Bayesian machine learning strategy for oil and gas production networks.

Industrial processes are monitored by an array of measurements. The purpose is to ensure safe and optimal operations. Modern data acquisition and storage technologies have made it possible to collect and distribute large quantities of measurement data in real time. This ever-increasing stream of information will eventually overwhelm a human analyst, and the need for automated data processing and interpretations will eventually emerge. Data interpretation can take many forms. In this thesis, we are interested in a mathematical ``expert commentator'' that can provide us with an estimate of unobserved states in a system, based on the real-time information we have available. This project explores modeling methods that make use of large data quantities to learn the system's behavior. The innovation lies in the attempt to model many similar systems simultaneously. This is done by utilizing data collected from the individual systems to jointly learn a shared understanding of the underlying problem. This is in contrast to more traditional approaches, where each individual must learn its own behavior in isolation. The proposed mathematical model possesses many beneficial properties. For instance, good predictions and robustness toward changes in the system. While the main focus has been on estimating gas and liquid flow rates through choke valves, other applications have also been explored with promising results. The research was conducted with specialists in Solution Seeker and in tight cooperation with the Department of Mathematics at the University of Oslo.

Resultatene fra prosjektet har først og fremst en nytteverdi for teknologiselskapet Solution Seeker AS. Selskapet utvikler en ny teknologi som er basert på metodene prosjektet har forsket på. Tjenester bygget på denne teknologien brukes av selskapets kunder i olje- og gassbransjen. Kunnskapen som er generert av prosjektet har allerede bidratt til at disse tjenestene i dag leverer estimerte strømningsrater for hundrevis av olje- og gassbrønner på flere av verdens kontinenter. Prosjektresultatene vil også ha en betydning for selskapets framtid, for eksempel i videreutvikling av teknologien og som underlag i framtidig kompetansebygging. Videre så har prosjektet sett på andre anvendelser av metodene, noe som kan sees på som et første skritt på veien til å generalisere teknologien til andre bransjer. Dette kan gagne selskapet, men også næringslivet mer generelt ved at en ny teknologi kan være mer kostnadseffektiv enn teknologier som er i bruk i dag.

Mål for prosjektet er å utvikle en strategi for maskinlæringsbaserte modeller av olje og gass produksjonsnettverk. Produksjonsnettverket starter ved oljebrønnenes grenseflate mot oljereservoaret og slutter med separering av olje, gass og vann i prosessanlegget ved produksjonsplattformen. Det har vært en rask utvikling i innhenting og distribuering av måledata fra produksjonsnettverkene. Dette har skjedd i takt med en økende interesse for maskinlæring og kunstig intelligens. Men, vi ser at de praktiske anvendelsene i olje og gass-produksjon har vært vanskelige å realisere. Utfordringene skyldes begrenset informasjonsinnhold i dataene, og at dataene kommer på en form som er krevende å utnytte fullt ut. Solution Seeker ønsker å benytte maskinlæring og kunstig intelligens til å besvare spørsmål som «Hva skjer i prosessen nå?», og «Hvordan vil prosessen reagere på endringer i kontrollvariablene?». Første steg mot realisering av dette, er å utvikle en modelleringsstrategi som kombinerer teoretisk kunnskap, ingeniørerfaring, og prosessdata i samme modell. Strategien må produsere hardføre modeller som tydelig kommuniserer usikkerhet i estimatene. Disse modellene vil kunne ta roller som ekspertkommentator for prosessens tilstand, sparringspartner i analysearbeid, og rådgiver til optimering av prosessens innstillinger. Forskningen i prosjektet vil gjøres på data fra felter som Solution Seeker samarbeider med, og vil settes ut i pilotprosjekter underveis der det er hensiktsmessig. Arbeidet utføres i tett samarbeid med Matematisk institutt ved Universitetet i Oslo. Metodene som anvendes vil primært være kunstige nevrale nettverk og Bayesiansk statistikk. Resultatene fra arbeidet vil gå inn i kjernen av Solution Seeker sitt produkt ProductionCompass AI. Her vil det bli brukt til å gi innsikt i prosessens oppførsel, og til å optimere produksjonen.