آنالیز حساسیت پارامترهای تولیدی یکی از میادین نفتی ایران با استفاده از روش جامع سوبول

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی شیمی و نفت، دانشگاه صنعتی شریف، تهران، ایران

2 مرکز فناوری مپصا

چکیده

استفاده از آنالیز حساسیت یکی از روش‌های مؤثر در ساده‌سازی مدل‌های عددی است. در مدل‌هایی که برای شبیه‌سازی رفتار میادین نفتی ساخته می‌شود، تعداد زیادی متغیر وجود دارد که لزوماً همه این متغیرها تأثیر یکسانی در خروجی مدل ندارند. لذا می‌توان با استفاده از روش‌های آنالیز حساسیت، متغیرهای با اهمیت کمتر را شناسایی کرد و آن‌ها را در مقادیر اسمی ثابت نگه داشت و مدل‌سازی‌ها و پیش‌بینی‌ها را برمبنای متغیرهای حساس‌تر انجام داد تا در زمان و هزینه صرفه‌جویی شود. روش‌های آنالیز حساسیت به دو دسته روش‌های جامع و روش‌های محلی تقسیم می‌شوند. در این پژوهش ضمن بررسی هریک از این دو دسته و مزایا و معایب هر یک، روش مناسب برای آنالیز حساسیت در این موضوع معرفی می‌شود که سوبول نام دارد. مزیت روش سوبول نسبت به سایر روش‌ها، جامع بودن و در نظر گرفتن اثرات متقابل پارامترها بر یکدیگر است. در این پژوهش، روش سوبول برروی مدل سطح یکی از میادین نفتی ایران اجرا شده و شاخص‌های حساسیت سوبول برای هر یک از پارامترها اندازه‌گیری شد که طبق آن، پارامترهایی نظیر اندازه کاهنده، قطر خط لوله و فرکانس پمپ‌های درون‌چاهی بیشترین تأثیر را در میزان دبی نفت تولیدی دارند و در مطالعات بهینه‌سازی تولید میدان باید بیشتر برروی آن‌ها تمرکز شود. همچنین، میزان حساسیت دبی نفت تولیدی به برخی پارامترها از لحاظ فنی بررسی و تحلیل شد.
 

کلیدواژه‌ها


عنوان مقاله [English]

Sensitivity Analysis of Production Parameters of an Iranian Oilfield Using Sobol Method

نویسندگان [English]

  • Javad Rezaeian 1
  • Saman Jahanbakhshi 2
  • Saeid Jamshidi 1
1 Department of Chemical and Petroleum Engineering, Sharif University of Technology, Tehran, Iran
2 MAPSA Technology Center
چکیده [English]

Using sensitivity analysis is one of the effective methods to simplify numerical models. There are a lot of parameters in models constructed for the simulation of oilfields. These parameters do not have the same impact on the model›s output. Therefore, utilization of the sensitivity analysis methods help that nonsignificant variables can be identified and kept at nominal values in order to save time and cost. According to studies, favorable method in sensitivity analysis is a dimensionless, quantitative, global, and model-free method. In this study, Sobol method has been selected as a desirable method for sensitivity analysis of production parameters. This method is applied to the surface model of one of Iran›s oilfields and it is characterized that parameters such as choke size, flowline diameter and pump frequency have the greatest effect on the oil production rate.
 

کلیدواژه‌ها [English]

  • Sensitivity Analysis
  • Global methods
  • Local methods
  • Sobol method
  • Surface model
[1]. Saltelli A, Chan K, Scott M (2000) Sensitivity analysis probability and statistics series, John and Wiley & Sons, New York.##

[2]. Saltelli A, Tarantola S, Campolongo F, Ratto M (2004) Sensitivity analysis in practice: a guide to assessing scientific model, 1, Wiley Online Library. ##

[3]. Iooss B, Lemaître P (2015) A review on global sensitivity analysis methods, in uncertainty management in simulation-optimization of complex systems, Springer, 101-122. ##

[4]. Saltelli A (2002) Making best use of model evaluations to compute sensitivity indices, Computer physics communications, 145, 2: 280-297. ##

