Learning characteristic parameters and dynamics of centrifugal pumps under multi-phase flow using physics-informed neural networks

要約

電動水中ポンプ (ESP) は、流量とブースト圧力が高いため、石油およびガス業界で 2 番目に使用されている人工揚水装置です。
多くの場合、通常は炭化水素、水、および/または堆積物の混合物を含む混相流を処理する必要があります。
このような状況を考慮すると、エマルションが一般的に形成されます。
これは、実効粘度と密度が単相とは別々に異なる 2 つの非混和流体で構成される液液流です。
これに関連して、石油生産を最適化し、制御戦略を実施するには、ESP システムの正確なモデリングが不可欠です。
ただし、流体とシステムの特性をリアルタイムで直接測定することは、時間の制約と経済性の理由から、多くの場合非現実的です。
したがって、システムパラメータを推定するには、一般的に間接的な方法が考慮されます。
この論文では、物理情報に基づいたニューラル ネットワーク (PINN) に基づいて機械学習モデルを定式化し、重要なシステム パラメーターを推定します。
提案された PINN モデルの有効性を研究するために、さまざまな水と油の比率についてのシミュレーション データだけでなく実験データも使用して計算研究を実行します。
吸入圧力と吐出圧力の測定値のみが利用可能な場合、状態変数のダイナミクスと未知のパラメーターをさまざまな組み合わせで評価します。
また、一般的に利用可能な圧力測定に基づいた構造的および実用的な識別可能性の分析も研究します。
PINN モデルは、流体の特性を推定するために使用される高価な現場実験室テストの要件を軽減できる可能性があります。

要約(オリジナル)

Electrical submersible pumps (ESP) are the second most used artificial lifting equipment in the oil and gas industry due to their high flow rates and boost pressures. They often have to handle multiphase flows, which usually contain a mixture of hydrocarbons, water, and/or sediments. Given these circumstances, emulsions are commonly formed. It is a liquid-liquid flow composed of two immiscible fluids whose effective viscosity and density differ from the single phase separately. In this context, accurate modeling of ESP systems is crucial for optimizing oil production and implementing control strategies. However, real-time and direct measurement of fluid and system characteristics is often impractical due to time constraints and economy. Hence, indirect methods are generally considered to estimate the system parameters. In this paper, we formulate a machine learning model based on Physics-Informed Neural Networks (PINNs) to estimate crucial system parameters. In order to study the efficacy of the proposed PINN model, we conduct computational studies using not only simulated but also experimental data for different water-oil ratios. We evaluate the state variable’s dynamics and unknown parameters for various combinations when only intake and discharge pressure measurements are available. We also study structural and practical identifiability analyses based on commonly available pressure measurements. The PINN model could reduce the requirement of expensive field laboratory tests used to estimate fluid properties.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google