این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش نفت، جلد ۲۷، شماره ۱-۹۶، صفحات ۱۲۰-۱۲۹
عنوان فارسی بهینه‌سازی تولید و تزریق با استفاده از روش کاهش مرتبه مدل در شبیه‌سازی مخازن هیدروکربنی
چکیده فارسی مقاله 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.  
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Optimization of Oil Production Using Reduced Order Modeling in Hydrocarbon Reservoir Simulation
چکیده انگلیسی مقاله Production-injection optimization has been the subject of various researches due to its complicated and expensive computations. The main reason for this complexity is number of reservoir simulation runs is needed to predict reservoir performance. These numerical reservoir simulations are computationally expensive and time consuming. Therefore, finding a way to reduce the computational burden of reservoir simulation will facilitate the optimization process. One of the methods for reducing the complexity of reservoir simulation is Reduced Order Modeling (ROM) which has been recently introduced for improving efficiency of open source reservoir simulators. In this paper, an ROM method based on Artificial Neural Networks (ANN) and Discrete Empirical Interpolation Method (DEIM) is proposed to resolve the curse of dimensionality while simulating reservoir dynamics with acceptable accuracy. This method is also applicable to black box reservoir simulators. The performance of the suggested ANN-DEIM algorithm has been investigated on a case study on Brugge field. The reduced model well represent the reservoir dynamic behavior while reducing run time by a factor of eight comparing with that of a full order reservoir simulator. ANN-DEIM also has been applied in production-injection optimization of Brugge filed using a Pattern Search optimization algorithm. The proposed method can reduce optimization time by 7 times while leading  to %11 improvement in Net Present Value (NPV) over the initial solution used in the optimization process.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله توماج فرود |
دانشکده مهندسی نفت، دانشگاه صنعتی امیرکبیر، تهران، ایران
سازمان اصلی تایید شده: دانشگاه صنعتی امیرکبیر (Amirkabir university of technology)

عباس سیفی |
دانشکده مهندسی صنایع، دانشگاه صنعتی امیرکبیر، تهران، ایران
سازمان اصلی تایید شده: دانشگاه صنعتی امیرکبیر (Amirkabir university of technology)

بابک امین شهیدی | amin shahidi
دانشکده مهندسی نفت، دانشگاه صنعتی امیرکبیر، تهران، ایران
سازمان اصلی تایید شده: دانشگاه صنعتی امیرکبیر (Amirkabir university of technology)

نشانی اینترنتی http://pr.ripi.ir/article_740_6e9c252a77aacc4607363210c8a7fbce.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1344/article-1344-459777.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات