is Íslenska en English

Lokaverkefni (Meistara)

Háskólinn í Reykjavík > Tæknisvið / School of Technology > MPM/MSc Verkfræðideild / Department of Engineering >

Vinsamlegast notið þetta auðkenni þegar þið vitnið til verksins eða tengið í það: http://hdl.handle.net/1946/39453

Titill: 
  • Titill er á ensku Real-time measurement of geothermal well output
Námsstig: 
  • Meistara
Útdráttur: 
  • Þessi ritgerð er unnin í samstarfi við Landsvirkjun um tilraunaverkefni sem Þróunarsvið Landsvirkjunar hefur unnið að síðan 2019. Tilraunaverkefnið snýr að því að finna leiðir til þess að mæla afkastagetu borhola í rauntíma. Í reksti jarðhitasvæða þar sem borholur gefa frá sér tvífasa streymi vatns og gufu, er mikilvægt að geta spáð fyrir um heildarstreymi og vermi streymisins sem þátt í daglegri vettvangsstjórnun. Rauntímamæling á tvífasa streymi hefur verið krefjandi áskorun í iðnaði sem þessum, vegna þeirrar flóknu flæðihegðunar sem einkennir almennt streymi tvífasa vökva. Í þessu verkefni er unnið með gagnasafn sem tekið er saman úr prófunum sem innihalda mæld gögn af heildarstreymi og vermi þriggja borhola ásamt göngum safnað frá mæliblendu sem komið var fyrir í flæðilínu jarðhitavökvans.
    Markmið verkefnisins er að ákvarða heildarstreymi og vermi jarðhitavökvans með notkun gagna mæliblendunnar ásamt ýmsum úrvinnsluaðferðum. Fjögur tvífasa flæðilíkön eru reiknuð og borin saman við mæld gögn. Flæðilíkönin krefjast fyrirfram ákvarðaðs vatnsrennslis
    í streyminu. Notast var við tvennskonar vitvélareiknirita (e. machine learning).
    Notast var við aðhvarfsgreininga spálíkan (e. regression) til að áætla gufugæði (e. steam quality) streymisins svo hægt sé að beita flæðilíkönum einungis með gögn mæliblendunnar.
    Flokkunar spálíkan er byggt til að velja ákjósanlegasta flæðilíkanið til að nota hverju sinni.
    Fyrir bæði verkefnin voru tvær algengar vitvélaspáaðferðir notaðar fyrir bæði þessi tilfelli.
    Þær spáaferðir sem þróaðar voru og bornar saman eru ræktun slembiskóga(e. Random forest) og k-næsti granni (e. K Nearest Neighbor, KNN). Fyrir aðhvarfsgreininga spálíkanið þá spáðu báðar aðferðirnar, ræktun slembiskóga og KNN, gufugæða á óáðurséð prófunartilfelli
    með kennistærðina R2 (e. coefficient of determination) uppá 0.99. Fyrir flokkunarspálíkönin spáðu báðar aðferðirnar (ræktun slembiskóga og KNN) rétt í um 97% tilfella. Með þessu var hægt innleiða öll gögn mæliblendunar til þess að spá fyrir um gufugæði borholuvökvans
    og beita því flæðislíkani sem telja ætti árangursríkast hversu sinni. Með þessu var hægt að spá fyrir um heildarstreymi borholuvökvans með R2 uppá 0.967 og meðalstaðalskekkju (e. mean absolute error) uppá 7.6%. Vermi streymisins er svo spáð með R2 uppá 0.999 og meðalstaðalskekkju á við 0.33%. Með þessu var hægt að afkastamæla borholu frá þessum
    prófunum með því að aðferð færi fram á rauntíma á meðan holan er í fullum rekstri.

  • Útdráttur er á ensku

    This thesis collaborates with Landsvirkjun (The National Power Company of Iceland) on an experimental project that Landsvirkjun formed in 2019. The project aims at developing an experiment to measure the geothermal fluid flow rate and enthalpy and evaluate the power production on a continuous basis. In operations of geothermal power plants where geothermal wells produce a two-phase mixture of steam and water at the wellhead, continuous monitoring of the geothermal fluid flow rate and enthalpy is important for day-to-day field management.
    Real-time measurements of two-phase flow have been challenging in industries, such as power industries, due to the complex phenomena of two-phase behavior. For this thesis, a dataset is obtained from previously performed test runs with measured total flow rate and
    enthalpy of geothermal fluid along with sampled data by differential pressure (DP) over an orifice plate. This thesis aims to predict the flow rate and enthalpy of the geothermal fluid using data from the DP orifice plate meter along with various processing methods.
    Four different two-phase flow correlation models were applied and compared to the field data. The two-phase flow correlation models that have been developed rely on given liquid loading. A regression model predicts the steam quality in the two-phase flow, so only the
    DP orifice meter data is necessary to predict the geothermal fluid flow rate and enthalpy. A classification model is built to indicate the most optimal two-phase flow model to use in any given instance. Two machine learning approaches were implemented and compared, Random forest and K Nearest Neighbor (KNN). For the regression models, both Random forest and KNN predicted the steam quality to new test instances with a coefficient of determination, R2 of 0.99. Both approaches predicted the correct flow model in about 97% of the total predictions for the classification model. The process made it possible to estimate the steam
    quality of the geothermal fluid to apply the most optimal flow model to maximize the flow prediction accuracy at any given instance. Results indicate that it was possible to predict the two-phase total flow rate from the geothermal wells with R2 of 0.967 and calculated mean
    absolute error of 7.6%. The predicted enthalpy had the accuracy with R2 at 0.999 and a mean absolute error of 0.33%. Suppose this method proves to be as effective as it appears in this study. In that case, it will provide real-time measurements of geothermal fluid flow rate
    and enthalpy while the well is in production.

Samþykkt: 
  • 24.6.2021
URI: 
  • http://hdl.handle.net/1946/39453


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
MSc_Thesis_Hafsteinn.pdf3.11 MBLokaður til...01.07.2023HeildartextiPDF
hafsteinnbeidni.pdf414.57 kBOpinnBeiðni um lokunPDFSkoða/Opna