Data-driven modelling of subsea equipment degradation using simulated and experimental case studies
Master thesis
Permanent lenke
https://hdl.handle.net/11250/2785374Utgivelsesdato
2021Metadata
Vis full innførselSamlinger
Sammendrag
I all industri finnes det visse essensielle komponenter som utsettes for slitasje fra flereulike kilder. I denne oppgaven studeres spesifikt erosjonen fra sand i den sakalte stru- ˚peventilen (”choke valve”) i et subsea oljeproduksjonssystem. Malet med oppgaven er ˚ a˚undersøke muligheten til a erstatte tradisjonelle fenomenologiske modeller for degrader- ˚ing med data-drevne modeller basert pa statistisk læring. Dette gjøres gjennom fire ulike ˚casestudier, tre simulerte case studier som tar for seg henholdsvis konstant, eksponentiellog logistisk sand produksjon fra en oljebrønn og hvordan dette degraderer strupeventilen.Til slutt har vi brukt et eksperimentelt oppsett ved instituttet som emulerer et subsea oljeproduksjonssystem. Her har vi studert erosjonen av 3D-printede prøver utsatt for en strømav vann (uten sand). Fra alle fire casestudiene ble det konstruert datasett og med dissedatasettene ble maskinlæringsmodeller trent. Her er det bade studert b ˚ ade tradisjonelle ˚statistiske modeller som stegvis lineær regresjon, regresjonstrær, ensembler av trær ogstøttevektormaskiner samt mer moderne nevrale nettverk. I de første tre casestudiene bleerosjonsraten estimert ved hjelp av prosessvariabler som samles under simuleringen. Dettegav svært gode resultater pa den simulerte dataen. ˚Det a direkte m ˚ ale erosjonen i det eksperimentelle oppsettet var en stor utfordring, ˚først ble det forsøkt med kamera og telling av piksler som fortsatt var tilstede, men det gavsvært ustabil data. Til slutt bestemte vi oss for a representere erosjonen av prøven med ˚endringen av trykkforskjellen over erosjonskammeret. Ettersom prøven blokkerer flyt, viltrykkforskjellen jevnes mer og mer ut ettersom prøven forsvinner. Disse degraderingsprofilene ble ogsa relativt suksessfullt modellert ved bruk av maskinlæringsmodeller. Gjen- ˚nom oppgaven diskuteres fordeler og ulemper med de ulike metodene bade kvantitativt og ˚kvalitativt i de ulike casestudiene. In all industry, there are certain essential components that are subject to degradation fromvarious sources. In this thesis, specifically the erosion of a choke valve from sand production in a subsea oil production network is studied. The goal of this thesis is to explore thepossibility of replacing traditional phenomenological models and expensive inspectionswith more accurate data-driven degradation models based on statistical learning. Thisis done through four case studies, three simulated case studies dealing with respectivelyconstant, exponential and logistic sand production from the oil well. Finally, this is complemented by an experimental case study where a rig emulating a subsea oil well networkin the department of chemical engineering is used. Here we have studied the erosion of3D-printed probes exposed to flows of water (without sand). From all four case studies, data sets were constructed, which were then used to train machine learning models.Both traditional machine learning models like stepwise linear regression, regression trees,ensembles of trees and support vector regression as well as more modern methods suchas neural networks were tested. In the first three case studies the erosion rate was estimated using process variables recorded during the simulations, this yielded very strongpredictions, particularly (in case studies 2 & 3) when accurate sand production data wasavailable.To directly measure the erosion of the probe in the experimental setup was a significantchallenge, initially we tried to use a camera and count pixels present in the images, butthis led to noisy data of low quality. Finally, we decided to use the change in differentialpressure across the erosion chamber to represent the degradation of the probe. The probewas positioned in a way where it blocks the flow through the erosion chamber, and as such,as its area is reduced the pressure across the erosion chamber equalises. These degradationprofiles were quite successfully modelled using machine learning models. Throughoutthis thesis, the methods applied are discussed in terms of benefits and drawbacks, bothquantitatively and qualitatively.