بهینه‌سازی و بهبود عملیات تطابق تاریخچه خودکار با استفاده از روش سطح رویه پاسخ و الگوریتم ژنتیک-مطالعه موردی در یک میدان بزرگ نفتی جنوب غرب ایران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 پژوهشکده مطالعات مخازن، پردیس توسعه صنایع بالادستی، پژوهشگاه صنعت نفت، تهران، ایران

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

چکیده

تطابق تاریخچه یکی از مهمترین بخش‌های شبیه‌سازی مخازن و به تبع آن مطالعه مخزن است و افزایش سرعت در انجام این عملیات در عین دقت یکی از چالش‌های کنونی دانش مهندسی نفت است. در این مطالعه، سعی شده است با بهره‌گیری از مدل پروکسی و بهینه‌سازی دقیق، فرآیند «تطابق تاریخچه» که یکی از مهمترین مراحل در مطالعه جامع مخزن است با زمان اجرای بسیار کمتر انجام گیرد. در این مقاله رویکرد ریاضی مدل جایگزین (پروکسی) برای تطابق تاریخچه خودکار در یک میدان بزرگ در جنوب ایران با 14 چاه با متغیرهای پاسخ‌های (تولید نفت و داده‌های فشار) استفاده شده است. روشی که به عنوان مدل پروکسی استفاده شده است روش سطح رویه پاسخ است که در آن 21 پارامتر برای ساخت مدل با استفاده از روش مکعب متمرکز بر وجه که از جمله روش‌های نمونه‌گیری مرکزی معرفی شده است. سپس برای پروکسی ساخته شده از الگوریتم ژنتیک و الگوریتم ازدحام ذرات برای بهینه‌سازی تابع هدف استفاده شد. روش کار استفاده شده در این مقاله کدنویسی و برنامه‌نویسی در Matlab و لینک آن با نرم‌افزار شبیه‌سازی Eclipse برای بررسی و نهایی‌سازی پارامترها بود. در نتیجه، ساخت مدل پروکسی بهینه‌سازی شده (با الگوریتم ژنتیک) با استفاده از 256 نمونه با R2 9/0 موفق عمل کرد.
 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Application of Optimized Proxy Algorithm for History Matching Using Response Surface and Genetic Algorithm, a Case Study: in One of the Big Oil Reservoirs

نویسندگان [English]

  • Mojtaba Karimi 1
  • Ali Mortazavi 2
1 Reservoir study division, Research and Development in Upstream Petroleum Industry (RIPI), Tehran, Iran
2 Department of Mining and Meatallurgy Engineering, Amirkabir University of Technology, Tehran, Iran
چکیده [English]

One of the most important sections in fulfilled study (FFS) and master development plan is history matching which plays an important role in production scenarios and future production plan of reservoir. It would be a challenge for reservoir engineering due to lots of parameters and uncertainties during reservoir study which need lots of simulation runs to reach good match for responses in conventional mechanism of history matching. However, for accelerating history matching part, new methods which called as assisted or automated history matching (AHM) have been established. In this paper, an approach for automated history matching (AHM) was applied in a real brown field with 14 wells with multiple responses located in south of Iran. The main important features of the proposed algorithm were defining a proxy model which was a response surface method in which 21 model parameters were incorporated based on cubic centered face method. Response surface method (RSM) has been employed to create the proxy model. The optimization algorithms utilized in this research were genetic algorithm (GA) and particle swarm optimization (PSO). Proxy model was successfully constructed using 256 samples leading into R2 of 0.9 on dataset with good results on GA.
 

کلیدواژه‌ها [English]

  • Assisted History Matching
  • Proxy Model
  • Optimization Algorithm
  • Genetic Algorithm

[1]. Arief I. H., “Assisted history matching: a comprehensive study of methodology”, in Faculty of Science and Technology, Stavanger, 2013. ##

[2]. Denney D., “Pros and cons of applying a proxy model as a substitute for full reservoir simulations”, Journal of Petroleum Technology, Vol. 62, p. 07, 2010. ##

[3]. Azad A. and Chalaturnyk R., “Application of analytical proxy models in reservoir estimation for SAGD process: UTF-project case study,” SPE-165576-PA, Journal of Canadian Petroleum Technology, Vol. 52, 2013. ##

