The text below is a brief description of the project topics supervised by professor Lars Imsland. Contact lars.imsland@itk.ntnu.no for further information. Most topics can be continued in a master thesis project if the candidate and supervisor(s) so wishes. Some of the descriptions are rather advanced/involved for a single project, and should be considered descriptions for a combined project/master project.

Statoil har en stadig tilbakekommende utfordring på å forstå og håndtere slugging fra brønner (vekselvis produksjon av væske og gass og store svingninger i trykk). På en aktuell brønn nå har vi mulighet til å regulere med både produksjonschoke topside og gassløftrate. Sluggeperioden er 10-20 minutter og en hypotese vi har er at en ny «slugg» med væske dras inn i brønnen når en væskeslugg produseres ut i toppen med medfølgende trykkfall. Forslag til oppgave:

1. Bakgrunn: se på modellering av slugging med få tilstander gjort av Storkaas, Eikrem m.fl. Diskuter strømningsregimer og strømningskart.
2. Implementer modell for brønn og nærbrønnsområde i Dymola eller Matlab. Pådrag er produksjonschoke og gassløftrate. Modellen skal støtte tofasestrømning og trykkbasert innstrømning fra nærbrønnsområde.
3. Gjenskap trykkvariasjoner fra feltdata ved å tilpasse modell. Vurder hypotese og egensvingning ved at ny slugg dras inn når slugg produseres ut i toppen.

Oppgaven kan fortsettes i en masteroppgave med å foreslå regulatorstruktur, implementere og teste. Med-veiledere: John-Morten Godhavn, Morten Fredriksen, Pål Kittilsen, Statoil.

ROP optimalisering mhp hullrensing: lag (MPC) regulator som borer så fort som mulig gitt begrensninger i pumpetrykk, bunnhullstrykk, hullrensing, mm, ved å justere vekt, pumperate og rotasjonshastighet på borestrengen. Eksisterende Dymola modeller skal videreutvikles. Tilpass modellparametere til feltdata. Test regulator på boring av seksjon med stringere (korte partier med hard stein).

Med-veiledere: John-Morten Godhavn, Åsmund Hjulstad, Pål Kittilsen, Statoil.

En visjon er at fremtidens boreprogram skal kunne lastes ned i borekontrollsystemet med gitte parametere (brønnbane, mudvekt, etc) med gitte begrensinger (min/max rotasjon (rpm), min/max borehastighet (rop) , min/max pumperate, min/max pumpetrykk, min/max bunnhullstrykk, etc). Utvikle drag/drop løsning for et slikt digitalt boreprogram med enhetsoperasjoner. Bruk Dymola til å simulere boreprosessen. Lag autonomt borekontrollsystem som følger planen. Test på autonom boring av 2km seksjon og autonom tripping ut.

Med-veiledere: John-Morten Godhavn, Åsmund Hjulstad, Pål Kittilsen, Statoil.

Oppgaven skal studere gjennomføring og analyse av friksjonstester (også kjent som opp-ned-vekter), som brukes for å overvåke effektiv friksjon langs borestreng. En optimalisering av denne prosedyren kan ta hensyn til risiko for feil, kvalitet på friksjonsestimat uten friksjonstest, formasjonsegenskaper, for å nevne noe. Oppgaven skal bruke Statoil/Modelons nye Modelica-bibliotek (Dymola) for modellering av boreoperasjoner.

Med-veiledere: John-Morten Godhavn, Åsmund Hjulstad, Pål Kittilsen, Statoil.

Oppgaven vil studere kombinasjonen av relativt enkle (helst lineære) modeller som fanger 80 % av dynamikken i kombinasjon med en annen type modell basert på maskinlæring som fanger en andel av den resterende dynamikken som er ulinær, tidsforsinket, eller av høyere orden. Er det mulig å bevise noen form for stabilitet med denne framgangsmåten? Kan man gjøre noen triks for å gjøre maskinlæringsbiten robust? Hvilke maskinlæringsteknikker vil egne seg? For en prosjektoppgave vil det være tilstrekkelig å vise med eksempler at det lar seg gjennomføre for et par modeller med kjente parametere og noen teknikker fra maskinlæring. Det er også interessant å vise hvordan det kan feile.

Med-veiledere: Espen Hauge, John-Morten Godhavn, Statoil, Ole Morten Aamo, NTNU.

Bakgrunn og målsetting:
Hydrosykloner er en meget viktig komponent i offshore olje prosessering for fjerne olje fra produsert vann. Hydrosykloner separerer olje og vann ved å sende væsken inn i kjegle slik at den begynner å rotere og danner sentrifugalkraft. Den tyngste væsken (vann) trekkes da utover, mens den lette væsken (olje) fortrenges og dyttes innover. For optimal separasjon ønsker man å holde et forhold av to trykkdifferanser konstant (P_innløp-P_utløp_olje)/ (P_innløp-P_utløp_vann). Det er veldig vanlig å implementere denne reguleringsstrukturen ved å direkte dele den ene trykkdifferansen på det andre trykkdifferansen og sende dette inn som måling til en PID regulator, og sette settpunktet til ønsket forhold mellom disse. Problemet med dette er at man innfører ulinearitet som kun er en følge av implementasjonen. Dersom målingen vi deler med blir veldig liten får man en mye høyere forsterkning i reguleringssløyfen, og man risikerer ustabilitet.
I et ekstremtilfelle kan man tenke seg at (P_innløp-P_utløp_vann)=0, og man får uendelig forsterkning.
Den anbefalte måten å implementere forholdsregulering er å bruke den ene trykkdifferansen som måling og den andre trykkdifferansen (ganget med ønsket forholdsfaktor) som settpunkt. På denne måten unngår man ulineariteten.

