Optymalizacja liczby i położenia odwiertów eksploatacyjnych z wykorzystaniem mapy potencjału produktywności

• Autorzy: Łętkowski Piotr

Identyfikatory

DOI

10.18668/NG.2022.12.02

Warianty tytułu

EN

Optimization of the number and placement of exploitation wells using a productivity potential map

• Języki publikacji: PL

Abstrakty

PL

Jednym z podstawowych elementów planu zagospodarowania złoża węglowodorów jest określenie liczby i położenia odwiertów eksploatacyjnych (produkcyjnych i zatłaczających). Należy jednak zauważyć, że zdecydowana większość prac poświęcona temu zagadnieniu opisuje proces optymalizacji położenia, a nie liczby odwiertów, przyjmując, że jest ona zadana arbitralnie. Wynika to 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. W artykule przedstawiono modyfikację podstawowej metody optymalizacyjnej uwzględniającą zmianę liczby odwiertów w czasie optymalizacji, przy czym optymalizacja położenia i liczby odwiertów przebiega równocześnie. Podstawową metodą optymalizacyjną w skonstruowanym algorytmie jest optymalizacja rojem cząstek (ang. PSO) – jedna z najbardziej efektywnych metod optymalizacji bezgradientowej, należąca do grupy metod stochastycznych. Została ona zmodyfikowana dla potrzeb przyjętego problemu optymalizacyjnego poprzez zmianę postaci funkcji celu oraz wprowadzenie zmiennej progowej, co pozwoliło na operowanie zmienną liczbą odwiertów. W celu poprawienia zbieżności algorytm uzupełniono o mechanizm mutacji oparty na mapie potencjału produktywności. Testy zbieżności metody przeprowadzone na przykładzie złoża testowego PUNQ-S3 wskazały na zadowalającą efektywność zaproponowanego rozwiązania. Algorytm potrzebował 150 iteracji i 750 wywołań funkcji celu, aby 2,5-krotnie zwiększyć początkową wartość NPV przy równoczesnej 3,5-krotnej redukcji liczby odwiertów produkcyjnych. Z kolei zastosowanie algorytmu do optymalizacji liczby i rozmieszczenia odwiertów zatłaczających przy zadanej liczbie konfiguracji odwiertów wydobywczych pozwoliło na zwiększenie zysku netto o 1/3 przy ponad 2-krotnej redukcji liczby odwiertów

EN

One of the basic elements of the hydrocarbon reservoir development plan is to determine the number and location of production and injection wells. 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 exploitation wells assuming that it was an 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 presents modification of the basic optimization method taking into account the change in the number of wells during optimization. The optimization of the placement and number of wells run simultaneously. The basic optimization method in the constructed algorithm is particle swarm optimization (PSO) – one of the most effective methods of non-gradient optimization, belonging to the group of stochastic methods. It was modified for the needs of the adopted optimization problem by changing the form of the objective function and introducing the threshold variable which allowed to change the number of wells. In order to improve the convergence, the algorithm is supported by a mutation mechanism based on the productivity potential map. The convergence tests carried out based on the example of the PUNQ-S3 benchmark field showed the satisfactory effectiveness of the proposed solution. The algorithm took 150 iterations and 750 objective function calls to increase the starting NPV value by 2.5 times while reducing the number of production wells by 3.5 times. On the other hand, the use of the algorithm to optimize the number and placement of injection wells for a given number of production wells configuration allowed to increase the NPV value profit by 1/3 with a reduction of more than 2 times in the number of wells.

Słowa kluczowe

PL

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

EN

optimization; reservoir simulation; swarm intelligence; particle swarm optimization; optimal number of wells; optimal well placement; productivity potential map

• Wydawca: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
• Czasopismo: Nafta-Gaz
• Rocznik: 2022
• Tom: R. 78, nr 12
• Strony: 861--871
• Opis fizyczny: Bibliogr. 31 poz., rys.

Twórcy

autor

Łętkowski Piotr

• Instytut Nafty i Gazu – Państwowy Instytut Badawczy

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. DOI: 10.1016/j.petrol.2011.08.009.
• Al Dossary M.A., Nasrabadi H., 2016. Well placement optimization using imperialist competitive algorithm. Journal of Petroleum Science and Engineering, 147: 237–248. DOI: 10.1016/j.petrol.2016.06.017.
• Almeida L.F., Vellasco M.M., Pacheco M.A., 2010. Optimization system for valve control in intelligent wells under uncertainties. Journal of Petroleum Science and Engineering, 73(1–2): 129–140. DOI: 10.1016/j.petrol.2010.05.013.
• Barker W.J., Cuypers M., Holden L., 2001. Quantifying uncertainty in production forecasts: another look at the PUNQ-S3 problem. Society of Petroleum Engineers Journal, 6(4): 433–441. DOI:10.2118/74707-PA.
• Bukshtynov V., Volkov O., Durlofsky L.J., Aziz K., 2015. Comprehensive framework for gradient-based optimization in closed-loop reservoir management. Computational Geosciences, 19(4):877–897. DOI: 10.1007/s10596-015-9496-5.
• Ding S., Lu R., Xi Y., Liu G., Ma J., 2020. Efficient well placement optimization coupling hybrid objective function with particle swarm optimization algorithm. Applied Soft Computing, 95:106511. DOI: 10.1016/j.asoc.2020.106511.
• Ding S., Lu R., Xi Y., Wang S., Wu Y., 2019. Well placement optimization using direct mapping of productivity potential and threshold value of productivity potential management strategy. Computers & Chemical Engineering, 121: 327–337. DOI:10.1016/j.compchemeng.2018.11.013.
• 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. SPE Reservoir Simulation Symposium, The Woodlands, Texas, USA, February 2009. DOI: 10.2118/118808-MS.
• Farajzadeh R., Kahrobaei S., De Zwart A., Boersma D., 2019. Life-cycle production optimization of hydrocarbon fields: thermoeconomics perspective. Sustainable Energy & Fuels, 3(11):3050–3060. DOI: 10.1039/c9se00085b.
• Feng O., 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. DOI: 10.1016/j.coal.2012.09.004.
• 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. Petroleum Geoscience, 7(6):S87–S96. DOI: 10.1144/petgeo.7.S.S87.
• Fonseca R.R.M., Chen B., Jansen J.D., Reynolds A., 2017. A stochastic simplex approximate gradient (StoSAG) for optimization under uncertainty. International Journal for Numerical Methods Engineering, 109(13): 1756–1776. DOI: 10.1002/nme.5342.
• 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. DOI:10.1016/j.petrol.2014.12.016.
• Ilamah O., Ebere M., 2017. Fast Tracking Field Development Optimization with Nature Inspired Heuristics. SPE Nigeria Annual International Conference and Exhibition, Lagos, Nigeria, July 2017. DOI: 10.2118/189173-MS.
• Isebor O.J., Echeverría C.D., Durlofsky L., 2014. Generalized fielddevelopment optimization with derivative-free procedures. Society of Petroleum Engineers Journal, 19(5): 891–908. DOI:10.2118/163631-PA.
• Kahrobaei S., Van Essen G., Van Doren J., Van den Hof P., Jansen J., 2013. Adjoint-based History Matching of Structural Models Using Production and Time-Lapse Seismic Data. SPE Reservoir Simulation Symposium, The Woodlands, Texas, USA, February 2013. DOI: 10.2118/163586-MS.
• Keshavarz M., Naderi M., 2016. Drilling rate of penetration prediction and optimization using response surface methodology and bat algorithm. Journal of Natural Gas Science and Engineering, 31: 829–841. DOI: 10.1016/j.jngse.2016.03.057.
• Liu Z., Reynolds A.C., 2020. A sequential-quadratic-programming-filter algorithm with a modified stochastic gradient for robust life-cycle optimization problems with nonlinear state constraints. Society of Petroleum Engineers Journal, 25(4): 1938–1963. DOI:10.2118/193925-PA.
• Lu R., Reynolds A.C., 2020. Joint optimization of well locations, types, drilling order, and controls given a set of potential drilling paths. Society of Petroleum Engineers Journal, 25(3): 1285–1306.DOI: 10.2118/193885-PA.
• 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. DOI: 10.1016/j.petrol.2013.07.012.
• Łętkowski P., 2018. Zastosowanie półautomatycznego algorytmu doboru optymalnej liczby i położenia odwiertów wydobywczych. Nafta-Gaz, 74(8): 598–605. DOI: 10.18668/NG.2018.08.05.
• Ma Z., Leung J.Y., 2020. Design of warm solvent injection processes for heterogeneous heavy oil reservoirs: a hybrid workflow of multi-objective optimization and proxy models. Journal of Petroleum Science and Engineering, 191: 107186. DOI: 10.1016/j.petrol.2020.107186.
• Naderi M., Khamehchi E., 2017. Well placement optimization using metaheuristic bat algorithm. Journal of Petroleum Science and Engineering, 150: 348–354. DOI: 10.1016/j.petrol.2016.12.028.
• Nwankwor E., Nagar A., Reid D., 2013. Hybrid differential evolution and particle swarm optimization for optimal well placement. Computational Geosciences, 17: 249–268. DOI: 10.1007/s10596-012-9328-9.
• Onwunalu J., Durlofsky L., 2010. Application of a particle swarm optimization algorithm for determining optimum well location and type. Computational Geosciences, 14: 183–198. DOI: 10.1007/S10596-009-9142-1.
• Onwunalu J., Durlofsky L., 2014. A New Well-Pattern-Optimization Procedure for Large-Scale Field Development. Society of Petroleum Engineers Journal, 16(3): 594–607. DOI: 10.2118/124364-PA.
• Panahli C., 2017. Implementation of particle swarm optimization algorithm within FieldOpt optimization framework-application of the algorithm to well placement optimization. MS thesis. NTNU, Norwegian University of Science and Technology. <http://hdl.handle.net/11250/2453090> (dostęp: 30.10.2022).
• Pinto M.A., Gildin E., Schiozer D.J., 2015. Short-term and long-term optimizations for reservoir management with intelligent wells.SPE Latin American and Caribbean Petroleum Engineering Conference, Quito, Ecuador, November 2015. DOI: 10.2118/177255-MS.
• Sampaio M.A., Barreto C.E.A.G., Schiozer D.J., 2015. Assisted optimization method for comparison between conventional and intelligent producers considering uncertainties. Journal of Petroleum Science and Engineering, 133: 268–279. DOI: 10.1016/j.petrol.2015.06.023.
• Spall J.C., Hill S.D., Stark D.R., 2006. Theoretical Framework for Comparing Several Stochastic Optimization Approaches. [W:] Calafiore G., Dabbene F. (eds.). Probabilistic and Randomized Methods for Design under Uncertainty. Springer, London: 99–117.DOI: 10.1007/1-84628-095-8_3.
• Van Essen G., Van den Hof P., Jansen J.-D., 2011. Hierarchical long-term and short-term production optimization. Society of Petroleum Engineers Journal, 16(1): 191–199. DOI: 10.2118/124332-PA.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).