Measurement and acquisition of accessible production data for the training of a mathematical model based on artificial intelligence to predict multiphase flow rates by means of a virtual flow meter (VFM)

Publikationen: Thesis / Studienabschlussarbeiten und HabilitationsschriftenMasterarbeit

Autoren

Abstract

Die Echtzeit-Produktionsüberwachung in der Öl- und Gasindustrie ist von großer Bedeutung, insbesondere da die Feldoperationen mit zunehmender Erschöpfung der Lagerstätten wirtschaftlich marginal werden. Produktionsmessungen werden normalerweise mit herkömmlichen Testabscheideranlagen durchgeführt, die keine kontinuierlichen Produktionsinformationen liefern. Eine Alternative bietet ein physikalischer Mehrphasen-Durchflussmesser, dessen Anwendung erwünscht, aber kostspielig ist und ein gutes Verständnis der maßgeblichen Systemphysik und der Fluidchemie erfordert. Diese Arbeit beschreibt die Entwicklung einer innovativen Messtechnik, die als virtueller Durchflussmesser (VFM) bezeichnet wird. VFMs sind datenbasierte mathematische Modelle, die für Echtzeit-Mehrphasen-Durchflussvorhersagen genutzt werden. Sie basieren auf leicht zugänglichen Sensorwerten aus Bohrlöchern. Für diese Arbeit wurden verschiedene physiklaische Eigenschaften gemessen und bei kontrollierten Laborbedienungen aufgezeichnet, um Eingabedaten zum Lernen, Validieren und Testen eines künstlichen neuronalen Netzwerks (ANN) bereitzustellen. Die Experimente wurden im Pumpenteststand (PTS) mit einer vertikal installierten elektrischen Tauchkreiselpumpe (ESP) an der Montanuniversität in Leoben durchgeführt. Ziel war es, einen dreiphasigen Strömungskreislauf zu konstruieren, in dem verschiedene Strömungskonfigurationen unter festen, zuverlässigen und wiederholbaren Laborbedingungen getestet und quantifiziert werden können. Die Idee war, ein breites Spektrum verschiedener Strömungsbedingungen zu analysieren, indem die Strömungsraten manipuliert und gleichzeitig die entlang des Strömungswegs installierten Sensordaten aufgezeichnet wurden. Anschließend wurden sowohl Sensordaten als auch die Durchflussmessungen verarbeitet und als Eingabe für das mathematische Modell verwendet. Das experimentelle Programm bestand aus 32 Experimenten, 3 einphasigen, 11 zweiphasigen und 18 dreiphasigen Experimenten. Insgesamt konnten 85 verschiedene Strömungskonfigurationen untersucht werden. Alle dreiphasigen Experimente, die aus 19 verschiedenen Paramteren und Durchflussraten von Wasser, synthetischem Öl und Druckluft bestehen, wurden im VFM-Modell zur mehrphasigen Durchflussvorhersage implementiert. Zunächst wurde jedes einzelne Experiment einzeln untersucht und modelliert, um die Unterschiede in der Genauigkeit der Durchflussvorhersage als Funktion der Durchflussrate jeder Phase zu analysieren. Schließlich wurden die verarbeiteten Daten aller 18 Dreiphasenexperimente zusammen in drei getrennten neuronalen Netzen für Wasser, Öl und Gas als Ausgangssignale modelliert, um Interferenzen zwischen den vorhergesagten Durchflussraten zu vermeiden, da sich die analysierten Durchflussspektren erheblich unterscheiden. Die erreichte Vorhersagegenauigkeit der Phasen ist technisch nützlich und führt zu einem durchschnittlichen relativen Fehler von 1,20%, 4,85% und 2,40% für Wasser, Öl und Gas. Die gemessenen Durchflussspektren liegen zwischen 0-12 m³/h für Wasser, 0-2,8 m³/h für Öl und 0-18 kg/h für Gas. Das erstellte Modell kann Durchflussraten bei technisch angemessenen Durchflussspektren vorhersagen und beweist das Potenzial von Sensordaten bei der Mehrphasen-Durchflussvorhersage und somit die Fähigkeit zur Echtzeitüberwachung der Produktion.

Details

Titel in ÜbersetzungMessung und Erfassung zugänglicher Produktionsdaten für das Training eines auf künstlicher Intelligenz basierenden mathematischen Modells zur Vorhersage mehrphasiger Durchflussraten mit Hilfe eines virtuellen Durchflussmessers (VDM)
OriginalspracheEnglisch
QualifikationDipl.-Ing.
Gradverleihende Hochschule
Betreuer/-in / Berater/-in
Datum der Bewilligung22 Sep 2020
StatusVeröffentlicht - 2020