پياده سازي الگوريتم نوين "جايگزين بهينه سازي شده شبيه‌ساز" در علوم زمين مطالعه موردي: "تطابق تاريخچه" در يكي از مخازن نفتي جنوب ايران

Implementation of a new proxy algorithm in earth science - A case study: Automatic history matching in one of oil reservoirs

اخيراً "مدل‌هاي جايگزين" و معادلات رياضي به‌جاي مدل مخزن واقعي در برخي از حوزه‌هاي علوم زمين مورد استفاده قرار گرفته است. در اين مطالعه، سعي شده است با بهره­گيري از دانش "مدل جايگزين بهينه­سازي شده"، يكي از مهم‌ترين مراحل شناخت دقيق پارامترهاي اصلي مخازن در "تطابق تاريخچه" با هدف زمان اجراي كمتر و شتاب بخشي به شبيه‌سازي انجام گيرد. در اين مقاله جديدترين رويكرد مدل جايگزين براي تطابق تاريخچه خودكار در يك ميدان بزرگ در جنوب ايران با 14 چاه با متغيرهاي پاسخ‌هاي (توليد نفت، فشار ته چاه و فشار ميانگين) استفاده شده است. روشي كه به عنوان مدل پروكسي استفاده شده است، ماشين بردار پشتيبان حداقل مربعات است و براي نمونه­گيري اوليه روش CCF بكار گرفته شد. سپس براي پروكسي ساخته شده با استفاده از دو روش نوين بهينه­سازي، الگوريتم ژنتيك و بهينه‌سازي ‌‌ازدحام ذرات، بهينه­سازي انجام شد. روش كار استفاده شده در اين مقاله كدنويسي و برنامه‌نويسي در متلب و لينك آن با يكي از مهم‌ترين نرم­افزارهاي شبيه­ساز مخزن (اكليپس) براي بررسي و نهايي‌سازي ‌‌پارامترها بود. در نتيجه، ساخت مدل پروكسي با استفاده از 1086 نمونه براي مجموعه داده‌هاي آموزشي و آزمايشي موفق عمل كرد. همچنين الگوريتم GA نتايج بهتري نسبت به PSO براي يافتن بهترين راه حل ارائه كرد.

History matching is still one of the main challenging parts of reservoir study especially in giant brown oil fields with lots of wells. It would be a challenge in reservoir engineering that due to various parameters and uncertainties in study of reservoirs, many simulation runs are needed to reach a good match for responses in conventional mechanism of history matching. However, for accelerating history matching part, new methods, which are called as assisted or automated history matching (AHM), have been established. In this paper, the latest approach for automated history matching (AHM) has been applied in a real brown field containing 14 wells with multiple responses that is located in south of Iran. Least square support vector machine (LSSVM) has been applied to create proxy model based on cubic centered face method. The optimization algorithms, used in this research, consist of genetic algorithm (GA) and particle swarm optimization (PSO). Introduction In the latest studies in geosciences and reservoir characterization, employing a proxy model that acts faster, instead of real reservoir model, has led to good results. 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 the under study reservoir. In this paper, one of the newest methods is used for making proxy model and then, the model for history matching is optimized. Methodology and Approaches Least square support vector machine (LSSVM) has been employed to create proxy model based on cubic centered face (CCF) method. The optimization algorithms of genetic algorithm (GA) and particle swarm optimization (PSO) have been used in this research. Results and Conclusions A new proxy model has been successfully constructed using 1086 samples leading into determination coefficient (R2) Keywords