[4]. Fedutenko E., Yang C., Card C. and Nghiem L. X., “Time-dependent proxy modeling of SAGD process,” in SPE Heavy Oil Conference-Canada, SPE-165395-MS: Calgary, Alberta, Canada, 2013. ##

[5]. Fedutenko E., Yang C. Card C. and Nghiem L. X., “Time-dependent neural network based proxy modeling of SAGD process,” in SPE Heavy Oil Conference-Canada, SPE-170085-MS: Calgary, Alberta, Canada, 2014. ##

[6]. Ghasemi M. and Whitson C. H., “Modeling SAGD with a black-oil proxy,” in SPE Annual Technical Conference and Exhibition, SPE-147072-MS: Denver, Colorado, USA, 2011. ##

[7]. Yao S. and Prasad V., “Proxy modeling of the production profiles of SAGD reservoirs based on system identification,” Industrial & Engineering Chemistry Research,  Vol. 54 (33), pp 8356–8367, DOI: 10.1021/ie502258z 2015. ##

[8]. Amini S., Mohaghegh S. D., Gaskari R. and Bromhal G. S., “Pattern recognition and data-driven analytics for fast and accurate replication of complex numerical reservoir models at the grid block level,” in SPE Intelligent Energy Conference and Exhibition, SPE-167897-MS: Utrecht, The Netherlands, 2014. ##

[9]. Haghighat S. A., Mohaghegh Sh. D., Gholami V., Shahkarami A. R. and Moreno D. A. “Using big data and smart field technology for detecting leakage in a CO2 storage projects,” in SPE Annual Technical Conference and Exhibition., SPE 166137: New Orleans, Louisiana, USA, 2013. ##

[10]. Suykens A. K., Gestel T. V. and Brabanter J. D., “Least square support vector machines,” Singapore World Scientific Publishing Co. 2002. ##

[11]. Ahmadi M. A. and A. Bahadori, “A LSSVM approach for determining well placement and conning phenomena in horizontal wells,” Fuel, Vol. 153, pp. 276–283, 2015. ##

[12]. Espinoza M., JohanA., Suykens K. and Moor B. D., “Least square support vector machines and primal space estimation,” in 42nd IEEE Conference on Decision and Control,: Maui,Hawaii, USA, 2003. ##

[13]. Panja P., Pathak M., Velasco R. and Deo M., “Least square support vector machine :an emerging tool for data analysis,” in SPE Low Perm Symposium., SPE-180202-MS: Denver, Colorado, USA, 2016. ##

[14]. Mohamed Al-akhdar S. and Yu Ding D., “An integrated parameterization and optimization methodology for assisted history matching: application to libyan field case,” in North Africa Technical Conference and Exhibition., Society of Petroleum Engineers, SPE-150716-MS: Cairo, Egypt, 2012. ##

[15]. Wang s., ZHAO G., XU L., GUO D. and SUN S. “Optimization for automatic history matching,” International Journal of Numerical Analysis and Modeling, Vol. 2, pp. 131-137, 2005. ##

[16]. Dehghan Monfared A., Helalizadeh A., Parvizi H. and Zobeidi K., “A global optimization technique using gradient information for history matching,” Energy Sources, Part A: Recovery, Utilization, and Environmental Effects,. 36(Taylor & Francis), pp. 1414–1428, 2014. ##

[17]. Mohaghegh S. D., Toro J., Wilson T. H., Artun E., Sanchez A. and Pyakurel S., “An intelligent systems approach to reservoir characterization,” U.S. Department of Energy, 2005. ##

[18]. Dehghan Monfared A., Helalizadeh A. and Parvizi H., “Automatic history matching using the integration of response surface modeling with a genetic algorithm,” Petroleum Science and Technology, 30(Taylor & Francis Group, LLC): pp. 360-374, 2012. ##

[19]. He J., Xie J., Wen X. H. and Chen W., “Improved proxy for history matching using proxy-for-data approach and reduced order modeling,” in SPE Western Regional Meeting, Society of Petroleum Engineers, SPE-174055-MS: California, USA, 2015. ##