Adaptive model predictive control applied to submersible pump lifted wells
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Institucional da UFRJ |
Texto Completo: | http://hdl.handle.net/11422/13587 |
Resumo: | Bombas Elétricas Submersíveis (ESPs) são uma das tecnologias de elevação artificial de óleo mais difundidas para exploração em águas profundas. Na operação de uma ESP existe um grande número de parâmetros que devem ser monitorados e mantidos dentro de restrições operacionais com o objetivo de manter uma operação estável e ótima. Controle preditivo baseado em modelo (MPC) é uma das estratégias utilizadas para tal fim. Literaturas prévias propuseram o uso de MPC linear baseado em identificação, contudo nenhuma estratégia foi empregada para contornar as não linearidades do sistema, em vez disso o uso de apenas um modelo linear interno vem sendo empregado, além de considerar todas as variáveis relevantes do sistema com medidas disponíveis. Neste trabalho, o problema de perda das medidas das variáveis de estado é abordado. É mostrado que uma estratégia não-adaptativa, com um único modelo interno, carece de qualidade na estimação dos estados, e um MPC robusto não é possível com tal configuração. Portanto, um MPC adaptativo acoplado com filtro de Kalman é proposto e três estratégias de adaptação são comparadas. Duas estratégia de chaveamento baseada em interpolação de modelos locais são propostas e comparadas com a linearização sucessiva. Todas as estratégias garantem a acurácia e estabilidade do modelo interno em todo o intervalo de operação. As estratégias apresentaram uma performance similar à linearização sucessiva, evitando a necessidade de obtenção de um modelo linear local em cada tempo de amostragem através da interpolação entre um número de modelos lineares obtidos por identificação. Por fim, uma estratégia de estimação de parâmetros é proposta e acoplada ao MPC com o objetivo de contornar as incertezas de medida e as incertezas estruturais de modelo. |
id |
UFRJ_65d01748118c4673905590d2be45b12e |
---|---|
oai_identifier_str |
oai:pantheon.ufrj.br:11422/13587 |
network_acronym_str |
UFRJ |
network_name_str |
Repositório Institucional da UFRJ |
repository_id_str |
|
spelling |
Delou, Pedro de Azevedohttp://lattes.cnpq.br/3710340061939187http://lattes.cnpq.br/3708389275899189Souza Júnior, Maurício Bezerra dehttp://lattes.cnpq.br/4530858702685674Peixoto, Alessandro JacoudCampos, Mario Cesar Mello Massa deSecchi, Argimiro Resende2021-01-29T14:55:55Z2023-11-30T03:04:06Z2019-08http://hdl.handle.net/11422/13587Bombas Elétricas Submersíveis (ESPs) são uma das tecnologias de elevação artificial de óleo mais difundidas para exploração em águas profundas. Na operação de uma ESP existe um grande número de parâmetros que devem ser monitorados e mantidos dentro de restrições operacionais com o objetivo de manter uma operação estável e ótima. Controle preditivo baseado em modelo (MPC) é uma das estratégias utilizadas para tal fim. Literaturas prévias propuseram o uso de MPC linear baseado em identificação, contudo nenhuma estratégia foi empregada para contornar as não linearidades do sistema, em vez disso o uso de apenas um modelo linear interno vem sendo empregado, além de considerar todas as variáveis relevantes do sistema com medidas disponíveis. Neste trabalho, o problema de perda das medidas das variáveis de estado é abordado. É mostrado que uma estratégia não-adaptativa, com um único modelo interno, carece de qualidade na estimação dos estados, e um MPC robusto não é possível com tal configuração. Portanto, um MPC adaptativo acoplado com filtro de Kalman é proposto e três estratégias de adaptação são comparadas. Duas estratégia de chaveamento baseada em interpolação de modelos locais são propostas e comparadas com a linearização sucessiva. Todas as estratégias garantem a acurácia e estabilidade do modelo interno em todo o intervalo de operação. As estratégias apresentaram uma performance similar à linearização sucessiva, evitando a necessidade de obtenção de um modelo linear local em cada tempo de amostragem através da interpolação entre um número de modelos lineares obtidos por identificação. Por fim, uma estratégia de estimação de parâmetros é proposta e acoplada ao MPC com o objetivo de contornar as incertezas de medida e as incertezas