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

Abstract

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.