An exploration of sequence models using multi-task learning for multiphase flow rate estimation in oil and gas wells

Abstract

Å estimere mengden flerfasestrøm som strømmer gjennom olje- og gassbrønner er avgjørende for å kunne ta informerte beslutninger angående operasjonelle aktiviteter relatert til offshore olje- og gassproduksjon, som for eksempel produksjonsoptimering. Som følge av dette har Virtual Flow Meters (VFM) som estimerer flytraten blitt utviklet, da det er kostbart å fysisk måle flerfasestrømmen. Mens det underliggende produksjonssystemet som modelleres er svært dynamisk, er de fleste VFM-er steady-state VFM-er som vurderer systemets øyeblikkelige tilstand. I mellomtiden kan dynamiske VFM-er som tar hensyn til tidligere målinger bedre modellere det underliggende systemet, men med økt modellkompleksitet.

Denne oppgaven gjennomfører en empirisk studie av dynamiske VFM-er ved bruk av toppmorderne sekvensmodellarkitekturer og multi-task learning for å undersøke effekten av å vurdere tidligere målinger når man estimerer strømningsratene. Vi presenterer en metodikk i forskningsfronten av maskinlæring for å utnytte informasjonen i historikken til hver brønn samtidig som vi lærer på tvers av brønner. Dette lar de foreslåtte modellene modellere det tidsmessige forholdet mellom mer tilgjengelige sensormålinger og de resulterende strømningshastighetene. Modellene sammenlignes med en avansert steady-state-modell for å vurdere ytelsen av de foreslåtte modellene.

Vi tester den presenterte metodikken på feltdata fra ti oljebrønner. Resultatene indikerer at sekvensmodeller demonstrerer en mer robust og fleksibel prediktiv atferd enn deres steady-state motstykker. Sammenlignet med den avanserte steady-state modellen oppnås imidlertid bare en svakt forbedret overordnet prediktiv ytelse. I mellomtiden blir de positive modelltrekkene demonstrert av sekvensmodellene tydeliggjort når man undersøker modellene mer i detalj.

Mens resultatene gir grunn til å tro at sekvensmodeller kan forbedre de nåværende beste modellene, er de empiriske indikasjoner basert på en casestudie. Derfor anbefaler vi at fremtidig forskning undersøker ulike problemer og modellvariasjoner innenfor paradigmet for å ytterligere styrke eller svekke indikasjoner på hvor lovende det er.

Estimating the quantity of multiphase flow streaming through oil and gas wells is crucial to inform operational activities during offshore oil and gas production, such as production optimization. As a result, virtual flow meters (VFMs) have been developed because physically measuring the flow rates is often costly. However, while the underlying production system modeled is highly dynamic, most VFMs are steady-state VFMs that consider the instantaneous state of the system. Meanwhile, dynamic VFMs that account for past measurements may better model the underlying system but with increased model complexity.

This thesis conducts an empirical study of dynamic VFMs using state-of-the-art sequence model architectures and multi-task learning to examine the effects of considering past measurements when estimating flow rates. We present a methodology at the cutting edge of machine learning to leverage the information in the recent history of each well while simultaneously learning across wells. This allows the proposed models to model the temporal relationship between widely available sensor measurements and the resulting flow rates. The models are compared to a state-of-the-art steady-state baseline to determine their proficiency.

We test the presented methodology on field data from ten wells. The results indicate that sequence models demonstrate a more robust and flexible predictive behavior than their steady-state counterparts. However, compared with the state-of-the-art baseline only slightly improved overall predictive performance is obtained. Meanwhile, the positive model traits demonstrated by the sequence models are uncovered when examining the models in greater detail.

While the results give reason to believe that sequence models may improve the current state-of-the-art, they represent empirical indications based on a case study. Hence, we recommend that future research investigates different problems and model variations within the paradigm to strengthen further or weaken indications of its promise.