ESP Frequency Optimization - A Machine Learning Approach as Field Study

Electrical submersible pumps (ESPs) sind eine weit verbreitete Methode der künstlichen Förderung, um die Leistung von Bohrungen zu steigern und entweder eine effiziente, stabile Ölförderung oder die Wasserförderung in geothermischen Bohrungen zu unterstützen. Die Effizienz eines ESP-Systems hängt stark von dessen Systembedingungen ab. Besonders die Pumpenfrequenz hat einen großen Einfluss auf die Pumpenleistung. Während sich die Frequenz leicht anpassen lässt, stellt das Finden der optimalen Frequenz eine größere Herausforderung dar. In den letzten Jahren haben die Möglichkeiten zur Messung und Verarbeitung von Daten aus Ölfeldern stetig zugenommen. Aus diesem Grund gewinnen datenbasierte Ansätze zur Optimierung von Ölfeldern immer mehr an Bedeutung. Ein Machbarkeitsnachweis für eine Physics-Informed Reinforcement Learning (RL) Methode wird in dieser Arbeit präsentiert. Diese Methode wird verwendet, um die optimale Frequenz zur Optimierung des ESP-Systems zu finden. Das Ziel ist es, unter Berücksichtigung der Systembeschränkungen die Ölförderung zu steigern . Als Grundlage für die Reinforcement Learning Methode wird ein mathematisches Proxy Modell, die sogenannte Umgebung, so kalibriert, dass das reale Verhalten des Systems wiedergespiegelt wird. Durch eine Feedbackschleife lernt der Agent des Modells; er wählt eine Frequenz aus, und verbessert durch den Erhalt von belohnungsbasiertem Feedback kontinuierlich sein Entscheidungen, um die beste Frequenz zu finden. Neben dem Hauptziel, das theoretische Konzept anhand realer Felddaten zu beweisen, wurde in dieser Arbeit auch die Bedeutung der Datenqualität und Verfügbarkeit analysiert. Ein wichtiger Punkt ist die Auswahl der zeitlichen Auflösung der Eingabedaten: Es wurden monatliche, tägliche und stündliche Daten analysiert. Für die Kalibrierung; das RL-Training und die Frequenzvorhersage wurde ein Python Framework verwendet. Die Ergebnisse zeigen, dass die Umgebung durch das Modell erfolgreich kalibriert werden kann und die realen Bedingungen des Bohrloches ausreichend nachgebildet werden. Die Ergebnisse der vorgeschlagenen Frequenz deuten darauf hin, dass das RL-Modell erfolgreich und konsistent die optimale Frequenz findet, um die Effizienz der Produktion zu steigern.