

Process modeling and simulation is a crucial tool to gain a better understanding of nonlinear systems. Accurate models can be used for control purposes, but are often hard to obtain. In the field of petroleum engineering, parameters tend to change over time and some components are unknown. This makes it hard to both model and make prediction algorithms in order to yield optimal control. A possibility can be to resort to data-driven models when accurate models are missing. Earlier studies have shown that Echo State Networks (ESNs) are suitable for model recognition of complex dynamical systems with a black-box modeling approach. Such models are preferable since they have a built-in error term and are able to adapt if a plant is changing its behavior as time goes on. This project aims to create a data-driven model of an Electric Submersible Pump (ESP) based on an ESN approach. Further, a Nonlinear Model Predictive Controller (NMPC) is implemented to yield optimal control on the ESP using the obtained data-driven model as a prediction model. Using an NMPC gives the ability to control future behavior while satisfying a set of constraints. Results from this study showed that an NMPC with an ESN as a prediction model can deliver a satisfactory operation on the ESP. It also showed that ESNs are well suited for model identification of an ESP.