Exploring the potential for improved performance of flow metering using hybrid modeling
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3019943Utgivelsesdato
2022Metadata
Vis full innførselSamlinger
Sammendrag
Denne masteroppgaven utforsker anvendelsen av hybrid flytmodellering i olje- og gass-flytmåling. Ettersom beregningskraft og teknologisk forståelse har økt de siste årene, er virtuelle flytmålere (VFM) et voksende felt innen flytmåling, og populariteten øker ettersom teknologien forbedres. Det er flere fordeler med virtuell flytmåling fremfor fysiske flytmålere, for eksempel billigere vedlikeholdskostnader og enklere installering. Utrullingen er imidlertid betinget av pålitelig teknologi, og industrien ønsker mer forskning på temaet. Målet med denne oppgaven var å undersøke om hybridmodellering har potensial til å yte bedre enn en tradisjonell datadrevet modell når man modellerer flyten gjennom fem forskjellige strupeventiler som produserer olje og gass. To tilnærminger til hybridmodellering ble utviklet og testet. Den første tilnærmingen var å forhånds-trene et nevralt nettverk med kunstig generert data hentet fra to forskjellige distribusjoner, en enhetlig distribusjon og en brønnspesifikk distribusjon designet for å passe til de utleverte ekte dataene fra de fem brønnene. Den andre tilnærmingen til hybridmodellering var å implementere en fysikk-informert tapsfunksjon (PILF) i et nevralt nettverk, og straffe avvik fra en mekanistisk flytmodell i treningsfasen til hybridmodellen. Resultatene viser at det er potensial for forbedret ytelse i enkelte situasjoner. Fire av fem brønner viste forbedret ytelse ved bruk av en hybridmodell sammenlignet med en enkel datadrevet modell, og den beste modellen hadde en forbedret ytelse på 35 \%. En av brønnene viste ingen forbedring ved bruk av hybridmodellering. Resultatene viser potensial for forbedret ytelse ved bruk av hybrid flytmodellering, men mer forskning bør gjennomføres, blant annet for å oppdage mulige generaliserbare egenskaper på tvers av flere strupeventiler. This master's thesis researches the application of hybrid flow modeling in oil and gas flow metering. As computational power and technological understanding have increased over the years, virtual flow meters (VFMs) are a growing field within flow metering. VFMs are increasing in popularity as technology improves. There are several advantages to virtual flow metering over physical flow meters, such as cheaper maintenance costs and easier deployment. However, the deployment is conditioned on reliable technology, and the industry wants more research on the virtual flow metering topic before full deployment in the industry. The goal of this thesis was to research if hybrid flow modeling has the potential to perform better than a standard data-driven flow model when modeling the flow through five different choke valves producing oil and gas. Two approaches to hybrid flow modeling were developed and tested. The first approach was to pretrain a neural network with generated fake data drawn from two different distributions, one uniform distribution, and one well-specific uniform design to fit the provided real data from the five wells. The other hybrid flow modeling approach was to deploy a physics-informed loss function (PILF) within a neural network. The PILF penalized the neural network for deviations from a mechanistic flow model in the training phase of the hybrid flow model. The results show that there is potential for improved performance by using a hybrid model in some situations. Four out of five wells showed improved performance when using a hybrid flow model compared to a standard data-driven flow model, and the best model had an improved performance of 35\%. One of the wells showed no improvement when using a hybrid flow model. The results show potential for improved performance when utilizing hybrid flow modeling, but more research should be conducted, for example by researching generalizable characteristics across several choke valves.