Machine learning for surge modeling

Abstract

Den norske petroleumsindustrien er ikke bare en Norges største inntektskilder, men den er også en av verdens størse gass- og oljeleverandører i det globale markedet. Equinor opplever variasjoner i væskerate på topside (et flytende produksjonslagrings- og avlastningsfartøy) når de åpner en choke. Disse variasjonene i væskerate kan forårsake problemer i prosessen, og er bedre håndtert dersom de får et forsvarsel. Det er derfor viktig å optimalisere oppstrømsproduksjonen, slik at uønskede stopp og forsinkelser blir forhindret. På bakgrunn av dette, søker denne oppgaven å bygge to prediktive modeller som kan brukes til dette formålet. En lineær lasso-regresjonsmodell og long short-term memory-modell (LSTM) er foreslått. Konklusjonen er at LSTM-modellen er robust mot støy og kan generaliseres på tvers av datasett. Når modellene sammenlignes, er den linære lasso-regresjonsmodellen utkonkurrert av LSTM. For å videre styrke modellytselsen, anbefales det å vurdere bruken av flere variable når modellene trenes.

The petroleum industry is not only one of Norway's largest source of income, but also one of world's largest suppliers of oil and gas in the global market. Equinor experiences variation in flow rate on topside (a floating production storage and offloading vessel) when a choke in opened. These variations in flow rate may cause problems in the process, and are better handled if an advance notice of increased flow rate is given. It is therefore vital to optimize the upstream production process such that unwanted halts and hiccups are kept to a minimum. In light of this, this thesis seeks to build two predictive models that can be used for that purpose. A linear lasso regression model and a long short-term memory (LSTM) model are proposed. The conclusion is that the LSTM model is robust to noise and generalizes well across data sets. When comparing the models, the linear lasso regression model is outperformed by LSTM. In order to further strengthen the performance, other variables should be considered when training the models.