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

Abstract

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.