Digital twin de um separador trifásico em unidade offshore utilizando redes neurais NARX e LSTM

Abstract

A extração de petróleo offshore é um processo complexo que enfrenta diversos desafios, espe- cialmente no que se refere à limitação de espaço físico para a construção de vasos com capaci- dade suficiente para absorver as variações de carga a que o processo está sujeito. Além disso, a natureza turbulenta do escoamento nas tubulações de elevação do petróleo pode provocar gol- fadas ocasionais, tornando complexo o controle dos níveis de vasos de tratamento e separação, que são essenciais para garantir a qualidade dos produtos finais. Neste trabalho, é realizado o desenvolvimento de um Digital Twin de um separador trifásico utilizando redes neurais, espe- cificamente as arquiteturas NARX e LSTM, para prever os níveis de vasos de tratamento e separação com 1, 3, 5 e 10 passos de antecedência. Cada modelo foi treinado por meio de oti- mização de hiperparâmetros com o método de Otimização Bayesiana e validado com dados de teste independentes obtendo resultados significativos. O Digital Twin desenvolvido permite simulações de processo realistas, que utilizam técnicas de machine learning para identificar relações não lineares entre variáveis e replicar o compor- tamento do gêmeo físico com fidelidade. As simulações de processo são valiosas para testar estratégias de controle e ajustar a sintonia do modelo. A identificação do modelo de processo é realizada a partir das entradas e saídas conhecidas, utilizando os dados de processo disponíveis. Este trabalho evidencia a eficácia do Digital Twin como uma ferramenta que aprimora o con- trole e a operação dos sistemas de produção de petróleo offshore. Sua implementação representa um avanço significativo na gestão e controle desses sistemas, promovendo uma extração de petróleo mais eficiente e sustentável.

Offshore oil extraction is a complex process that faces various challenges, especially regarding the limited physical space for constructing vessels with sufficient capacity to absorb the load variations to which the process is subjected. Additionally, the turbulent nature of flow in risers can cause occasional surges, making it complex to control the levels of treatment and separation vessels, which are essential to ensuring the quality of the final products. In this work, it is de- veloped a Digital Twin of a three-phase separator using neural networks, specifically the NARX and LSTM architectures, to predict the levels of treatment and separation vessels with 1, 3, 5, and 10 steps ahead. Each model is trained using hyperparameter optimization with the Bayesian Optimization method and validated with independent test data, obtaining significant results. The developed Digital Twin enables realistic process simulations, using machine learning tech- niques to identify non-linear relationships between variables and faithfully replicate the behav- ior of the physical twin. Process simulations are valuable for testing control strategies and fine- tuning the model. The process model identification is performed based on known inputs and outputs, using available process data. This study highlights the effectiveness of the Digital Twin as a tool that enhances control and operation of offshore oil production systems. Its implemen- tation has the potential to be a significant advancement in the management and control of these systems, promoting more efficient and sustainable oil extraction.