Recurrent Neural Network Based Control for Risers and Oil Wells

Detalhes bibliográficos
Autor(a) principal: Jordanou, Jean Panaioti
Data de Publicação: 2017
Tipo de documento: Trabalho de conclusão de curso
Idioma: eng
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/197609
Resumo: TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia de Controle e Automação.
id UFSC_c3d72f4dacc5f69da97ff5aaf774561f
oai_identifier_str oai:repositorio.ufsc.br:123456789/197609
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Recurrent Neural Network Based Control for Risers and Oil WellsControle Adaptativo, Controle em Malha Fechada, Redes Neurais, Computação por Reservatório, Petróleo e Gás.TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia de Controle e Automação.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.Florianópolis, SC.Camponogara, EduardoUniversidade Federal de Santa CatarinaJordanou, Jean Panaioti2019-07-15T18:17:51Z2019-07-15T18:17:51Z2017info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfhttps://repositorio.ufsc.br/handle/123456789/197609info:eu-repo/semantics/openAccessengreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2019-07-15T18:17:51Zoai:repositorio.ufsc.br:123456789/197609Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732019-07-15T18:17:51Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Recurrent Neural Network Based Control for Risers and Oil Wells
title Recurrent Neural Network Based Control for Risers and Oil Wells
spellingShingle Recurrent Neural Network Based Control for Risers and Oil Wells
Jordanou, Jean Panaioti
Controle Adaptativo, Controle em Malha Fechada, Redes Neurais, Computação por Reservatório, Petróleo e Gás.
title_short Recurrent Neural Network Based Control for Risers and Oil Wells
title_full Recurrent Neural Network Based Control for Risers and Oil Wells
title_fullStr Recurrent Neural Network Based Control for Risers and Oil Wells
title_full_unstemmed Recurrent Neural Network Based Control for Risers and Oil Wells
title_sort Recurrent Neural Network Based Control for Risers and Oil Wells
author Jordanou, Jean Panaioti
author_facet Jordanou, Jean Panaioti
author_role author
dc.contributor.none.fl_str_mv Camponogara, Eduardo
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Jordanou, Jean Panaioti
dc.subject.por.fl_str_mv Controle Adaptativo, Controle em Malha Fechada, Redes Neurais, Computação por Reservatório, Petróleo e Gás.
topic Controle Adaptativo, Controle em Malha Fechada, Redes Neurais, Computação por Reservatório, Petróleo e Gás.
description TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Engenharia de Controle e Automação.
publishDate 2017
dc.date.none.fl_str_mv 2017
2019-07-15T18:17:51Z
2019-07-15T18:17:51Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/197609
url https://repositorio.ufsc.br/handle/123456789/197609
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.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Florianópolis, SC.
publisher.none.fl_str_mv Florianópolis, SC.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808651918966259712

Registros relacionados