بهینه‌سازی تولید و تزریق با استفاده از روش کاهش مرتبه مدل در شبیه‌سازی مخازن هیدروکربنی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی نفت، دانشگاه صنعتی امیرکبیر، تهران، ایران

2 دانشکده مهندسی صنایع، دانشگاه صنعتی امیرکبیر، تهران، ایران

چکیده

بهینه‌سازی برنامه تولید و تزریق در مخازن هیدروکربنی به‌دلیل پیچیدگی و حجم بالای محاسبات، زمینه تحقیقاتی بسیاری از طرح‌های پژوهشی بوده است. یکی از علل اصلی این پیچیدگی نیاز به اجراهای متعدد شبیه‌ساز عددی به منظور پیش‌بینی عملکرد مخزن است. لذا یافتن راهی برای کاهش محاسبات شبیه‌سازی مخزن کمک شایانی به تسهیل بهینه‌سازی تولید خواهد کرد. یکی از روش‌‎های کاهش حجم شبیه‌سازی مخزن استفاده از روش‌های کاهش مرتبه مدل است که به‌تازگی در حوزه شبیه‌سازی مخازن هیدروکربنی معرفی شده است. در این مقاله ما به معرفی روش کاهش مرتبه مدل براساس شبکه‌های عصبی مصنوعی و روش درون‌یابی تجربی گسسته خواهیم پرداخت. این روش با ترکیب مزایای روش‌های نفوذی روش درون‌یابی تجربی گسسته و غیر نفوذی شبکه‌های عصبی قادر است ضمن حفظ دقت شبیه‌سازی مشکل بالا بودن ابعاد فضای متغیر را حل کرده و در زمینه شبیه‌سازهای جعبه سیاه نیز به‌کار گرفته شود. کارایی الگوریتم پیشنهادی در کاهش حجم شبیه‌سازی و بهینه‌سازی تولید در مخزن شاخص بروژ مورد ارزیابی قرار گرفته است. روش مذکور نشان داد که قادر است ضمن حفظ دقت شبیه‌سازی و رفتار دینامیکی مخزن زمان شبیه‌سازی را تا هشت برابر کاهش دهد. در قسمت بهینه‌سازی تولید نیز استفاده از این روش در کنار الگوریتم بهینه‌سازی جستجوی الگو توانست ضمن کاهش زمان محاسباتی به میزان هفت برابر نسبت به شبیه‌ساز عددی اکلیپس، موجب بهبود 11% در ارزش خالص فعلی نسبت به نقطه اولیه بهینه‌سازی شود.
 

کلیدواژه‌ها


عنوان مقاله [English]

Optimization of Oil Production Using Reduced Order Modeling in Hydrocarbon Reservoir Simulation

نویسندگان [English]

  • Toomaj Foroud 1
  • Abbas Seifi 2
  • Babak Aminshahidy 1
1 Department of Petroleum Engineering, Amirkabir University of Technology, Tehran, Iran
2 Department of Industrial Engineering, Amirkabir University of Technology, Tehran, Iran
چکیده [English]

Production-injection optimization has been the subject of various researches due to its complicated and expensive computations. The main reason for this complexity is number of reservoir simulation runs is needed to predict reservoir performance. These numerical reservoir simulations are computationally expensive and time consuming. Therefore, finding a way to reduce the computational burden of reservoir simulation will facilitate the optimization process. One of the methods for reducing the complexity of reservoir simulation is Reduced Order Modeling (ROM) which has been recently introduced for improving efficiency of open source reservoir simulators. In this paper, an ROM method based on Artificial Neural Networks (ANN) and Discrete Empirical Interpolation Method (DEIM) is proposed to resolve the curse of dimensionality while simulating reservoir dynamics with acceptable accuracy. This method is also applicable to black box reservoir simulators. The performance of the suggested ANN-DEIM algorithm has been investigated on a case study on Brugge field. The reduced model well represent the reservoir dynamic behavior while reducing run time by a factor of eight comparing with that of a full order reservoir simulator. ANN-DEIM also has been applied in production-injection optimization of Brugge filed using a Pattern Search optimization algorithm. The proposed method can reduce optimization time by 7 times while leading  to %11 improvement in Net Present Value (NPV) over the initial solution used in the optimization process.

کلیدواژه‌ها [English]

  • Production Optimization
  • Reservoir Simulation
  • Reduced Order Modeling
  • Artificial Neural Networks
  • Discrete Empirical Interpolation Method
  • Proper Orthogonal Decomposition

[1]. Frangos M., Marzouk Y. and Willcox K., “Surrogate and reduced-order modelling: a comparison of approaches for large-scale statistical inverse problems,” John Wiley and Sons Ltd, 2001.##

[2]. Foroud T., seifi A. and Hassani H., “Surrogate-based optimization of horizontal well placement in a mature oil reservoir,” JPST, Vol. 30, No. 11, pp. 1091-1101, 2012. ##

[3]. Mohammadi H., seifi A. and Foroud T., “A Robust Kriging model for predicting accumulative outflow fram a mature reservoir considering a new horizontal well,” JPSE, Vol. 82-83, pp. 113-119, 2012.##

[4]. Lumley J. L., “Atmospheric turbulence and radio wave propagation”, Journal of Computational Chemistry, Vol. 23, No. 13, pp. 1236–1243, 1967.##

[5]. Vermeulen P. T., Heemink A. W. and Stroet C. B., “Reduced models for linear groundwater flow models using empirical orthogonal functions”, Advances in Water Resources, Vol. 27, pp. 57–69, 2004.##

[6]. Cardoso M. A, Durlofsky L. and Sarma P., “Development and application of reduced order modelling procedures for subsurface flow simulation”, International Journal for Numerical Methods in Engineering, Vol. 77, No. 9, pp. 1322-1350, 2009.##

[7]. Dong N. and Roychowdhury J., “Piecewise polynomial nonlinear model reduction”, Design Automation Conference, IEEE Computer Society, Los Alamitos, CA, 2003.##

[8]. Cardoso M. A. and Durlofsky L. J., “Linearized reduced-order models for subsurface flow simulation”, J. Comput. Phys., Vol. 229, pp. 681–700, 2010.##

[9]. Chaturantabut S. and Sorensen D. C., “Discrete empirical interpolation for nonlinear model reduction”, Joint 48th Conference on Decision and Control, 2009.##

[10]. Chaturantabut S. and Sorensen D. C., “Nonlinear model reduction via discrete empirical interpolation”, SIAM J. Sci. Comput., Vol. 32, No. 5, pp. 2737-2764, 2010.##

[11]. Barrault M., Maday Y., Nguyen N. C. and Patera A. T., “An ‘empirical interpolation’ method: application to efficient reduced-basis discretization of partial differential equations”, Comptes Rendus Mathematique, Vol. 339, No. 9, pp. 667–672, 2004.##

[12]. Sava D., “Model-reduced gradient based production optimization”, M.S.c Thesis, Delft University, The Netherlands, 2012.##

[13]. Peters E. et al., “Results of the Brugge benchmark study for flooding optimization and history matching,” SPE Reservoir Evaluation & Engineering, Vol. 13, No. 3, pp. 391-405, 2010.##

[14]. Foroud T., Seifi A. and AminShahidy B., “Assisted history matching using artificial neural network based global optimization method – Applications to Brugge field and a fractured Iranian reservoir”, JPSE, Vol. 123, pp. 46–61, 2014.##