Forslag til oppgaver våren
2022
Kontakt &
Faglærer: Ole Morten Aamo, Institutt for teknisk
kybernetikk
Innholdsfortegnelse
1. Maskinlæring
for surge modellering
2. Reinforcement
learning vs nonlinear control
3. Maskinlæring for
oljekvalitet
4.
Nowcasting and forecasting of housing prices from large datasets of
market data
5. Developing Automated Valuation Models for
residential real estate using customer supplied data
6. Estimating effect of floor plans on
residential real estate prices
7. Vision-based Real Estate Price Estimation
8. Observer design for hyperbolske PDEr basert
på mangelfulle målinger
9. Modellering
og simulering av boring av brønner for høsting av jordvarme
10. Deteksjon av lekkasje i væskeførende
rør
Bakgrunn: væske felles ut og akkumuleres i lange
gassrør. De produseres ut som en såkalt surge
(væskebølge) som kan skape utfordringer i prosessanlegget. Vi får et forvarsel
ved i form av trykkvariasjon. Oppgaven går ut på å lage en maskinlæringsmodell
for å predikere en slik surge (tid, størrelse), slik
at vi kan forberede mottaksanlegget. Equinor vil dele
data fra et gassrør som kan brukes til modellering, testing og verifikasjon.
.
Faglærer/veileder: Ole
Morten Aamo og John-Morten Godhavn (Equinor)
Sett
opp en simuleringsmodell av en flerfase brønn med olje, gass og vann.
Sammenlikn regulering med enkel PI m/gain scheduling med en ulineær
regulator og en Reinforcement Learning regulator.
Anta at flerfasemåling er tilgjengelig i tillegg til trykk. Undersøk ytelse og
robusthet ved sprang i settpunkt og ved forstyrrelser (trykk nedstrøms, endret GOR, gassløft av/på). Equinor kan
stille med Dymola simuleringsmodell av brønn og
choke.
.
Faglærer/veileder: Ole
Morten Aamo og John-Morten Godhavn (Equinor)
Olje
fra offshoreanlegg selges med en gitt kvalitet angitt bl.a. med TVP (True Vapor Pressure). TVP påvirkes av
sammensetning i føden fra brønner og kan reguleres ved å justere trykk og
temperatur i prosessanlegget. Oppgaven vil være å utvikle maskinlæringsmodeller
med gitte input parametere mot TVP/RVP og
sammenligne prediksjonsegenskaper med enkle regresjonsmodeller. Equinor vil dele data fra et offshoreanlegg som kan brukes
til modellering, testing og verifikasjon.
Faglærer/veileder: Ole
Morten Aamo og John-Morten Godhavn (Equinor)
Ta
kontakt for mer informasjon.
Faglærer/veileder: Ole Morten Aamo og Ulf Jakob Flø Aarsnes (solgt.no)
Ta
kontakt for mer informasjon.
Faglærer/veileder: Ole
Morten Aamo og Ulf Jakob Flø Aarsnes (solgt.no)
Ta
kontakt for mer informasjon.
Faglærer/veileder: Ole
Morten Aamo og Ulf Jakob Flø Aarsnes (solgt.no)
Ta
kontakt for mer informasjon.
Faglærer/veileder: Ole Morten Aamo og Ulf Jakob Flø Aarsnes (solgt.no)
Over de senere år har vi utviklet en ganske komplett
teori for adaptive observere og regulatorer for hyperbolske partielle
differensialligninger (beskriver transport-fenomen som væske i rør,
trafikkflyt, kraftoverføring over lange avstander, etc.), se boka [Anfinsen and
Aamo, «Adaptive Control of Hyperbolic
PDEs», Springer, 2019]. En begrensning for
observer-resultatene er at de krever komplette målinger (alle tilstander) i
minst ett punkt i domenet. Oppgaven går ut på å finne betingelser som tillater
tilstandsestimering basert på mangelfulle målinger (bare deler av tilstanden i
ett eller flere punkter i domenet), noe som vil åpne for mange nye anvendelser.
Faglærer/veileder: Ole Morten Aamo
Percussive
drilling is used to drill in hard rock for harvesting geothermal energy. The
main cost of building a geothermal power plant is drilling and it is therefore
essential to drill as efficiently as possible. We have recently developed a
simplified model of percussive drilling that contains a handful of parameters
that characterize the process and that can be used, if known, for optimization.
The objective of this master project is to extend the model to also contain the
drill string, and develop an extremum seeking method that optimizes the rate of
drilling.
Faglærer/veileder: Ole Morten Aamo
Oppgaven går ut på å utvikle
en metode for å detektere at det inntreffer en lekkasje i
et rør med væskeflyt, og om mulig hvor
i røret, basert på malinger fra inn- og utløp.
Tidsserier fra en virkelig prosess
(dataeier Equinor) er tilgjengelig
for å teste metoden.
Faglærer/veileder: Ole Morten Aamo