Optimisation of Central Offshore Process Equipment and Weight Estimates
Translated title
Optimering af Centralt Offshore Proces Udstyr og Vægtestimater
Author
Rasmussen, Kasper Rønn
Term
7. term
Education
Publication year
2015
Submitted on
2015-01-15
Pages
101
Abstract
Når blandingen af olie, gas og vand fra brønde skal adskilles, bruger udstyret meget energi, og produkterne skal leve op til strenge eksportkrav. Det er svært at forudsige, hvordan man samtidig minimerer energiforbruget og opfylder kravene. Denne afhandling bruger Design of Experiments og Response Surface Methodology (statistiske metoder til at planlægge forsøg og bygge en matematisk sammenhæng mellem input og output) til at opbygge en regressionsmodel ud fra en HYSYS-processimulering af separationsanlægget. Modellen beskriver, hvordan fem centrale procesvariable påvirker energiforbrug og kvalitet, og gør det muligt at finde det lavest mulige energiforbrug under givne eksportbegrænsninger. Der blev udviklet en optimeringsalgoritme i Python, som blev verificeret til at fungere godt inden for det undersøgte område. Modellen vurderes egnet til industribrug for at reducere energiforbruget, samtidig med at specifikationerne overholdes. Som udvidelse blev HYSYS-simuleringen brugt til at bygge en regressionsmodel, der estimerer hvilket centralt procesudstyr der kræves ud fra varierende olie-, gas- og vandstrømme. Med dette som grundlag blev der opbygget en Monte Carlo-model, som forudsiger den samlede topside-vægt (udstyret på anlæggets dæk) ved hjælp af korrelationsfaktorer. I modellen behandles bidragene som uafhængige og tilfældige med normalfordelte usikkerheder. Modellen er tænkt til brug i tidlige projektfaser for at give hurtigere og mere præcise resultater end de metoder, der anvendes i dag.
When the mixture of oil, gas, and water from wells is processed, the separation equipment consumes a lot of energy, and the products must meet strict export specifications. Predicting how to minimize power use while meeting quality limits is challenging. This thesis applies Design of Experiments and Response Surface Methodology—statistical methods that plan tests and build a smooth relationship between inputs and outputs—to develop a regression model from a HYSYS process simulation of the separation system. The model captures how five key process variables affect power use and product quality, and it can identify a global minimum in power consumption under the imposed export constraints. An optimization algorithm written in Python was developed and verified to perform well within the experimental training range. The approach appears suitable for industry use to lower power consumption while maintaining the required specifications. As an extension, the HYSYS simulation was used to build a regression model that estimates the required central process equipment based on varying oil, gas, and water flow rates. This provided the basis for a Monte Carlo model that predicts the total topside weight using correlation factors. In the Monte Carlo model, contributions are sampled independently with normally distributed uncertainties. The model is intended for use in early project phases to deliver faster and more precise results than current methods.
[This abstract was generated with the help of AI]
Keywords
Documents