نشریه شیمی و مهندسی شیمی ایران

نشریه شیمی و مهندسی شیمی ایران

مدل‌سازی و بهینه‌سازی بهره‌وری چاه نفت با در نظر گرفتن اثر ضریب پوسته، شعاع چاه و ضخامت مخزن به کمک دینامیک سیالات محاسباتی، روش سطح پاسخ و الگوریتم ژنتیک

نوع مقاله : علمی-پژوهشی

نویسندگان
سپیده شمشیری
فهیمه حوری آباد صبور
امیر حیدری
بهروز میرزایی
گروه مهندسی شیمی، دانشگاه محقق اردبیلی، اردبیل، ایران
چکیده
بهره‌وری چاه‌های نفت یکی از عوامل کلیدی در بهینه‌سازی تولید و کاهش هزینه‌ها در عملیات استخراج نفت است. ویژگی‌های مختلف مخازن نفتی، از جمله تغییرات فشار، تخلخل و نفوذپذیری، چالش‌هایی را برای بهره‌برداری بهینه از چاه‌ها ایجاد می‌کنند. این تحقیق به بررسی بهینه‌سازی بهره‌وری چاه نفت با استفاده از دینامیک سیالات محاسباتی، روش سطح پاسخ و الگوریتم ژنتیک پرداخته است. تأثیر سه پارامتر کلیدی شامل ضریب پوسته، شعاع چاه و ضخامت مخزن بر بهره‌وری چاه نفت با استفاده از شبیه‌سازی دینامیک سیالات محاسباتی و تحلیل روش سطح پاسخ بررسی شده است. سپس این پارامترها در یک طرح عاملی کامل با 27 حالت مختلف مورد ارزیابی قرار گرفتند. در نهایت با استفاده از الگوریتم ژنتیک، این پارامترها برای دستیابی به حداکثر بهره‌وری بهینه‌سازی شدند.  نتایج به‌دست‌آمده نشان می‌دهند که بهینه‌سازی این پارامترها با الگوریتم ژنتیک، منجر به حداکثر بهره‌وری می‌شود. مقادیر ضریب همبستگی (R²) و ضریب همبستگی تعدیل‌شده (adj R²) برای مدل حاصل به ترتیب برابر با 963/0 و 952/0 بدست آمده است. مقادیر بهینه پارامترها شامل ضریب پوسته 412/0، شعاع چاه 25/0 متر و ضخامت مخزن 399 متر می‌باشد، که در این شرایط شاخص بهره‌وری برابر با 639/0 محاسبه گردید. نتایج این تحقیق اطلاعات ارزشمندی در خصوص حساسیت پارامترها و تنظیمات بهینه جهت افزایش بهره‌برداری از مخازن نفتی ارائه می‌دهند.
کلیدواژه‌ها
بهره‌وری
ضریب پوسته
شعاع چاه
ضخامت مخزن
بهینه‌سازی
دینامیک سیالات محاسباتی
روش سطح پاسخ
الگوریتم ژنتیک
موضوعات
[1]   صدیقی محمد باقر، سیاوشی مجید، میری روح الدین، تخمین دبی نفت تولیدی از چاه به‌وسیله روش‌های یادگیری ماشین با استفاده از داده‌های پمپ الکتریکی شناور (ESP)، پژوهش نفت، ۳۴(۴): ۱۷۳-۱۵۶ (۱۴۰۳).
[2]    Nwonodi R.I., A Novel Model for Predicting the Productivity Index of Horizontal/Vertical Wells Based on Darcy's Law, Drainage Radius, and Flow Convergence, Heliyon, 10: (2024).
[3]    Dheyauldeen A., Alkhafaji H., Alfarge D., Al-Fatlawi O., Hossain M., Performance Evaluation of Analytical Methods in Linear Flow Data for Hydraulically-Fractured Gas Wells, Journal of Petroleum Science and Engineering, 208: 109467 (2022).
[4]    Ma K., Wu C., Huang Y., Mu P., Shi P., Oil Well Productivity Capacity Prediction Based on Support Vector Machine Optimized by Improved Whale Algorithm, Journal of Petroleum Exploration and Production Technology, 14(12): 3251-3260 (2024).
[۵]   جعفربیگی حیاتی سعید، دهکردی مشرف مهدی، ضیایی راد مسعود، تخمین میزان شاخص چاه‌ برداشت نفت در مخازن هیدروکربنی به کمک دینامیک سیالات محاسباتی، مهندسی مکانیک مدرس، ۱۸(۱): ۱۸۷-۱۷۷ (۱۳۹۷).
