Rig Heave Predictions Incorporated in Drilling Optimization

Abstract

Olje- og gassindustrien er under konstant utvikling for å møte energibehovene til verdens befolkning. Ettersom ressursene gradvis blir vanskeligere å utvinne, er det viktig å øke effektiviteten for å holde seg konkurransedyktig. En offshore boreoperasjon er kompleks og trenden er i økende grad å bevege seg inn i mer tøffe, dype vannområder for å lete etter, og potensielt produsere hydrokarboner. For vanndybder over 120 meter må det brukes en flytende boreinstallasjon for å bore brønnen. Flytende borerigger påvirkes av bølgeinduserte krefter som kan forårsake betydelig hiv, stamp og rull bevegelser. Riggbevegelsene kan forstyrre boreoperasjonen betydelig hvis det ikke blir korrekt kompensert for.

Denne oppgaven presenterer et kunstig nevralt nettverk med lang korttidshukommelse (LSTM) for å forutsi hiv-bevegelsene til en halvt nedsenkbar boreenhet sekunder på forhånd ved bruk av målinger fra en bevegelsessensor (MRU). Modellen er trent basert på reelle hivdata fra en rigg som opererer i Nordsjøen. En prediktiv regulator (MPC) tar inn hiv-prediksjonene og løser et optimaliseringsproblem basert på en modell av penetrasjonshastigheten (ROP) for å styre og stabilisere ROP til ønsket verdi for flytende boreinstallasjoner under påvirkning av bølgeinduserte bevegelser. Koeffisientene i ROP modellen estimeres i sanntid ved å bruke en minste kvadraters parameterestimeringsteknikk.

Systemet er implementert ved hjelp av Python-biblioteker som er tilgjengelige for allmennheten. Kontrollerens ytelse evalueres gjennom to forskjellige simuleringsscenarier. For det første scenarioet observeres parameteranbefalinger i åpen sløyfe basert på data fra en ekte brønn som er boret i Nordsjøen. Deretter, for å vurdere lukket-sløyfe-ytelsen til regulatoren, kobles den til en boresimulator for å studere utviklingen i ROP. Simuleringsresultater indikerer at MPC regulatoren kan bruke hivprediksjoner til å justere boreparametere for å undertrykke effekten av de bølgeinduserte bevegelsene. Å bruke et LSTM kunstig nevralt nettverk til å predikere hiv-bevegelser flere sekunder frem i tid, er en lovende strategi basert på de resultatene som er presentert i denne oppgaven. Nøyaktige hiv-prediksjoner er en forutsetning for at den foreslåtte reguleringsstrategien skal fungere.

The oil and gas industry are under constant development to meet the energy needs of the world's population. As resources gradually get harder to recover, it is important to improve the efficiency of the operations to stay competitive. An offshore drilling operation is complex, and the trend is to increasingly move into harsher, deep-water areas to explore for, and potentially produce hydrocarbons. For water-depths surpassing 120 meters, a floating drilling installation must be used to drill the well. A floating drilling installation is influenced by wave-induced forces that can cause significant heave, pitch, and roll motions. The rig motions can disturb the drilling operation significantly if not properly compensated for.

This thesis presents a Long-Short Term Memory (LSTM) artificial neural network for predicting the heave motions of a semi-submersible drilling unit seconds ahead of time using measurements from a Motion Reference Unit (MRU). The model is trained based on real heave data from a rig operating in the North Sea. A Model Predictive Controller (MPC) takes in the heave predictions and solves an optimization problem based on a rate of penetration (ROP) model to steer and stabilize the ROP to the desired value for floating drilling installations subject to wave-induced motions. The coefficients of the ROP model are estimated in real time through using a least squares parameter estimation technique.

The system is implemented using Python libraries that are available to the public. The controller performance is evaluated through two different simulation scenarios. First, through observing parameter recommendations in open loop based on data from a real well that has been drilled in the North Sea. Then, through connecting the controller to a drilling simulator to assess the closed loop performance. Simulation results indicate that the MPC can compensate for the predicted wave-induced motions by adjusting the drilling parameters in real-time. Employing a LSTM neural network to predict heave motions seconds ahead of time is a promising strategy based on the simulation results presented in this thesis. Accurate heave predictions are a prerequisite for the proposed control strategy to work.