طراحی شبکه عصبی برای بهینه سازی اندازه سطح مقطع شیرهای درون چاهی با اندازه‌ی ثابت درچاه هوشمند با الگوریتم پرندگان

نوع مقاله : علمی-پژوهشی

نویسندگان

1 تهران، دانشگاه صنعتی امیرکبیر، دانشکده ریاضی و علوم کامپیوتر

2 تهران، پژوهشگاه صنعت نفت، پژوهشکده مطالعات مخازن و توسعه میادین

چکیده

بهینه ‌سازی تولید نفت از میدان‌ های هیدروکربوری یکی از دغدغه ‌های اصلی مدیریت مخازن نفت است. در این راستا از فناوری چاه هوشمند که در دهه ‌ی اخیر توسعه یافته، استفاده می‌ شود. از جمله چالش‌های مهم این فناوری، تنظیم بهینه شیرهای کنترلی ثابت در طول عمر چاه هوشمند است. به ‌دست آوردن وضعیت بهینه این شیرها با استفاده از نرم‌افزار شبیه ‌ساز مخزن، نیازمند تعداد بسیار زیاد اجرای شبیه‌سازی است که باتوجه به محدودیت‌های زمان و هزینه غیرممکن است. از این‌ رو باید به دنبال روشی برای جایگزینی نرم‌افزار شبیه‌ ساز مخزن و ارایه الگوریتم بهینه ‌سازی مناسب بود. در این مقاله با جایگزینی روش شبکه عصبی مصنوعی با نرم‌افزار شبیه‌ ساز مخزن، مقدارهای تولید نفت و آب محاسبه شده و بهینه ‌سازی تنظیمات شیرهای کنترلی ثابت برای بیشینه کردن تولید نفت و کمینه کردن تولید آب با الگوریتم پرندگان (PSO) انجام می‌ شود، که سرانجام میزان تولید نفت به اندازه 55% نسبت به روش متداول افزایش می‌ یابد به بیان دیگر، میزان نفت تجمعی از 3.5 میلیون بشکهبه 6 میلیون بشکه و ضریب بازیافت آن از 6% به 9.5% در طول عمر چاه افزایش می‌ یابد.

کلیدواژه‌ها

موضوعات


[1] Gao c., Ranjeswaran T., Surtin U., Nakagawa E., "A Literature Review on Smart-Well Technology," in SPE, Oklahoma, March-April (2007).
[2] Oberwinker C., Stundener M., Team D., "From Real Time Data to Production Optimization," in SPE, March (2004).
[3] Naus M.M.J.J., Dolle N., Jansen J., "Optimization of Commingled Production Using Infinitely Variable Inflow Control Valves," in SPE, Houston, (2005).
[4] Yeten B., Brouwer D.R., Durlofsky L.J., Aziz K., Decision Analysis Under Uncertainty for Smart Well Deployment, Journal of petroleum Science & Engineering, 43, p. 183 (2004).
[5] Yeten B., Durlofsky L.J., Khalid A., "Optimization of Smart Well Control," in SPE, Alberta, November (2002).
[6] Aitokhuehi I., Durlofsky L.J., Optimization the Performance of Smart Well in Complex Reservoirs Using Continuously Updated Geologcal Models, Petroleum Science & Engineering, 48(3-4), p. 254 (2005).
[7] Taware S., Sharme M., Alhuthali A.H., Gupta A.D., "Optimization Water flood Management Under Geological Uncertainty Using Accelerated Production Strategy," in SPE, Florence, (2010).
[8] Alhuthali A.H., Gupta A.D., Yeten B., Fontanilla J.P., "Field Applications of Waterflood Optimization via Optimal Rate Control with Smart Well," in SPE, Woodlands, (2009).
[9] Van Essen G.M., Jansen J.D., Brouwer D.R., Douma S.G., Zandvliet M.J., Rollett K.I., Harris D.P., "Optimization of Smart Wells in the St. Joseph Field," in SPE, Jakarta, (2009).
[10] Alhuthali A.H., Gupta A.D., Yeten B., Fontanilla J.P., "Optimal Rate Under Geologic Uncertainty," in SPE, Oklahoma, (2008).
[11] Shuai Y., White C.D., Zhang H., Sun T., "Using Multiscale Regularization to Obtain Realistic Optimal Control Strategies," in SPE, Woodlands, (2011).
[12] Moreno J.C. et al., "Optimization Workflow for Designing Complex Wells," in SPE, Vienna, (2006).
[13] Meun P., Tondel P., Godhavn J.M., Aamo O.M., "Optimization of Smart well Production Through Nonlinear Model Predictive Control," in SPE, Amsterdam, (2008).
[14] Al-Ghreeb Z.M., "Monitoring and Control of Smart Wells," in Monitoring and Control of Smart Wells.: Copy by Zeid Al-Ghreeb , (2009).
[15] Conejeros R., Lenoach B., Model-Based Optimal of Dual Completion Wells, Petroleum Science & Engineering, 42(1), p. 1 (2004).
[16] Harrison S.J., Marshall R.F., "Optimization and Training of Feedforward Neural Network by GAs," in Proceeding of IEE Second International Conference on Artificial Neural Networks, pp. 39-43 (1991).
[17] کمالی، محمد رضا؛ علی­مددی، فاطمه؛ فخری، امین؛ کاربرد روش­های هوشمند در مهندسی نفت و علوم زمین ایران, تهران، پژوهشگاه صنعت نفت, (1390).
[18] Graudenz S., Bornholdt D., General Asymmetric Neural Networks and Structure Design by Genetic Algorithms, Neural Netw, 5, p. 327 (1992).
[19] Moselhi T., Fazio O., Hegazy P., Developing Practical Neural Network Applications Using Back-Propagation, Microcomput. Civ. Eng, 9, p. 145 (1994).
[20] Anderson M.J., Whitcomb P.J., "DOE Simplified", INC, (2000).
[21] Beielstein T.B., Chiarandini M., Paquete L., Preuss M., "Experimental Mrthods for the Analysis of Optimization Algorithms", Berlin: Springer, (2010).
[22] Montgomery D.C., "Design and Analysis of Experimental", Jone Wiley & Sons, (2001).
[23] Aggarwal A., Singh H., Kumar P., Singh M., Optimization Power Consumption for CNC Turned Parts Using Response Surface Methodology and Taguchi Techniqu-A Comparative Analysis, Material Processing Technology, 200(1-3), p. 373 (2008).
[24] Kennedy Clerc, "The Particle Swarm Explosion, Stability and Convergence in a Multideimentional Complex Space," IEEE, Vol. on Evolutionary Computation, 6(1), p. 58 (2002).
[25] Eberhart J., Kennedy R., "Particle Swarm Optimization," in Proceedings IEEE International Conference on Neural Networks, (1995).
[26] شالکف، رابرت جی؛ مترجم: جورابیان، محمود؛ شبکه های عصبی مصنوعی، دانشگاه شهید چمران اهواز, (1384).