estruturais de modelo.Electric Submersible Pumps (ESPs) are one of the most widespread oil artificial lifting technologies for deepwater exploration. In the operation of an ESP there is a large number of parameters that must be monitored and held within operational constraints in order to guarantee stable and optimal operation. Model predictive control (MPC) is one of the strategies able to guarantee stable and optimal operation with constraints handling. Previous literature has proposed the use of linear MPC based on system identification, however no adaptive strategy has been employed to overcome system nonlinearities, instead a single internal model has been used. Moreover, all previous works have considered relevant system variables measurements to be available. In this dissertation, the problem of losing measurements of the state variables due to the aggressive subsea environment is addressed. We show that a non-adaptive single linear model strategy lacks in quality for state estimation and a robust MPC is not possible under this configuration. Therefore, an adaptive MPC coupled with Kalman Filter is proposed and three adapting strategies are compared. Two scheduling strategies based on linear interpolation of a set of local models are proposed and compared to successive linearization. All strategies guarantee internal model accuracy and stability over the whole operational range. The proposed scheduling strategies presented a similar performance compared to the successive linearization strategy, avoiding the need of obtaining a local linear model at each sampling time by interpolating among a number of linear models previously obtained by identification instead. In addition, a parameter estimation strategy is proposed and coupled to the MPC scheme so that measurement and model structural uncertainties are overcome.Submitted by Natasha Valladão (natashasilvaa4@gmail.com) on 2021-01-29T14:55:55Z No. of bitstreams: 1 PedroDeAzevedoDelou-min.pdf: 1445406 bytes, checksum: 0df9704e7d9fae3541138148afa923ca (MD5)Made available in DSpace on 2021-01-29T14:55:55Z (GMT). No. of bitstreams: 1 PedroDeAzevedoDelou-min.pdf: 1445406 bytes, checksum: 0df9704e7d9fae3541138148afa923ca (MD5) Previous issue date: 2019-08engUniversidade Federal do Rio de JaneiroPrograma de Pós-Graduação em Engenharia QuímicaUFRJBrasilInstituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de EngenhariaCNPQ::ENGENHARIAS::ENGENHARIA QUIMICAAdaptive controlModel predictive controlModel schedulingKalman filterRobust controlElectrical submersible pumpArtificial liftAdaptive model predictive control applied to submersible pump lifted wellsControle preditivo adaptativo aplicado a bomba submersível para elevação de poçosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisabertoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJORIGINALPedroDeAzevedoDelou-min.pdfPedroDeAzevedoDelou-min.pdfapplication/pdf1445406http://pantheon.ufrj.br:80/bitstream/11422/13587/1/PedroDeAzevedoDelou-min.pdf0df9704e7d9fae3541138148afa923caMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81853http://pantheon.ufrj.br:80/bitstream/11422/13587/2/license.txtdd32849f2bfb22da963c3aac6e26e255MD5211422/135872023-11-30 00:04:06.84oai:pantheon.ufrj.br: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Repositório de PublicaçõesPUBhttp://www.pantheon.ufrj.br/oai/requestopendoar:2023-11-30T03:04:06Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false |
dc.title.pt_BR.fl_str_mv |
Adaptive model predictive control applied to submersible pump lifted wells |
dc.title.alternative.pt_BR.fl_str_mv |
Controle preditivo adaptativo aplicado a bomba submersível para elevação de poços |
title |
Adaptive model predictive control applied to submersible pump lifted wells |
spellingShingle |
Adaptive model predictive control applied to submersible pump lifted wells Delou, Pedro de Azevedo CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA Adaptive control Model predictive control Model scheduling Kalman filter Robust control Electrical submersible pump Artificial lift |
title_short |
Adaptive model predictive control applied to submersible pump lifted wells |
title_full |
Adaptive model predictive control applied to submersible pump lifted wells |
title_fullStr |
Adaptive model predictive control applied to submersible pump lifted wells |
