به كارگيري اطلاعات مدل‌سازي مخزن بر پايه خطوط جريان به منظور مكان‌يابي بهينه چاه‌هاي نفت

Optimal Well Placement Using Streamline Based Model

یكی از موضوعات كلیدی كه در مدیریت مخازن مطرح می‌شود، مكان‌یابی بهینه یك یا چند چاه در یك بازه زمانی مشخص به‌منظور حداكثر كردن میزان تولید و سود حاصل از برداشت با در نظر گرفتن محدودیت‌های فیزیكی و اقتصادی است. مدل‌سازی و شبیه‌سازی مخزن از گام‌‎های مهم مكان‌یابی محسوب می‌شوند. هر اندازه مدل مخزن به مدل واقعی نزدیك‌تر باشد، مكان‌یابی بهینه چاه‌های مخزن، دقت بالاتری خواهد داشت. در اكثر روش‌های پیشنهادی، مدل‌سازی مخزن در محورهای مختصات دكارتی، به مدل پیچیده‌تری منجر می‌شود. در این مقاله سعی بر آن است كه با ارائه مدل ساده‌تری برای مخزن براساس خطوط جریان و بهره جستن از طبیعت حاكم بر حركت سیال در مخزن، روندی موثرتر و ساده‌تر برای مكان‌یابی بهینه چاه‌ها به دست آید. در ادامه اطلاعات ارزشمندی كه حاصل از مدل‌سازی مخزن بر پایه خطوط جریان‌اند، معرفی می‌شوند. این اطلاعات با روش بهینه‌سازی ژنتیك تركیب می‌شوند و به تغییر جستجوی صرفا تصادفی الگوریتم ژنتیك به یك جستجوی نیمه‌تصادفی و مبتنی بر دانش كمك می‌كنند. نتایج نشان می‌دهند این امر به كاهش تعداد شبیه‌سازی‌ها و افزایش سرعت همگرایی روش تركیبی پیشنهادی، در مقایسه با الگوریتم ژنتیك معمولی، منجر می‌شود.  

One of the key issues must be considered in management of reservoirs is optimal well placement. Optimal well placement is defined as a mathematical problem which maximizes an objective function such as net present value (NPV) by adjusting the well locations in an optimum place while the physical and economic constraints are considered at the same time . Modeling and simulation of reservoir is an important step in the well placement problem. The more the reservoir model is closer to the real one, the more precise the optimum well locations can be found. In most of prior suggested methods, the reservoir is modeled in Cartesian coordinate that makes the model complicated. In the present paper, a simpler reservoir model based on streamline technique is presented. Then, with the aid of the natural movement of flow in the streamline based reservoir model, we are trying to reach an effective and facile approach to solve optimal well placement problem. First, the unique and valuable information from streamlined based model is introduced. Then, this information is added to the well-known genetic optimization algorithm. With the aid of this combination, the stochastic search strategy of genetic algorithm is changed to a semi-stochastic search or based on knowledge. It is shown that the number of reservoir simulation runs is decreased and the convergence of the proposed hybrid genetic is faster than the simple genetic.