Surrogate-based optimization of oil production systems using physics-informed neural networks

Abstract

A otimização em tempo real (OTR) na indústria de processos é desafiadora quando modelos de alta fidelidade estão disponíveis apenas por meio de chamadas de simulação, e não em forma explícita para o otimizador. Métodos de otimização baseados diretamente em simulação podem se tornar inviáveis em aplicações de OTR devido ao elevado custo computacional associado às múltiplas avaliações do simulador. Neste trabalho, propõe-se a integração de um modelo substituto baseado em Physics-Informed Neural Networks (PINNs) com um algoritmo de otimização baseada em modelos substitutos do tipo região de confiança com filtro, incluindo uma heurística de recuperação de factibilidade. O método é aplicado a um problema de OTR da produção de petróleo em uma plataforma com seis poços operando por gás lift, considerando dois objetivos econômicos organizados em ordem lexicográfica de prioridade. Os resultados mostram que a abordagem proposta converge para o ótimo local de ambas as funções objetivo consideradas, respeitando as restrições operacionais e reduzindo entre 30% e 85% o número de chamadas ao simulador de alta fidelidade durante a otimização, em comparação com a utilização de um modelo polinomial adotado como benchmark. Esses resultados indicam que o uso de modelos substitutos informados pela física pode tornar a otimização baseada em modelo mais compatível com os requisitos computacionais de aplicações de OTR.

Abstract: Real-time optimization (RTO) in the process industry is challenging when high-fidelity models are available only through simulation calls, rather than in an explicit form for the optimizer. Optimization methods based directly on simulation can become impractical in RTO applications due to the high computational cost associated with multiple simulator evaluations. In this work, the integration of a surrogate model based on Physics-Informed Neural Networks (PINNs) with a trust-region filter surrogate-based optimization algorithm is proposed, including a feasibility-restoration heuristic. The method is applied to an RTO problem for oil production in a platform with six gas-lifted wells, considering two economic objectives organized in lexicographic order of priority. The results show that the proposed approach converges to the local optimum of both objective functions considered, while satisfying the operational constraints and reducing the number of high-fidelity simulator calls during optimization by 30% to 85%, compared with the use of a polynomial model adopted as a benchmark. These results indicate that the use of physics-informed surrogate models can make simulation-based optimization more compatible with the computational requirements of RTO applications.