Data-Driven Virtual Flow Metering using Neural Networks

Abstract

Forutsigelse av strømningshastighet er en avgjørende prosess i olje- og gassindustrien, spesielt der flerfasestrømmer er involvert. Det finnes noen få metoder for å vurdere flerfasestrømningshastigheter som imidlertid er dyre og ikke pålitelige. Med lett tilgjengelighet av data og infrastruktur for modellering av strømningsprosesser blir det mer praktisk å dokumentere strømningshastighet indirekte ved å bruke andre strømningsegenskaper. Det finnes også flere fysikkbaserte tilnærminger som modellerer strømningsfenomener og utleder strømningshastigheter. Disse tilnærmingene er basert på empiriske modeller for ulike strømningsregimer. Disse modellene er spesifikke i sine begrensninger og er ikke veldig allsidige metoder for å forutsi trykkfall eller strømningshastighet, spesielt for flerfasestrømmer, og de kan også være beregningsmessig dyre. Med den økte penetrasjonen av automatiserte prosesser i olje- og gassindustrien og den økte tilgjengeligheten av feltdata, kan statistiske maskinlæringsmodeller trenes til å heuristisk forutsi flerfasestrømningshastigheter i forskjellige strømningsscenarier. Videre er slike modeller relativt enkle å bygge og krever ikke tung kompetanse innen bruksområdet, noe som gjør dem mer industrielt akseptable. I denne studien bygges et nevralt nettverk (NN) for å forutsi flerfasestrømningshastigheter i et horisontalt rør ved bruk av kun trykkdata som input. Modellen er trent med økende komplekse datasett for å kunne forutsi strømningshastigheter for olje, vann og gass som strømmer i røret under et gitt sett av forhold. Datasettene genereres ved å utføre simuleringer på en flerfaseflytmodell laget på OLGA. Det ble funnet at modellen sliter med å forestille seg forholdet mellom trykk ved innløpet og utløpet av røret med de respektive strømningshastighetene. I stedet yter den bedre når trykktap over røret brukes som inngang.

Prediction of flow rate is a crucial process in the oil and gas industry especially where multiphase flows are involved. A few methods exist to assess multiphase flow rates which are however, expensive and not reliable. With the ready availability of data and infrastructure for modelling flow processes it becomes more practical to document flow rate indirectly using other flow properties. Several physics based approaches also exist which model flow phenomena and derive flow rates. These approaches are based on empirical models for different flow regimes. These models are specific in their constraints and are not very versatile methods to predict pressure drop or flow rate especially for multiphase flows and they can also be computationally expensive. With the increased penetration of automated processes in the oil and gas industry and the increased availability of field data, statistical machine-learning models can be trained to heuristically predict multiphase flow rates in diverse flow scenarios. Furthermore, such models are relatively simple to build and do not require heavy expertise in the field of application, making them more industrially acceptable. In this study, a neural network (NN) is built to predict multiphase flow rates in a horizontal pipe using only pressure data as input. The model is trained with increasing complex data-sets to be able to predict flow rates for oil, water and gas flowing in the pipe under a given set of conditions. The data-sets are generated by performing simulations on a multiphase flow model created on OLGA. It was found that the model struggles to conceive the relationship between pressures at the inlet and outlet of the pipe with the respective flow rates. Instead, it performs better when pressure loss across the pipe is used an input.