[6]    Tavakkoli M., Panuganti SR., Khemka Y., Valdes H., Vargas FM., Foam-Assisted Gas Lift: A Novel Experimental Setup to Investigate the Feasibility of Using a Commercial Surfactant for Increasing Oil Well Productivity, Journal of Petroleum Science and Engineering, 201: 108496  (2021).
[7]    Pant M., Stanko M., Sales L., Differential Evolution for Early-Phase Offshore Oilfield Design Considering Uncertainties in Initial Oil-in-Place and Well Productivity, Upstream Oil and Gas Technology, 7: 100055 (2021).
[8]    Peng L., Han G., Chen Z., Pagou A.L., Zhu L., Abdoulaye A.M., Dynamically Coupled Reservoir and Wellbore Simulation Research in Two-Phase Flow Systems: A Critical Review, Processes, 10(9): 1778 (2022).
[9]    Ahammad J.M.,Rahman M.A., Butt S.D., Alam J.M., Integrated Wellbore-Reservoir Modeling Based on 3D Navier–Stokes Equations with a Coupled CFD Solver, Journal of Petroleum Exploration and Production Technology, 14(8): 2539-2554 (2024).
[10] Yuan H., Li W., Yuan Y., Luo J, Yan W., Productivity Evaluation of Horizontal Well in Heterogeneous Reservoir with Composite Water Aquifer, Journal of Petroleum Exploration and Production, 11: 1363-1373 (2021).
[11]  Abobaker E., Elsanoose A., Khan F., Rahman M.A., Aborig A., Noah K., Quantifying the Partial Penetration Skin Factor for Evaluating the Completion Efficiency of Vertical Oil Wells, Journal of Petroleum Exploration and Production Technology, 11: 3031-3043 (2021).
[12] Zhao B., Ju B., Wang C., Initial-Productivity Prediction Method of Oil Wells for Low-Permeability Reservoirs Based on PSO-ELM Algorithm, Energies, 16(11): 4489 (2023).
[13] Wang Z., Tang H., Cai H., Hou Y., Shi H., Li J., Yang T., Feng Y., Production Prediction and Main Controlling Factors in a Highly Heterogeneous Sandstone Reservoir: Analysis on the Basis of Machine Learning, Energy Science & Engineering, 10(12): 4674-4693 (2022).
[14] سیدعلی سیدرسول، علیزاده بهرام، زحمت کش ایمان، صراف دخت هاشم، برآورد کل محتوی کربن آلی و نوع کروژن از داده‌های چاه‌پیمایی با بهره‌گیری از ترکیب شبکه عصبی مصنوعی و الگوریتم‌های فراابتکاری، پژوهش نفت،32(3): 112-130 (۱۴۰۱).
[15] حسینی سید احمد، طباطبایی محمودرضا، ارزیابی کارایی مدل‌های ترکیبی شبکه عصبی مصنوعی و الگوریتم بهینه‌سازی ازدحام ذرات (PSO) در برآورد رسوبات معلق، مطالعه موردی ایستگاه‌های هیدرومتری کوزه توپراقی و هیرچای استان اردبیل، مهندسی و مدیریت آبخیز (1403).
[16] Guo B., Sun K., Ghalambor A., ''Well Productivity Handbook'', Gulf Publishing Company, 368: (2014).
[1۷] قبادی بهنام، نجاتی حمیدرضا، گشتاسبی کامران، بررسی نفوذپذیری وابسته به تنش در مخازن شکاف‌دار با استفاده از روش عددی المان مجزاء، پژوهش نفت، ۲۷(۵): 98-۱۱۲ (۱۳۹۶).
[18] Lake L., ''Reservoir Characterization'', Elsevier, 659 (2012).
[19]  Ahmed T., ''Reservoir Engineering Handbook'', Gulf Professional, Pub 4 ed (2018).
[20] Merikhy A., Heydari A., Eskandari H., Ghahraman-Rozegar F., Carbonized Spent Bleaching Earth as a Low-Cost Adsorbent: A Facile Revalorization Strategy via Response Surface Methodology, Chemical Engineering and Processing-Process Intensification, 158: 108167 (2020).
[21] Cao X., Luo X., Heydari A., Barros S.M., Kirk B.P., Tang Y., Raston C.L., Vortex Fluidic Mediated Generation of Fatty Acid Ethyl Esters from Vegetable Oils for Applications in Cosmetic Emulsions, Journal of Cleaner Production, 145006 (2025).
