Recurrent Neural Network Based Control for Risers and Oil Wells

Abstract

Redes Neurais Recorrentes tendem a ser custosas de se otimizar, porém possuem proprie- dades desejáveis para identificação de sistemas dinâmicos e servem como aproximadores

universais dos mesmos. Para diminuir este custo considerado impraticável, surgiu na literatura as Redes de Estado de Echo (Echo State Networks). Echo State Networks são Redes Neurais Recorrentes divididas em duas partes: uma rede de neurônios reccorentes, chamada de reservatório, onde os pesos são fixos e inicializados aleatóriamente e uma camada composta de neurônios estáticos, utilizados para computar a saída do modelo de aprendizagem dinâmica. Somente os pesos de saída desta rede são treinados, podendo ser utilizados algoritmos do tipo mínimos quadrados. Devido a estas propriedades, tais

redes podem aproximar sistemas dinâmicos complexos custando baixo esforço computa- tional, tendo obtido resultados promissores em aplicações de identificação e controle em

malha fechada de sistemas dinâmicos. Há demonstrações promissoras do uso desse tipo de modelo em problemas envolvendo a indústria de petróleo e gás. Ao mesmo tempo, na industria de petróleo, várias abordagens são desenvolvidas para resolver o problem de golfadas utilizando controle em malha fechada. O problema de golfadas é pertinente numa plataforma de produção por ser capaz de causar grandes prejuizos na produção de petróleo, acarretando em perdas financeiras severas. Pensando nesta aplicação, este trabalho emprega uma estratégia de controle adaptativo utilizando Redes de Estado de Eco para se aproximar o modelo inverso do sistema controlado para o cálculo da ação de controle. Esta abordagem foi aplicada no controle da pressão de fundo de um poço de petróleo, juntamente com o controle anti-golfadas de um “riser”, cujo modelo estava submetido à um severo regime de golfadas. Para os experimentos, foram utilizados modelos já presentes em literatura para simulações. Testes de rejeição de perturbação e seguimento de referência foram aplicados no poço de petróleo. Para o riser, foi testado qual o ponto de equilíbrio estável com maior abertura do choke de produção que o riser consegue manter. Com base nos resultados obtidos, o presente trabalho demonstrou a aplicabilidade das Redes de Estado de Eco ao controle de plantas de produção da indústria de petróleo e gás e também demonstrou sua capacidade em efetuar a estabilização de regimes severos de golfadas.

Recurrent Neural Networks (RNN) tend to be costly to optimize, though they posess desir- able properties for dynamic system identification and serve as an universal approximator

for these systems. To diminish this cost which can make RNNs impracticable, Echo State Networks were proposed in literature. Echo State Networks (ESN) are Recurrent Neural Networks and are divided in two parts: a recurrent netwok, named reservoir, in which the weights involved are fixed and randomly initialized; and a readout layer, composed of static neurons, where the output of an Echo State Network is computed. Only the weights from the readout layer are trained. In this training, relatively low cost algorithms such as the least squares can be used. Due to these properties, ESN can approximate complex dynamical systems with relatively low computational effort and global minima guarantee, and has obtained promising results in system identification and closed loop control of dynamic systems. There are successful demonstrations of ESN application in oil and gas plants. At the same time, in oil industry, several approaches are developed to solve the slugging flow problem utilizing feedback control. slugging flow problems are pertinent in oil platforms due to being capable of hindering significantly oil production, implying severe financial loss. With this application in mind, this work uses an adaptive control utilizing ESN to approximate the controlled system’s inverse model to calculate the control action. This approach was applied to control the bottomhole pressure of an oil well and to apply anti-slug control of a pipeline-riser system which was subject to severe slugging flow regime. For the experiments, computer simulations were made utilizing models already stablished in literature. The closed-loop control of the oil well was subject to setpoint tracking and disturbance rejection tests. For the riser, it was tested which is the largest choke opening in which the riser maintains pressure stability, which corresponds to the maximum production without slugging flow. Based on the obtained results, this work demonstrated te applicability of ESN in oil production plants control and stabilization of severe slugging.