title_full_unstemmed |
Adaptive model predictive control applied to submersible pump lifted wells |
title_sort |
Adaptive model predictive control applied to submersible pump lifted wells |
author |
Delou, Pedro de Azevedo |
author_facet |
Delou, Pedro de Azevedo |
author_role |
author |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3710340061939187 |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3708389275899189 |
dc.contributor.advisorCo1.none.fl_str_mv |
Souza Júnior, Maurício Bezerra de |
dc.contributor.advisorCo1Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4530858702685674 |
dc.contributor.author.fl_str_mv |
Delou, Pedro de Azevedo |
dc.contributor.referee1.fl_str_mv |
Peixoto, Alessandro Jacoud |
dc.contributor.referee2.fl_str_mv |
Campos, Mario Cesar Mello Massa de |
dc.contributor.advisor1.fl_str_mv |
Secchi, Argimiro Resende |
contributor_str_mv |
Peixoto, Alessandro Jacoud Campos, Mario Cesar Mello Massa de Secchi, Argimiro Resende |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA Adaptive control Model predictive control Model scheduling Kalman filter Robust control Electrical submersible pump Artificial lift |
dc.subject.por.fl_str_mv |
Adaptive control Model predictive control Model scheduling Kalman filter Robust control Electrical submersible pump Artificial lift |
description |
Bombas Elétricas Submersíveis (ESPs) são uma das tecnologias de elevação artificial de óleo mais difundidas para exploração em águas profundas. Na operação de uma ESP existe um grande número de parâmetros que devem ser monitorados e mantidos dentro de restrições operacionais com o objetivo de manter uma operação estável e ótima. Controle preditivo baseado em modelo (MPC) é uma das estratégias utilizadas para tal fim. Literaturas prévias propuseram o uso de MPC linear baseado em identificação, contudo nenhuma estratégia foi empregada para contornar as não linearidades do sistema, em vez disso o uso de apenas um modelo linear interno vem sendo empregado, além de considerar todas as variáveis relevantes do sistema com medidas disponíveis. Neste trabalho, o problema de perda das medidas das variáveis de estado é abordado. É mostrado que uma estratégia não-adaptativa, com um único modelo interno, carece de qualidade na estimação dos estados, e um MPC robusto não é possível com tal configuração. Portanto, um MPC adaptativo acoplado com filtro de Kalman é proposto e três estratégias de adaptação são comparadas. Duas estratégia de chaveamento baseada em interpolação de modelos locais são propostas e comparadas com a linearização sucessiva. Todas as estratégias garantem a acurácia e estabilidade do modelo interno em todo o intervalo de operação. As estratégias apresentaram uma performance similar à linearização sucessiva, evitando a necessidade de obtenção de um modelo linear local em cada tempo de amostragem através da interpolação entre um número de modelos lineares obtidos por identificação. Por fim, uma estratégia de estimação de parâmetros é proposta e acoplada ao MPC com o objetivo de contornar as incertezas de medida e as incertezas estruturais de modelo. |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-08 |
dc.date.accessioned.fl_str_mv |
2021-01-29T14:55:55Z |
dc.date.available.fl_str_mv |
2023-11-30T03:04:06Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11422/13587 |
url |
http://hdl.handle.net/11422/13587 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Química |
dc.publisher.initials.fl_str_mv |
UFRJ |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia |
publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRJ instname:Universidade Federal do Rio de Janeiro (UFRJ) instacron:UFRJ |
instname_str |
Universidade Federal do Rio de Janeiro (UFRJ) |
instacron_str |
UFRJ |
institution |
UFRJ |
reponame_str |
Repositório Institucional da UFRJ |
collection |
Repositório Institucional da UFRJ |
bitstream.url.fl_str_mv |
http://pantheon.ufrj.br:80/bitstream/11422/13587/1/PedroDeAzevedoDelou-min.pdf http://pantheon.ufrj.br:80/bitstream/11422/13587/2/license.txt |
bitstream.checksum.fl_str_mv |
0df9704e7d9fae3541138148afa923ca dd32849f2bfb22da963c3aac6e26e255 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ) |
repository.mail.fl_str_mv |
|
_version_ |
1784097193416720384 |