Echo state networks for online learning control and mpc of unknown dynamic systems: applications in the control of oil wells

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: Jordanou, Jean Panaioti
Orientador(a): Camponogara, Eduardo
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/214380
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2019.
id UFSC_e0c8a4a763cc57698e73565629a940b7
oai_identifier_str oai:repositorio.ufsc.br:123456789/214380
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaJordanou, Jean PanaiotiCamponogara, EduardoAntonelo, Eric Aislan2020-10-21T21:04:36Z2020-10-21T21:04:36Z2019368752https://repositorio.ufsc.br/handle/123456789/214380Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2019.Com o avanço da tecnologia, métodos baseados em dados tornaram-se cada vez mais relevantes tanto na academia quanto na indústria, sendo isso também válido para a área de controle de processos. Um processo específico que se beneficia de modelagem e controle baseado em dados é o de produção de petróleo, devido à composição do escoamento multifásico e do reservatório não serem totalmente conhecidas, assim dificultando a obtenção de um modelo fidedigno. Levando isso em consideração, neste trabalho há o objetivo de testar e aplicar diversas estratégias de controle utilizando Redes de Estado de Eco (Echo State Networks, ESN) em modelos de poços de produção de petróleo. O primeiro controle consiste em usar uma ESN para obter o modelo inverso online de um processo e usá-lo para computar uma ação de controle de seguimento de referência. Nesta planta, há dois poços de petróleo com elevação por gás conectados em um riser por um manifold no qual não há perda de carga. Este primeiro controlador com ESN obteve êxito em efetuar seguimento de referência em três diferentes combinações de entradas e saídas, sendo algumas com multiplas variáveis de entrada ou de saída. No segundo método proposto, utiliza-se uma ESN para servir de modelo numa estratégia de Controle Preditivo Não-linear Prático (Practical Nonlinear Model Predictive Control, PNMPC), onde obtém-se uma resposta livre computada de forma não-linear, e uma resposta forçada através da linearização do modelo. Como a ESN é um modelo analítico, é possível obter facilmente os gradientes para a linearização. Esse controle ESN-PNMPC efetua seguimento de referência na pressão de fundo de um poço de petróleo com elevação por gás, também levando em conta restrições operacionais tais como saturação, limitação de variação, e limites na pressão da cabeça do poço. Este trabalho contribui à literatura ao mostrar que ambas as estratégias de controle com ESN são efetivas em sistemas dinâmicos complexos como os modelos de poços de petróleo utilizados, assim como uma prova de conceito da proposição de utilizar uma ESN no PNMPC.<br>Abstract: As technology advances over time, data-driven approaches become more relevant in many fields of both academia and industry, including process control. One important kind of process that benefits from data-driven modeling and control is oil and gas production, as the reservoir conditions and multiphase flow composition are not entirely known and thus hinder the synthesis of an exact physical model. With that in mind, control strategies utilizing Echo State Networks (ESN) are applied in an oil and gas production plant model. In the first application, an ESN is used to obtain online the inverse model of a system where two gas-lifted oil wells and a riser are connected by a friction-less manifold, and use the resulting model to compute a set-point tracking control action. Setpoint tracking is successfully performed in three different combinations of input and output variables for the production system, some multivariate. In the second method, an ESN is trained to serve as the model for a Practical Nonlinear Model Predictive Control (PNMPC) framework, whereby the ESN provides the free response by forward simulation and the forced response by linearization of the nonlinear model. The ESN is an analytical model, thus the gradients are easily provided for the linearization. The ESN-PNMPC setup successfully performs reference tracking of a gas-lifted oil well bottom-hole pressure, while considering operational constraints such as saturation, rate limiting, and bounds on the well top-side pressure. This work contributes to the literature by showing that these two ESN-based control strategies are effective in complex dynamic systems, such as the oil and gas plant models, and also as a proof of concept for the ESN-PNMPC framework.115 p.| il., gráfs.engEngenharia de sistemasAutomaçãoControle preditivoPoços de petroleoCampos petrolíferosEcho state networks for online learning control and mpc of unknown dynamic systems: applications in the control of oil wellsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPEAS0334-D.pdfPEAS0334-D.pdfapplication/pdf1497419https://repositorio.ufsc.br/bitstream/123456789/214380/-1/PEAS0334-D.pdfc7a4d787336cb4112a08aa1be6dfe63bMD5-1123456789/2143802020-10-21 18:04:36.476oai:repositorio.ufsc.br:123456789/214380Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732020-10-21T21:04:36Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Echo state networks for online learning control and mpc of unknown dynamic systems: applications in the control of oil wells
title Echo state networks for online learning control and mpc of unknown dynamic systems: applications in the control of oil wells
spellingShingle Echo state networks for online learning control and mpc of unknown dynamic systems: applications in the control of oil wells
Jordanou, Jean Panaioti
Engenharia de sistemas
Automação
Controle preditivo
Poços de petroleo
Campos petrolíferos
title_short Echo state networks for online learning control and mpc of unknown dynamic systems: applications in the control of oil wells
title_full Echo state networks for online learning control and mpc of unknown dynamic systems: applications in the control of oil wells
title_fullStr Echo state networks for online learning control and mpc of unknown dynamic systems: applications in the control of oil wells
title_full_unstemmed Echo state networks for online learning control and mpc of unknown dynamic systems: applications in the control of oil wells
title_sort Echo state networks for online learning control and mpc of unknown dynamic systems: applications in the control of oil wells
author Jordanou, Jean Panaioti
author_facet Jordanou, Jean Panaioti
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Jordanou, Jean Panaioti
dc.contributor.advisor1.fl_str_mv Camponogara, Eduardo
dc.contributor.advisor-co1.fl_str_mv Antonelo, Eric Aislan
contributor_str_mv Camponogara, Eduardo
Antonelo, Eric Aislan
dc.subject.classification.none.fl_str_mv Engenharia de sistemas
Automação
Controle preditivo
Poços de petroleo
Campos petrolíferos
topic Engenharia de sistemas
Automação
Controle preditivo
Poços de petroleo
Campos petrolíferos
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2019.
publishDate 2019
dc.date.issued.fl_str_mv 2019
dc.date.accessioned.fl_str_mv 2020-10-21T21:04:36Z
dc.date.available.fl_str_mv 2020-10-21T21:04:36Z
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 https://repositorio.ufsc.br/handle/123456789/214380
dc.identifier.other.none.fl_str_mv 368752
identifier_str_mv 368752
url https://repositorio.ufsc.br/handle/123456789/214380
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 115 p.| il., gráfs.
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
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/214380/-1/PEAS0334-D.pdf
bitstream.checksum.fl_str_mv c7a4d787336cb4112a08aa1be6dfe63b
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851759313719132160

Registros relacionados