Optimization algorithm for number and wells placement

• Autorzy: Łętkowski Piotr

Identyfikatory

DOI

10.18668/NG.2019.12.02

Warianty tytułu

PL

Algorytm optymalizacji liczby i położenia odwiertów

• Języki publikacji: EN

Abstrakty

EN

Determination of the optimal number and placement of production wells is crucial for the effective depletion of the hydrocarbon reservoir. Due to the strongly non-linearity of the problem and the occurrence of multiple local minimums in the response function the non-gradient optimization methods in combination with reservoir simulations are most commonly used for its solution. However, it should be noted that most of the research works dedicated to this issue describe the process of placement optimization but not the number of drilling wells assuming that it was arbitrary set. This is partly due to the fact that known and used optimization methods operate on a fixed number of optimization parameters, therefore the number of production wells can not change during the optimization process. The paper is dedicated to the attempt to build an algorithm that allows simultaneous optimization of the number and position of production wells with respect to the discounted profit in a given period of operation. The basic optimization method in the presented algorithm is the Particle Swarm Optimization (PSO) – one of the most effective non-gradient optimization methods that belongs to the group of methods applying the swarm’s intelligence. Taking into account the number of drilling wells in the optimization process means that the algorithm operates on a variable number of parameters. The objective algorithm starts optimization from an arbitrarily set number of producers, reducing it gradually. Efficiency tests conducted on the sample reservoir PUNQ-S3 indicated a satisfactory convergence of the proposed method. The computing program created implements the mechanisms of convergence enhancement by improving the boundary conditions for the optimization method. The minimum separation distance control between production wells was also introduced at the initial stage of optimization process. Although the algorithm is characterized by satisfactory convergence it would be advisable to improve it by using a hybrid method to increase its effectiveness in the local optimization phase and to introduce minimum well spacing during the entire optimization process.

PL

Określenie optymalnej liczby i położenia odwiertów eksploatacyjnych jest kluczowe dla efektywnej eksploatacji złoża węglowodorowego. Ze względu na silnie nieliniowy charakter problemu oraz występowanie w funkcji odpowiedzi wielokrotnych minimów lokalnych do jego rozwiązania najczęściej wykorzystywane są bezgradientowe metody optymalizacyjne w połączeniu z symulacjami złożowymi. Należy jednak zauważyć, że większość prac poświęconych temu zagadnieniu opisuje proces optymalizacji położenia, a nie liczby odwiertów, przyjmując, że jest ona dana arbitralnie. Wynika to po części z faktu, że znane i stosowane metody optymalizacyjne operują na stałej liczbie parametrów optymalizacyjnych, w związku z czym liczba odwiertów wydobywczych nie może zmieniać się w trakcie procesu optymalizacji. Artykuł jest poświęcony próbie zbudowania algorytmu umożliwiającego równoczesną optymalizację liczby i położenia odwiertów wydobywczych ze względu na zdyskontowany zysk w zadanym okresie eksploatacji. Podstawową metodą optymalizacyjną w prezentowanym algorytmie jest optymalizacja rojem cząstek (ang. PSO) – jedna z najbardziej efektywnych metod optymalizacji bezgradientowej, należąca do grupy metod wykorzystujących inteligencję roju. Próby efektywności metody przeprowadzone na przykładzie złoża testowego PUNQ-S3 wskazały na zadowalającą zbieżność zaproponowanej metody, dla której na początkowym etapie zastosowano kontrolę minimalnej odległości pomiędzy odwiertami. Jakkolwiek algorytm charakteryzuje się zadowalającą zbieżnością, to jednak wskazane byłoby jego udoskonalenie poprzez wykorzystanie metody hybrydowej w celu zwiększenia jego efektywności w fazie optymalizacji lokalnej oraz wprowadzenie kontroli odległości minimalnej w trakcie całego procesu optymalizacji.

Słowa kluczowe

EN

optimization; reservoir simulation; swarm intelligence; particle swarm optimization (PSO); optimal number of wells; optimal well placement

PL

optymalizacja; symulacje złożowe; inteligencja roju; optymalizacja rojem cząstek; optymalna liczba odwiertów; optymalne położenie odwiertów

• Wydawca: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
• Czasopismo: Nafta-Gaz
• Rocznik: 2019
• Tom: R. 75, nr 12
• Strony: 744--750
• Opis fizyczny: Bibliogr. 28 poz., rys., wykr., wz.

