اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,408 |
| تعداد مقالات | 10,088 |
| تعداد مشاهده مقاله | 11,909,248 |
| تعداد دریافت فایل اصل مقاله | 6,961,326 |
بهینه سازی مکان یابی چاه به کمک الگوریتم های فرا ابتکاری (مطالعه موردی میدان شادگان) | ||
| علوم و فنون سازندگی | ||
| دوره 5، شماره 1 - شماره پیاپی 14، فروردین 1403، صفحه 55-69 اصل مقاله (1.18 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| صدرا رستمی* 1؛ محمدرضا خرسند موقر2؛ مهدی نظری صارم3 | ||
| 1کارشناسی ارشد، دانشگاه اقبال لاهوری مشهد، مدرس گروه مهندسی نفت، تهران، ایران | ||
| 2دکتری ، مهندسی شیمی دانشگاه صنعتی امیرکبیر، هولدینگ نفت،گاز و پتروشیمی، شرکت پتروگوهر فراساحل کیش، عضو هیئت علمی دانشکده مهندسی نفت دانشگاه صنعتی امیرکبیر، تهران، ایران | ||
| 3دکتری، مهندسی نفت حفاری، گوبکینگ روسیه، هولدینگ نفت، گاز و پتروشیمی، دانشگاه آزاد اسلامی واحد تهران مرکز، تهران، ایران | ||
| تاریخ دریافت: 02 فروردین 1400، تاریخ بازنگری: 19 تیر 1400، تاریخ پذیرش: 19 تیر 1400 | ||
| چکیده | ||
| در این تحقیق برای یافتن مکان بهینه چاه تولیدی در 2 مخزن استاندارد SPE10 و یکی از مخازن جنوب غربی ایران از روش پیش روی سریع (FMM) به عنوان یک پروکسی برای محاسبه فشار ته چاهی بجای شبیه سازی عددی استفاده گردید. هم چنین برای انجام بهینه سازی از الگوریتم فرا ابتکاری ازدحام ذرات (PSO) بهره گرفته شده است که ترکیب دو روش PSO-FMM نام دارد. روش پیش بینی سریع دارای توانمندی بسیار بالا می باشد بطوری که تا 20% تابع هدف که ارزش خالص فعلی است را نسبت به حالت حفر چاه به روش معمولی افزایش می دهد. همچنین این روش دارای سرعت قابل ملاحظه ای می باشد به گونه ای که در زمانی حدود 10% شبیه سازی مستقیم (PSO) توانسته به جوابی بهینه دست پیدا کند. در این پژوهش همچنین این مساله اثبات گردید که روش پیش روی سریع FMM هم خوانی بسیار خوبی با روش های بر مبنای شبیه سازی عددی برای مسائل بهینه سازی مکان چند چاه ( مدل استاندارد SPE 10) و یک چاه ) مدل یک سکتور از مخزن جنوب غربی ایران) دارد. | ||
| کلیدواژهها | ||
| بهینه سازی؛ الگوریتم ازدحام ذرات؛ روش پیش روی سریع؛ ارزش خالص فعلی | ||
| عنوان مقاله [English] | ||
| Optimizing well placement via metaheuristic algorithms (case study: Shadegan fields) | ||
| نویسندگان [English] | ||
| Sadra rostami1؛ Mohammad Reza Khorsand Movaghar2؛ Mahdi Nazarisaram3 | ||
| 1Master's degree, Iqbal Lahori University of Mashhad, Lecturer in Petroleum Engineering Department, Tehran, Iran | ||
| 2Department of Petroleum Engineering, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran | ||
| 3PhD, Petroleum Drilling Engineering, Gobekli Temirtau, Russia, Oil, Gas and Petrochemical Holding, Islamic Azad University, Central Tehran Branch, Tehran, Iran | ||
| چکیده [English] | ||
| In this study, in roder to investigate the optimal location of a production well, the fast forward method (FMM) was implemented as a proxy to calculate the bottom hole pressure of wells instead of a comprehensive numerical simulation. Two reservoirs, the standard SPE10 reservoir and the Shadegan reservoir were studied. Also, for optimization, the metaheuristic particle swarm algorithm (PSO) has been used which the combination of two methods called PSO-FMM. This method is a fast forecasting method and is highly capable so that it enhances the objective function up to 20% , compared to the conventional well drilling methods. Also, this method has a considerable speed so that it reduced the simulation time 10% of direct stimulation (PSO). This study also proved that the fast forward FMM method is very compatible with numerical simulation-based methods for multi-well location optimization problems (SPE 10 standard model) and a single well optimization (one-sector of Shadegan reservoir). | ||
| کلیدواژهها [English] | ||
| Optimization, particle swarm algorithm, fast forward method, net present value | ||
| مراجع | ||
|