[5]. Iooss, B. and Saltelli A (2017) Introduction to sensitivity analysis, Handbook of Uncertainty Quantification, 1103-1122. ##

[6]. Alhuraishawy AK, Alfarge D, Wei M, Bai B, Almansour A (2018) Influencing factors analysis in the combination of gel treatment and low salinity water flooding using sensitivity analysis, in SPE EOR Conference at Oil and Gas West Asia, Society of Petroleum Engineers. ##

[7]. Al-Mudhafar WJ, Kamy Sepehrnoori S, SPE-190835-MS. ##

[8]. Hamdi H, Clarkson CR, Ghanizadeh A, Ghaderi SM, Vahedian A, Riazi N, Esmail A (2019) A bayesian approach for optimizing the huff-n-puff gas injection performance in shale reservoirs under parametric uncertainty: A duvernay shale example, in SPE Europec featured at 81st EAGE Conference and Exhibition, Society of Petroleum Engineers. ##

[9]. Giuliani M, Cadei L, Montini M, Bianco A, Niccolai A, Mussetta M, Grimaccia F (2018) Hybrid artificial intelligence techniques for automatic simulation models matching with field data and constrained production optimization. in international petroleum technology conference, Abu Dhabi International Petroleum Exhibition and Conference, Abu Dhabi, UAE . ##

[10]. Helton JC, Johnson JD, Sallaberry CJ,  Storlie CB (2006) Survey of sampling-based methods for uncertainty and sensitivity analysis, Reliability Engineering and System Safety, 91, 10-11: 1175-1209. ##

[11]. Helton JC, Davis FJ (2003) Latin hypercube sampling and the propagation of uncertainty in analyses of complex systems, Reliability Engineering and System Safety, 81, 1: 23-69. ##

[12]. Helton JC, Davis F (2002) Illustration of sampling‐based methods for uncertainty and sensitivity analysis. Risk analysis, 22, 3: 591-622. ##

[13]. Frey HC, Mokhtari A, Zheng J (2004) Recommended practice regarding selection, application, and interpretation of sensitivity analysis methods applied to food safety process risk models. US Department of Agriculture, Washington, DC. ##

[14]. Frey HC, Mokhtari A, Danish T (2003) Evaluation of selected sensitivity analysis methods based upon applicationsto two food safety process risk models. Prepared by North Carolina State University for Office of Risk Assessment and Cost-Benefit Analysis, US Department of Agriculture, Washington, DC. ##

[15]. Cacuci DG (2003) Sensitivity and Uncertainty Analysis, Volume 1: Theory (Hardcover), Boca Raton, FL: Chapman & Hall/CRC. ##

[16]. Saltelli A, Tarantola S, Campolongo F (2000) Sensitivity anaysis as an ingredient of modeling. Statistical Science, 15, 4: 377-395. ##

[17]. Castaings W, Dartus D, Le Dimet FX,  Saulnier GM (2009) Sensitivity analysis and parameter estimation for distributed hydrological modeling: potential of variational methods, Hydrology and Earth System Sciences, 13, 503–517.

[18]. Saltelli A, Chan K, Scott E (2000) Wiley series in probability and statistics, in sensitivity Analysis, Wiley. ##

[19]. Vanrolleghem PA (2010) Modelling aspects of water framework directive implementation, Iwa Publishing. ##

[20]. Sobol IM (2003) Theorems and examples on high dimensional model representation, Reliability Engineering and System Safety, 79, 2: 187-193. ##

[21]. Homma T, Saltelli A (1996) Importance measures in global sensitivity analysis of nonlinear models, Reliability Engineering and System Safety, 52, 1: 1-17. ##

[22]. Sobol IM (2001) Global sensitivity indices for nonlinear mathematical models and their monte carlo estimates, Mathematics and computers in simulation, 55, 1-3: 271-280. ##

[23]. Fisher RA (1992) The arrangement of field experiments, in Breakthroughs in statistics, Springer, 82-91. ##

[24]. McKay MD, Beckman RJ, Conover WJ (1979) Comparison of three methods for selecting values of input variables in the analysis of output from a computer code, Technometrics, 21, 2: 239-245. ##