Denne studien er ment for hvilke forbedringer man kan forvente ved å bytte implementasjon, og hvor stor denne forbedringen er.

I dette studie ønsker man å:

• Lage en enkel dynamisk hydrosyklon model som kan brukes til reguleringsformål.
• Analysere nåværende implementasjon av forholdsreguleringen.
• Analysere anbefalt implementasjon av forholdsreguleringen.
• Sammenligne de to alternativene.
• Det kunne i tillegg vært interessant å undersøkt om andre målinger eller strukturer egner seg bedre til regulering av optimal splitt.

Medveiledere: Olav Slupphaug m.fl., ABB

Kompetanse- og interesseprofil: Modellering, prosessregulering, PID regulering

Oppgaven kan utvides med en sommerjobb om det er gjensidig interesse for dette.

Bakgrunn og målsetning: Bruke lagrede data fra History server til å etablere førsteordens/integrerende+time delay modeller for prosess tilknyttet PID loops basert på automatisk syklisk/kontinuerlig anayse av nye prosessdata. Systemet skal selv identifisere gyldige perioder hvor modell kan etableres/identifisere tilfeller hvor systemet er utsatt for «input disturbances» etc (evt områder hvor det kjøres i manuell), samt evt «clustre» dataene slik at prosessmodeller rundt flere operasjonspunkter kan identifiseres.

Medveiledere: Olav Slupphaug m.fl., ABB

Kompetanse- og interesseprofil: Optimalisering+(prosess)regulering

Oppgaven kan utvides med en sommerjobb om det er gjensidig interesse for dette.

See this document for information.

Co-supervisor: Eric Bradford.

See this document for information.

Co-supervisor: Eric Bradford.

The common model predictive controller uses the so-called “receding-horizon” paradigm to deal with uncertainties, which however disregards information that may become available in the future. Instead, this work will be based on applying the multi-stage stochastic programming approach, which builds a scenario-tree and allows to take into account information available in the future. This technique is a popular approach for robust nonlinear model predictive control [1] and linear stochastic control [2]. For stochastic nonlinear model predictive control it has been applied in the following papers [3,4], on which the work will be based on.

1. Lucia, S.: Robust Multi-stage Nonlinear Model Predictive Control. Citeseer, (2014)
2. Bernardini, D., Bemporad, A.: Scenario-based model predictive control of stochastic constrained linear systems. In: Decision and Control, 2009 held jointly with the 2009 28th Chinese Control Conference. CDC/CCC 2009. Proceedings of the 48th IEEE Conference on 2009, pp. 6333-6338. IEEE
3. Goodwin, G.C., Medioli, A.M.: Scenario-based, closed-loop model predictive control with application to emergency vehicle scheduling. International Journal of Control 86 (8), 1338-1348 (2013).
4. Goodwin, G.C., Østergaard, J., Quevedo, D.E., Feuer, A.: A vector quantization approach to scenario generation for stochastic NMPC. In: Nonlinear Model Predictive Control. pp. 235-248. Springer, (2009)

See this document for information.

Co-supervisor: Leif Erik Andersson.

See this document for information.

Co-supervisor: Leif Erik Andersson.

See this document for information.

Co-supervisor: Leif Erik Andersson.

Se dette dokumentet for detaljer. For mere informasjon, kontakt forskerne som er oppgitt for hver oppgave, og/eller meg eller professor Jäschke.

Se dette dokumentet for detaljer. For mere informasjon, kontakt Professor Bar og/eller Lars Imsland/Jo Arve Alfredsen.

This project will investigate select different methods for robust linear MPC. Some keywords are (striped, parametrized) tube MPC and robustly reachable sets. These should be tested and compared on relatively simple examples. This project will fit best for «theoretically inclined» students with fondness for optimization and Matlab programming.

Investigate control challenges and opportunities in operation of whole wind farms. Perform a literature survey on wake modeling (for control) and select a simple model for implementation, to showcase control challenges and opportunities. If time permits, implement model predictive control for wind farm control.

This problem should investigate links between non-parametric machine learning in the form of Gaussian processes, via realization theory and state-space models, to Kalman filtering, using the article [1] as starting point.

[1] S. Sarkka, A. Solin, and J. Hartikainen, “Spatiotemporal learning via infinite-dimensional bayesian filtering and smoothing: A look at gaussian process regression through kalman filtering,” Signal Processing Magazine, IEEE, vol. 30, no. 4, pp. 51–61, 2013.