Implementation of Real Time Optimization in an Experimental Lab Rig via Output Modifier Adaptation using Gaussian Processes

Abstract

I denne oppgaven blir Real Time Optimization (RTO) via Output Modifier Adaptation med Gaussian Processes (MAy-GP) implementert i en eksperimentell lab rigg. Riggen representerer et nettverk bestående av tre oljebrønner med gassløft. Tradisjonell RTO maksimerer profitten i industrielle prosessanlegg i sanntid ved bruk av en modell av systemet. Små avvik i modellen kan føre til at systemet ikke konvergerer til optimalt punkt.

Output Modifier Adaptation (MAy) metoden kan løse noen av utfordringene til tradisjonell RTO. Til forskjell fra tradisjonell RTO bruker MAy en fast modell av systemet som ikke oppdateres underveis. Til tross for at det finnes avvik fra systemet i modellen, vil MAy fortsatt ha mulighet til å konvergere til optimalt punkt for systemet. Denne egenskapen kommer av at MAy bruker modifikatorer til å modifisere det originale optimaliseringsproblemet. Modifikatorene krever nøyaktige målinger og estimater av gradienter i systemet, noe som kan være svært krevende å få til med høye støynivåer.

Estimering av gradienter kan bli erstattet med å bruke Gaussian Processes (GPs). Målet i denne oppgaven er å undersøke muligheten for å bruke GPs til å representere avviket mellom systemet og modellen, og deretter bruke GPs til å estimere modifikatorene som trengs. Dette er undersøkt i en simulering av den eksperimentelle lab riggen og ved eksperimenter i den faktiske lab riggen. I litteraturen finnes det få implementasjoner av MAy i ekte systemer, og denne oppgaven vil forsøke å fylle dette tomrommet.

MAy-GP er først implementert i en simulering av den eksperimentelle riggen. Resultatet fra simuleringen viste at algoritmen var i stand til å optimalisere systemet når det ikke var støy til stede i målingene. Støy i målingene ble deretter implementert i simuleringen for å gjøre simuleringen mer realistisk. I denne simuleringen ble det tydlig at et høyt støynivå påvirket ytelsen til algoritmen, og et avvik fra optimalt punkt ble observert. Resultatene fra implementasjonen i lab riggen viste at støynivået var for høyt til å estimere nøyaktige estimater av avviket mellom modell og system. Som følge at dette var ikke GPs i stand til å korrigere for avviket og input-ene konvergerte ikke til optimalt punkt for systemet.

In this thesis Real Time Optimization (RTO) via Output Modifier Adaptation with Gaussian Processes (MAy-GP) is implemented in an experimental lab rig representing a subsea oil well network with gas lift. Traditional RTO aims to maximize the production and minimize the operational costs of a continuously operating process plant in real time using a model. The optimized inputs will be optimal for the model, but not for the plant unless the model is a perfect representation of the plant.

The Output Modifier Adaptation (MAy) approach can be a possible solution to the challenges related to traditional RTO. Unlike traditional RTO, MAy relies on a fixed steady-state process model and has the theoretical ability to converge to plant optimum despite plant-model mismatch. This is ensured by modifiers, which modify the original optimization problem in such a way that plant optimum is achieved. This approach depends on accurate plant gradients in order to ensure plant optimality. Obtaining accurate estimates of plant gradients in real systems is challenging due to the presence of noisy measurements.

The gradient estimation step can be replaced by using Gaussian Processes (GPs). The goal of this thesis is to investigate representing the plant-model mismatch by GPs and using these GPs to calculate the modifiers needed for MAy. This is tested by simulations and implementation in an experimental lab rig. There is a gap in the literature when it comes to implementations of MAy in real systems, and this thesis will contribute to fill this gap.

The proposed MAy-GP scheme is first applied to a simulation to study the performance of the algorithm. The simulation results showed that the inputs with the MAy-GP algorithm converged to the optimum when there was no noise present. Measurement noise was then implemented in the simulation to match the noise level in the lab rig. In this simulation, it was clear that the noise hampered the GPs. However, adequate performance was achieved. The experimental results from the rig showed that the MAy-GP algorithm could not predict accurate estimates of the curvature of the plant-model mismatch, due to the high noise level. Thus, the GPs were not able to fully correct the model and the inputs did not converge to the plant optimum.