Echo State Networks for Virtual Flow Metering in Gravity Separator

Abstract

Echo State Network (ESN) é um tipo de Rede Neural Recorrente (Recurrent Neural Network) e pode ser usada para modelar certas classes de sistemas dinâmicos não lineares. O ESN contém uma grande rede neural recorrente com pesos fixos definidos aleatoriamente, que são chamados de reservatórios. Sob a influência de sinais de entrada (u(t)), o reservatório é uma coleção de alta dimensão de transformações não lineares (xi(t)) com a ativação da função de entrada (u(t)), do qual um sinal de saída desejado (y(t)) pode ser combinado. RNNs tende a ter um alto custo computacional para otimizar enquanto ESNs têm um baixo custo, isso porque apenas a camada de saída é treinada e os métodos populares, como least square, são computacionalmente efetivos. Virtual Flow Metering (VFM) é um método para estimar a frequência de fluxo para fases diferentes de um fluxo multifase sem medi-la diretamente, ao invés disso, ele faz uso de dados relacionados ao fluxo. Esse é um tópico de pesquisa na industria de gás e óleo, o qual é difícil de medir e modelar um fluxo de três fases de um poço que consiste de óleo, gás e água. Informações sobre a composição da corrente do poço podem potencialmente ser usada para planejar melhor a produção, para aumentar a redundância e a segurança e reduzir as interrupções na produção para medir a composição da corrente do poço submetendo-a a um teste de tanque. Este trabalho utiliza ESN para estimar um fluxo multifásico entrando em um tanque de separação trifásico por gravidade. A entrada do ESN inclui medidas de nível de água, de óleo e pressão, bem como os dados sobre o fluxo de saída das variáveis de controle correspondente à fase da água, do óleo e do gás no tanque. simulações foram utilizadas para representar o tanque. Nesse trabalho, ESN mostrou-se capaz de recriar uma corrente de poço tanto com águas com nível variável quanto com nível estático no tanque e também rejeitar ruído nos estados. Os resultados observados mostraram-se melhores daqueles baseados em filtros de Kalman extendidos.

Echo State Networks (ESN) are a type of Recurrent Neural Networks (RNN) and can be used to model certain classes of nonlinear dynamical systems. The ESN contains a large recurrent neural network with fixed weights that are defined at random, which are called the reservoir. Under the influence of input signals (u(t)) the reservoir is a high-dimensional collection of nonlinearly transformed versions (xi(t)) with the activation function of the input (u(t)), from which a desired output signal (y(t)) can be combined. RNNs tends to be costly to optimize when ESNs have a low computational cost. This is because only the output layer is trained, and the popular methods, like least square, are computationally effective. Virtual Flow Metering (VFM) is a method for estimating flowrates for different phases of a multi-phase flow without measuring them directly. Instead it makes use of data related to the flow. VFM is a topic of research in the oil and gas industry, where it is difficult to measure and model the three-phase flow from a well consisting of oil, water and gas. A common approach in the industry is to obtain multi-phase measurements is to allocate the wellstream into a test tank. Information about the composition of the well stream could potentially be used to better plan the production, improve redundancy and safety and reduce interruptions in the production. This work uses ESN to estimate a multi-phase wellstream entering a three-phase gravity separation tank. The input to the ESN includes measurements of water level, liquid level and pressure, as well as the data on the control variables outflow from the water, oil and gas phase of the tank. For the experiments, simulations were used to represent the tank. In this work, ESN was shown able to recreate wellstream with both a stationery and varying water level in the tank and also rejecting noise on states. In this work ESN showed better results than an observer based on Extended Kalman Filter.