Bayesian machine learning strategy for oil and gas production networks.

Industrielle prosesser blir overvåket av mange måleinstrumenter. Formålet er å sikre trygg og best mulig drift. Moderne datainnhenting og lagringssystemer har gjort det mulig å samle og tilgjengeliggjøre store mengder måledata i sanntid. En stadig økende datamengde vil til slutt overvelde en menneskelig analytiker, og behovet for automatisk prosessering og tolkning av data vil melde seg. En tolkning av data kan være så mangt. I denne avhandlingen er vi interessert i en matematisk ``ekspertkommentator'' som kan gi oss et estimat på umålte tilstander i et system, basert på den sanntidsinformasjonen vi har tilgjengelig. Dette prosjektet utforsker metoder som benytter seg av store datamengder til å lære systemets oppførsel. Nyskapningen ligger i at vi forsøker å modellere flere lignende systemer samtidig, ved at data som er innhentet fra de individuelle systemene blir brukt til å trene opp en felles forståelse av det underliggende problemet. Dette resulterer i en felles modell som kan nyanseres til de individuelle systemene. Denne strategien er i kontrast til mer klassiske metoder hvor hvert enkelt individ må lære sin egen oppførsel i isolasjon. Den foreslåtte matematiske modellen har flere gunstige egenskaper, blant annet gode prediksjoner og robusthet overfor endringer i systemet. Hovedfokuset har vært anvendelser knyttet til estimering av gass og væske strømning gjennom ventiler, men andre problemstillinger har også blitt utforsket med lovende resultater. Forskningen ble utført i fagmiljøet i Solution Seeker og i tett samarbeid med Matematisk institutt ved Universitetet i 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.