[22] Luo X., Heydari A., Renfrey D., Gardner Zoe., He S., Tang Y., Weiss G.A., Rogers M.L., Raston C.L.,  Sustainability‐Driven Accelerated Shear‐Mediated Immunoassay for Amyotrophic Lateral Sclerosis Detection, ChemSusChem, 17(21): e202401008, 20 (2024).
[23] Motamedisade A., Heydari A., Osborn D., Alotabi A.S., Andersson G.G., Au9 Clusters Deposited as Co-Catalysts on S-Modified Mesoporous TiO2 for Photocatalytic Degradation of Methyl Orange, Applied Surface Science, 655: 159475 (2024).
[24] Soleimani S., Heydari A., Fattahi M., Swelling Prediction of Calcium Alginate/Cellulose Nanocrystal Hydrogels Using Response Surface Methodology and Artificial Neural Network, Industrial Crops and Products, 192: 116094 (2023).
[25] Mele M. A., Kumar R., Dada T. K., Heydari A., Antunes E.,  Investigation of Gold Adsorption by Ironbark Biochar Using Response Surface Methodology and Artificial Neural Network Modelling, Journal of Cleaner Production, 456: 142317 (2024).
[26] باغبان محبوبه، عصاره مهدی، صادقی محمد تقی، بهینه‌سازی مکان چاه‌های تولید و تزریق با استفاده از الگوریتم ژنتیک موازی در یک مورد مطالعاتی، نشریه شیمی و مهندسی شیمی ایران، 41(2): 387-377 (1401).
[27] قبادی بهنام، نجاتی حمیدرضا، گشتاسبی کامران،  بررسی نفوذپذیری وابسته به تنش در مخازن شکاف‌دار با استفاده از روش عددی المان مجزاء، پژوهش نفت، ۲۷(۵): 98-۱۱۲ (۱۳۹۶).
[28] احسانی سمانه، ورنوسفادرانی احمد مانی، یمینی یداله، تعیین گروه‌های عاملی مؤثر بر شاخص گرانروی روغن موتور‌ها به وسیله‌ی روش FT-IR و برازش خطی چند متغیره بر پایه‌ی الگوریتم ژنتیک، نشریه شیمی و مهندسی شیمی ایران، 39(1): 166-159 (1399).
[29] Salim M., Sultan H., Al-Shara A., Effect of Shape and Parameters of Perforation in a Vertical Wellbore with Two Perforations (Without Porous Media) on Pressure Drop, Fluid Mech Open Acc, 4(162): 2476-2296.1000162 (2017).
[30] Gammoudi N., Mabrouk M., Bouhemda T., Nagaz K., Ferchichi A., Modeling and Optimization of Capsaicin Extraction from Capsicum Annuum L. Using Response Surface Methodology (RSM), artificial neural network (ANN), and Simulink simulation, Industrial Crops and Products, 171: 113869 (2021).
[31] Heydari A., Gardner Z., Luo X., Alotaibi B.M., Motamedisade A., Raston C.L., Methylene Blue Degradation Using Vortex Fluidic Device Under UV Irradiation: Comparison of Response Surface Methodology and Artificial Neural Network, Environmental Technology & Innovation, 38: 104127 (2025).
[32] Ahmed T., ''Reservoir Engineering Handbook'', Burlington: Elsevier (2010).
[33] Ozkan E., Sarica C., Haci M., Influence of Pressure Drop Along the Wellbore on Horizontal-Well Productivity, SPE Journal, 04(03): 288-301 (1999).
[34] Dake  L. P., '' Fundamentals of Reservoir Engineering''. Elsevier, 03 (1983).
[35] Chang W.,  Al-Obaidi S.H., Patkin A., Assessment of the Condition of the Near-Wellbore Zone of Repaired Wells by the Skin Factor, International Research Journal of Modernization in Engineering Technology and Science, 03(04): 1371-1377 (2021).
[36] Mahmoodi-Babolan N., Heydari A., Nematollahzadeh A., Removal of Methylene Blue via Bioinspired Catecholamine/Starch Superadsorbent and the Efficiency Prediction by Response Surface Methodology and Artificial Neural Network-Particle Swarm Optimization, Bioresource technology, 294: 122084  (2019).
[37] بلوریان مریم، رسایی محمدرضا، نخعی علی،  بررسی ضریب پوسته در اطراف دهانه چاه در چاه­های عمودی برای حالت‌های تک فازی و دو فازی با استفاده از شبیه­سازی عددی، پژوهش نفت، 31(3): 55-43 (1400).