Twórcy

autor

Łętkowski Piotr

• Oil and Gas Institute – National Research Institute

Bibliografia

• Afshari S., Aminshahidy B., Pishvaie M.R., 2011. Application of an improved harmony search algorithm in well placement optimization using streamline simulation. Journal of Petroleum Science and Engineering, 78(3–4): 664–678.
• Al Dossary M.A., Nasrabadi H., 2016. Well placement optimization using imperialist competitive algorithm. Journal of Petroleum Science and Engineering, 147: 237–248.
• Aliyev E., 2011. Use of Hybrid Approaches and Metaoptimization for Well Placement Problems. Thesis, Stanford University.
• Atashnezhad A., Cedola A., Hareland G., 2017. An empirical model to estimate a critical stimulation design parameter using drilling data. Society of Petroleum Engineers. DOI: 10.2118/185741-MS.
• Awotunde A., 2014. On the joint optimization of well placement and control. Society of Petroleum Engineers. DOI: 10.2118/172206-MS.
• Barker W.J., Cuypers M., Holden L., 2001. Quantifying uncertainty in production forecasts: another look at the PUNQ-S3 problem. SPE Journal, 6: 433–441.
• Bouzarkouna Z., Ding D., Auger A., 2012. Well placement optimization with the covariance matrix adaptation evolution strategy and metamodels. Comput. Geosci., 16: 75–92.
• Emerick A., Silva E., Messer B., Almeida L., Szwarcman D., Pacheco M., Vellasco M., 2009. Well placement optimization using a genetic algorithm with nonlinear constraints. Society of Petroleum Engineers. DOI: 10.2118/118808-MS.
• Feng Q., Chen H., Wang X., Wang S., Wang Z., Yang Y., Bing S., 2016. Well control optimization considering formation damage caused by suspended particles in injected water. Journal of Natural Gas Science and Engineering, 35: 21–32.
• Feng Q., Zhang J., Zhang X., Hu A., 2012. Optimizing well placement in a coalbed methane reservoir using the particle swarm optimization algorithm. International Journal of Coal Geology, 104: 34–45.
• Floris F.J.T., Bush M.D., Cuypers M., Roggero F., Syversveen A.-R., 2001. Methods for quantifying the uncertainty of production forecasts: a comparative study. Pet. Geosci., 7: S87–S96.
• Güyagüler B., Horne R.N., 2004. Uncertainty assessment of well-placement optimization. SPE Reserv. Eval. Eng., 7(1): 24–32.
• Hazlett R.D., Babu D.K., 2005. Optimal well placement in heterogeneous reservoirs via semi-analytic modeling. SPE Journal, 10(3): 286–296.
• Humphries T., Haynes R., 2015. Joint optimization of well placement and control for nonconventional well types. Journal of Petroleum Science and Engineering, 126: 242–253.
• Humphries T., Haynes R., James L., 2014. Simultaneous and sequential approaches to joint optimization of well placement and control. Comput. Geosci., 18: 433–448.
• Ilamah O., Ebere M., 2017. Fast Tracking Field Development Optimization With Nature Inspired Heuristics. Society of Petroleum Engineers. DOI: 10.2118/189173-MS.
• Isebor O.J., Ciaurri, D.E., Durlofsky, L., 2014. Generalized field-development optimization With derivative-free procedures. Society of Petroleum Engineers. DOI: 10.2118/163631-PA.
• Keshavarz M., Naderi M., 2016. Drilling rate of penetration prediction and optimization using response surface methodology and bat algorithm. J. Nat. Gas. Sci. Eng., 31: 829–841.
• Lyons J., Nasrabadi H., 2013. Well placement optimization under time-dependent uncertainty using an ensemble Kalman filter and a genetic algorithm. Journal of Petroleum Science and Engineering, 109: 70–79.
• Łętkowski P., 2018. Semi-Automatic Algorithm for Optimal Production Well Placement. Nafta-Gaz, 8: 598–605. DOI: 10. 18668/NG.2018.08.05.
• Naderi M., Khamehchi E., 2017. Well placement optimization using metaheuristic bat algorithm. Journal of Petroleum Science and Engineering, 150: 348–354.
• Nwachukwu A., Jeong H., Pyrcz M., Lake L.W., 2018. Fast evaluation of well placements in heterogeneous reservoir models using machine learning. Journal of Petroleum Science and Engineering, 163: 463–475.
• Nwankwor E., Nagar A., Reid D., 2013. Hybrid differential evolution and particle swarm optimization for optimal well placement. Comput. Geosci., 17: 1–20.
• Onwunalu J., Durlofsky L., 2010. Application of a particle swarm optimization algorithm for determining optimum well location and type. Comput. Geosci., 14: 183–198.
• Onwunalu J., Durlofsky L., 2014. A New Well-Pattern-Optimization Procedure for Large-Scale Field Development. Society of Petroleum Engineers. DOI: 10.2118/124364-PA.
• Sampaio M., Barreto C., Schiozer D., 2015a. Assisted optimization method for com- parison between conventional and intelligent producers considering uncertainties. Journal of Petroleum Science and Engineering, 133: 268–279.
• Sampaio M., Gildin E., Schiozer D., 2015b. Short-term and long-term optimizations for reservoir management with intelligent wells. Society of Petroleum Engineers. DOI: 10.2118/177255-MS.
• Yeten B., Durlofsky L., Aziz K., 2003. Optimization of nonconventional well type, location, and trajectory. Society of Petroleum Engineers. DOI: 10.2118/86880-PA.