[1] OPEC, “Annual Report,” 2019. [2] “Daily demand for crude oil worldwide from 2006 to 2019,” Statista Research Department, 2019. [Online]. Available: https://www.statista.com/statistics/271823/dailyglobal-crude-oil-demand-since-2006/. [3] F. Birol, “Oil 2019, Analysis and forecasts to 2024,” IEA, 2019. [Online]. Available: https://www.iea.org/oil2019/. [4] “U.S. Energy Information Administration,” U.S. Energy Information Administration, 2019. [Online]. Available: https://www.eia.gov/beta/international/data/browser/. [5] S. I. Aanonsen, A. L. Eide, L. Holden, and J. O. Aasen, “Optimizing Reservoir Performance Under Uncertainty with Application to Well Location,” in SPE Annual Technical Conference and Exhibition, 1995, pp. 67–76. [6] B. L. Beckner and X. Song, “Field Development Planning Using Simulated Annealing - Optimal Economic Well Scheduling and Placement,” in SPE Annual Technical Conference and Exhibition, 1995, pp. 209–221. [7] O. Uysal and S. Bulkan, “Comparison of Genetic Algorithm and Particle Swarm Optimization for Bicriteria Permutation Flowshop Scheduling Problem,” Int. J. Comput. Intell. Res., vol. 4, p. 159+, Jan. 2008. [8] A. C. Bittencourt and R. N. Horne, “Reservoir Development and Design Optimization,” in SPE Annual Technical Conference and Exhibition, 1997. [9] B. Güyagüler, “Optimization of Well Placement and Assessment of Uncertainty,” Stanford University, 2002. [10] V. Johnson and L. Rogers, “Using artificial neural networks and the genetic algorithm to optimize well field design: phase I final report,” California, 1998. [11] S. I. Aanonsen, A. L. Eide, L. Holden, and J. O. Aasen, “Optimizing Reservoir Performance Under Uncertainty with Application to Well Location,” in SPE Annual Technical Conference and Exhibition, 1995, pp. 67–76. [12] L. L. Rogers and F. U. Dowla, “Optimization of groundwater remediation using artificial neural networks with parallel solute transport modeling has been successfully applied to a variety of optimization,” Water Resour., vol. 30, no. 2, pp. 457– 481, 1994. [13] M. Sharifi, M. Kelkar, A. Bahar, and T. Slettebo, “Dynamic Ranking of Multiple Realizations By Use of the Fast-Marching Method,” SPE J., vol. 19, no. 06, pp. 1069–1082, 2014. [14] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. The MIT Press, 2016. [15] H. Nasrabadi, A. Morales, and D. Zhu, “A survey with special focus on application for gas / gascondensate reservoirs,” J. Nat. Gas Sci. Eng., vol. 5, pp. 6–16, 2012. [16] R. Balamurugan, A. M. Natarajan, and K. Premalatha, “Stellar-mass black hole optimization for biclustering microarray gene expression data,” Appl. Artif. Intell., vol. 29, no. 4, pp. 353–381, 2015. [17] L. Bianchi, Æ. M. Dorigo, Æ. L. Maria, and W. J. Gutjahr, “A survey on metaheuristics for stochastic combinatorial optimization,” Nat Comput, vol. 8, pp. 239–287, 2009. [18] D. E. Goldberg, Genetic Algorithms in Search, Optimization and Machine Learning. Boston: Addison-Wesley Longman Publishing Co., Inc, 1989. [19] J. E. Onwunalu and L. J. Durlofsky, “Development and Application of a New Well Pattern Optimization Algorithm for Optimizing Large Scale Field Development,” in SPE Annual Technical Conference and Exhibition, 2009. [20] S. Ding, H. Jiang, J. Li, and G. Tang, “Optimization of well placement by combination of a modified particle swarm optimization algorithm and quality map method,” Comput. Geosci., vol. 18, no. 5, pp. 747–762, 2014. [21] E. Mohagheghian, L. A. James, and R. D. Haynes, “Optimization of hydrocarbon water alternating gas in the Norne fi eld : Application of evolutionary algorithms,” Fuel, vol. 223, no. January, pp. 86–98, 2018. [22] T. D. Humphries, R. D. Haynes, and L. A. James, “Simultaneous and sequential approaches to joint optimization of well placement and control,” Comput. Geosci., vol. 18, no. 3–4, pp. 433–448, 2013. [23] J. E. Onwunalu and L. J. Durlofsky, “Application of a particle swarm optimization algorithm for determining optimum well location and type,” Comput. Geosci., vol. 14, no. 1, pp. 183–198, 2009. [24] O. Uysal and S. Bulkan, “Comparison of Genetic Algorithm and Particle Swarm Optimization for Bicriteria Permutation Flowshop Scheduling Problem,” Int. J. Comput. Intell. Res., vol. 4, p. 159+, Jan. 2008. [25] S. Karimi and S. R. Shadizadeh, “A new equation for the determination of a well drainage area in naturally fractured reservoirs,” Pet. Sci. Technol., vol. 30, no. 18, pp. 1953–1964, 2012. | ||
|
آمار تعداد مشاهده مقاله: 532 تعداد دریافت فایل اصل مقاله: 575 |
||