Development of Model Predictive Control for Setpoint Regulation in Offshore Drilling
Abstract
Dagens olje- og gasselskaper opplever for tiden en svært usikker og volatil markedssituasjon. Med store svingninger i oljeprisen er det avgjørende å holde driftskostnadene på moderate nivåer for å opprettholde lønnsomheten. Kostnader knyttet til boring utgjør en betydelig andel av de samlede utgiftene og det er dermed essentielt å forbedre boreprosessen for å redusere kostnadene. Siden de fleste brønner i dag bores manuelt av en borer, påvirkes effektiviteten av menneskelige faktorer som borerens erfaring, strategi og forhold til risiko. Et forskningsprosjekt kalt Performinator, som ledes av AkerBP, har som mål å kontrollere boreprosessen autonomt ved hjelp av heleletriske roboter, og dermed fjerne de menneskelige faktorene med intensjon om å øke boreprosessens pålitlighet, effektivitet og sikkerhet.
Denne oppgaven presenterer én mulig løsning på kontrollproblemet, som potensielt kan brukes som grunnlag for videre utvikling. Resultater fra simuleringer utført i Matlab presenteres, hvor en suksessiv lineariseringsbasert modell prediktiv kontroll (SLMPC) brukes til å autonomt kontrollere gjennomtrengningshastigheten (ROP) til ønsket verdi ved å justere vekten på borekronen (WOB) og tårnboremaskinens rotasjonshastighet (RPM) mens drifts- og sikkerhetsbeskrankninger pålagt av en gitt operasjonsmodus opprettholdes. Dette gjøres ved at en ulineær Bourgoyne og Young ROP-modell lineariseres for hvert tidssteg slik at et konvekst QP-problem kan formuleres og løses av en MPC. I tillegg er det blitt utviklet en verifikasjonsstrategi for å simulere en brønnrespons som følge av de beregnede kontrollinngangene fra SLMPCen. Resultatene viser at dersom SLMPC-modellen jevnlig oppdateres av målinger fra den simulerte brønnen, både gjennom parameterestimering basert på tillitsregions-metoden og via et utvidet Kalman-filter, kan gjennomtrengningshastigheten til den simulerte brønnen styres til ønsket verdi innenfor beskrankningenes rekkevidde. Today's oil and gas companies are experiencing a highly uncertain and volatile market situation. With large fluctuations in the oil price, it is crucial to keep the operational costs at moderate levels to maintain profitability. Costs related to drilling make up a significant part of the overall expenditures; thus, improving drilling efficiency is essential to minimize costs. However, since most wells today are drilled manually by a driller, the efficiency is subjected to human factors, such as the drillers' experience, strategy, and relation to risks. A research project called Performinator, led by AkerBP, aims to autonomously control the drilling process using fully electric robots, thus removing the human factors and increasing the drilling operation's consistency, efficiency, and safety.
This thesis presents one possible solution to the control problem, which can potentially be used as a basis for further development. Results from simulations conducted in Matlab is presented, where a successive linearization-based model predictive control (SLMPC) approach is used to autonomously control the rate of penetration (ROP) to the desired value by adjusting the weight on bit (WOB) and top drive rotary speed (RPM) while subjected to operational and safety constraints imposed by the operation mode. This is done by linearizing a nonlinear Bourgoyne and Young ROP-model successively at each time step to formulate a convex QP problem that an MPC solves. In addition, a verification strategy was developed to simulate a real well response resulting from the calculated control inputs from the SLMPC. The results show that when updating the SLMPC model regularly with measurements from this simulated well, both through a trust-region parameter estimation technique and an extended Kalman filter, the simulated well ROP can efficiently be controlled to the desired value within the limits of the imposed constraints.