Zastosowanie sztucznej inteligencji w komputerowej symulacji złóż

• Autorzy: Stopa J. , Wojnarowski P. , Janiga D.

Warianty tytułu

EN

Application of artificial intelligence in reservoir simulation

• Konferencja: Geopetrol 2016 : Współpraca nauki i przemysłu w rozwoju poszukiwań i eksploatacji złóż węglowodorów : X Międzynarodowa Konferencja Naukowo-Techniczna : Zakopane 19--22.09.2016
• Języki publikacji: PL

Abstrakty

PL

Wykorzystanie metod optymalizacyjnych jako narzędzia wspomagania decyzyjności posiada duży potencjał, który można wykorzystać, by zmaksymalizować techniczne lub ekonomiczne wskaźniki wydobycia. Biorąc pod uwagę złożoność problemu optymalizacji strategii zarządzania złożem węglowodorów, oczywiste wydaje się oparcie optymalizacji na metodach wykorzystujących sztuczną inteligencję. Metody te są obiektem zainteresowania branży naftowej, głównie z powodu możliwości wykorzystania niektórych jej elementów do zarządzania produkcją oraz optymalizacją. Metody te bazują na samoświadomości, umożliwiając naśladowanie inteligentnych zachowań człowieka, potrafią wykorzystywać zdobytą wiedzę w sytuacjach nowych i problematycznych. Przedstawiona praca stanowi próbę synergii zaawansowanych symulacji numerycznych z metodami optymalizacyjnymi opartymi na sztucznej inteligencji. Celem fuzji jest stworzenie autonomicznego i inteligentnego algorytmu pozwalającego na optymalne zarządzanie złożem węglowodorów.

EN

The use of optimization methods as a tool to support decision making has a lot of potential that can be used to maximize the technical and economic indicators of production. Due to complexity of reservoir management optimization problem it seems obvious to support optimization methods using artificial intelligence. These methods are object of interest in the oil industry because of possibility of using AI elements to production management and optimization. AI methods are based on self-awareness allowing mimic of intelligent human behavior and use the acquired knowledge in new situations. This paper is an attempt to synergy of reservoir simulation with AI. The aim is to create an autonomous and intelligent algorithm allowing optimal reservoir management.

Słowa kluczowe

PL

złoża; symulacja; sztuczna inteligencja

EN

reservoirs; simulation; artificial intelligence

• Wydawca: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
• Czasopismo: Prace Naukowe Instytutu Nafty i Gazu
• Rocznik: 2016
• Tom: nr 209 wyd. konferencyjne
• Strony: 805--808
• Opis fizyczny: Bibliogr. 15 poz.

Twórcy

autor

Stopa J.

• AGH Akademia Górniczo-Hutnicza im. St. Staszica, Wydział Wiertnictwa, Nafty i Gazu, Katedra Inżynierii Naftowej

autor

Wojnarowski P.

• AGH Akademia Górniczo-Hutnicza im. St. Staszica, Wydział Wiertnictwa, Nafty i Gazu, Katedra Inżynierii Naftowej

autor

Janiga D.

• AGH Akademia Górniczo-Hutnicza im. St. Staszica, Wydział Wiertnictwa, Nafty i Gazu, Katedra Inżynierii Naftowej

Bibliografia

• [1] Badru O., Kabir C.S. – Well placement optimization in field development. Paper SPE 84191 presented at the SPE Annual Technical Conference and Exhibition 2003.
• [2] Bangerth W., Klie H., Wheeler M., Stoffa P.L., Sen M.K. – On optimization algorithms for the reservoir oil well placement problem. Computational Geosciences 2006, vol. 10, nr 3.
• [3] Bravo C.E., Saputelli L., Rivas F., Perez A.G., Nickolaou M., Zangl G., Guzman N., Mohaghegh S.D., Nunez G. – State of the Art of Artificial Intelligence and Predictive Analytics in the E&P Industry: A Technology Survey. SPE 150314, 2014.
• [4] Cheng G., An Y., Zhu K. – Oil well placement optimization using Niche Particle Swarm Optimization. 2012.
• [5] Darwin C. – On the Origin of Species by Means of Natural Selection, or the Preservation of Favoured Races in the Struggle for Life. 1859.
• [6] Doraisamy H., Ertekin T., Grader A. – Key Parameters Controlling the Performance of Neuro Simulation Applications in Field Development. SPE 51079, 1998.
• [7] Eberhardt R.C., Kennedy J. – A new optimizer using particle swarm theory. Proceedings of the 6th International Symposium on Micromachine and Human Science 1995.
• [8] Eberhart R., Simpson P., Dobbins R. – Computational Intelligence PC Tools. Academic Press 1996.
• [9] Lee C., Park J., Kang C. – Horizontal well design incorporated with interwell interference, drilling location, and trajectory for the recovery optimization. SPE-125539 Proceedings of the SPE/EAGE Reservoir Characterization and Simulation Conference 2009.
• [10] McCulloch W.S., Pitts W. – A Logical Calculus of Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biophysics 1943.
• [11] Stopa J., Rychlicki S., Wojnarowski P. – Analiza wpływu eksploatacji na ekshalacje gazu ze złóż. Wiertnictwo, Nafta, Gaz 2001.
• [12] Tadeusiewicz R. – Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami. 1998.
• [13] Ternyik J., Bilgesu I., Mohaghegh S., Rose D. – Virtual Measurement in Pipes. Part 1: Flowing Bottomhole Pressure Under Multi-phase Flow and Inclined Wellbore Conditions. SPE 30975, 1995.
• [14] Wong P.M., Taggart I.J., Jian F.X. – A Critical Comparison of Neural Networks and Discriminant Analysis in Lithofacies, Porosity and Permeability Predictions. Journal of Petroleum Geology 1995.
• [15] Zaruda J.M., Marks R.J., Robinson C.J. – Computational Intelligence. Imitating Life 1994.

Uwagi

Artykuł w części: Warsztaty V. Modelowanie i symulacje złożowe – nowe metody i zastosowania