Zastosowanie metod programowania genetycznego w procesie maksymalizacji wydobycia węglowodorów przy zastosowaniu symulatora złożowego

• Autorzy: Łętkowski P.

Identyfikatory

DOI

10.18668/NG.2017.10.05

Warianty tytułu

EN

Application of Genetic Programming Methods for the Optimization of Hydrocarbon Production by using a Reservoir Simulator

• Języki publikacji: PL

Abstrakty

PL

Artykuł poświęcono zastosowaniu metody programowania genetycznego dla celów optymalizacji wydobycia ropy naftowej na przykładzie testowego złoża węglowodorowego. Prezentowane zagadnienie optymalizacyjne jest prostym przykładem problemu optymalnej kontroli i polega na doborze wydajności wydobycia ropy naftowej w przyjętych przedziałach czasowych w taki sposób, aby w zadanym całkowitym czasie eksploatacji uzyskać maksymalne wydobycie sumaryczne przy minimalnym wydobyciu wody. Problem rozwiązano przy zastosowaniu algorytmu genetycznego, kodującego dozwolone wartości wydajności wydobycia z listy wartości dozwolonych. Z jednej strony działanie takie jest charakterystyczne dla metod programowania genetycznego, zaś z drugiej redukuje istotnie przestrzeń rozwiązań. W artykule zastosowano algorytm genetyczny Hollanda, dla którego zaimplementowano krzyżowanie wielopunktowe oraz adaptację prawdopodobieństw krzyżowania i mutacji na podstawie tzw. współczynnika zróżnicowania populacji. Działanie tak zdefiniowanego mechanizmu adaptacji jest następujące: jeżeli zróżnicowanie populacji rośnie, liniowo zwiększane jest prawdopodobieństwo krzyżowania, a zmniejszane prawdopodobieństwo mutacji; w przeciwnym wypadku (zróżnicowanie populacji maleje) działa mechanizm odwrotny, tzn. zmniejsza się prawdopodobieństwo krzyżowania, a zwiększa prawdopodobieństwo mutacji. Taka metoda z jednej strony gwarantuje różnorodność populacji, z drugiej zaś zapewnia dobrą eksploatację przestrzeni rozwiązań. Przeprowadzono szereg testów mających na celu zweryfikowanie efektywności algorytmu w zależności od liczby punktów krzyżowania (krzyżowanie 1-, 2-, 3-punktowe) oraz długości chromosomu. Wykonane testy wskazują na zadowalającą zbieżność algorytmu, niezależnie od wartości badanych parametrów. Przyjęcie funkcji w określonej postaci spowodowało premiowanie przez algorytm niższych wartości wydobycia, co wynika z nieliniowego przyrostu wydobycia wody dla wyższych wartości wydobycia ropy naftowej.

EN

The paper addresses the problem of oil production optimization by genetic programming methods. The specific example of the problem presented in the paper belongs to the class of, so called, optimal control problems. It consists in finding the time variable rates of oil production that result in the maximum of the total oil production while keeping the total water production at a minimum available level. The problem is solved by a genetic algorithm, that assumes the production rates from the list of the allowable values. This approach typical for genetic programming methods significantly reduces the space of possible solutions. The article uses the Holland genetic algorithm for which multi-point crossing has been implemented and the adaptation of crossing and mutation probabilities based on so the called coefficient of population variability. The adaptive mechanism makes the crossing probability increase and mutation probability decrease for population variability increasing with time, while the crossing probability decrease and mutation probability increase for the variability decreasing with time. This mechanism guarantees the population variability to be at on appropriate level and at the same time, the extrapolation process for the solution space to be effective. Several tests were performed to verify the actual effectiveness of the algorithm for various number of crossing points (1, 2, 3 – crossing points) and chromosome length. Their results show a satisfactory convergence of the method to the final solution independent of the varying parameters values. Adopting a function in a specific form resulted in an algorithm for lower mining values, resulting from a nonlinear increase in water extraction for higher oil production values.

Słowa kluczowe

PL

algorytmy genetyczne; programowanie genetyczne; optymalizacja wydobycia; symulacje złożowe

EN

genetic algorithm; geneting programming; production optimization; filed simulations

• Wydawca: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
• Czasopismo: Nafta-Gaz
• Rocznik: 2017
• Tom: R. 73, nr 10
• Strony: 760--767
• Opis fizyczny: Bibliogr. 35 poz., rys., wz.

Twórcy

autor

Łętkowski P.

• Zakład Symulacji Złóż Węglowodorów i Podziemnych Magazynów Gazu. Instytut Nafty i Gazu - Państwowy Instytut Badawczy ul. Lubicz 25 A 31-503 Kraków

Bibliografia

• [1] Abraham J.N., Rao K.S.: Integration of generative and evaluative models for production scheduling of lube oil plants in a petroleum refinery. Applied Mathematical Modelling 2009, vol. 33, s. 1213-1227.
• [2] Aissani N., Beldjilali B., Trentesaux D.: Dynamic scheduling of maintenance tasks in the petroleum industry: A reinforcement approach. Engineering Applications of Artificial Intelligence 2009, vol. 22, s. 1089-1103.
• [3] Arabas J.: Wykłady z algorytmów ewolucyjnych. Wydanie drugie. Wydawnictwo Naukowo-Techniczne, Warszawa 2004.
• [4] Aytek A., Kisi O.: A genetic programming approach to suspended sediment modelling. Journal of Hydrology 2008, vol. 351, s. 288-298.
• [5] Banzhaf W.: Evolutionary Computation and Genetic Programming. Engineered Biomimicry 2013, Chapter 17, s. 429-447.
• [6] Can B., Heavey C.: A comparison of genetic programming and artificial neural network sin metamodeling of discrete-event simulation models. Computers & Operations Research 2012, vol. 39, s. 424-436.
• [7] Chen Y., Ohkawa E., Mabu S., Shimada K., Hirasawa K.: A portfolio optimization model using Genetic Network Programming with control nodes. Expert Systems with Applications 2009, vol. 36, s. 10735-10745.
• [8] Dimopoulos C., Zalzala A.M.S.: Investigating the use of genetic programming for a classic one-machine scheduling problem. Advances in Engineering Software 2001, vol. 32, s. 489-498.
• [9] Fathinasab M., Ayatollahi S.: On the determination of CO2-crude oil minimum miscibility pressure using genetic programming combined with constrained multivariable search methods. Fuel 2016, vol. 173, s. 180-188.
• [10] Gaoa F., Leea T., Caoa W., Leea X., Denga Y., Tonga H.: Self-evolution of hyperfractional order chaos driven by a novel approach through genetic programming. Expert Systems with Applications 2016, vol. 52, s. 1-15.
• [11] Garcia-Arnau M., Manrique D., Rios J., Rodriguez-Paton A.: Initialization method for grammar-guided genetic programming. Knowledge-Based Systems 2007, vol. 20, s. 127-133.
• [12] Gharbi R.B.C., Mansoori G.A.: An introduction to artificial intelligence applications in petroleum exploration and production. Journal of Petroleum Science and Engineering 2005, vol. 49, s. 93-96.
• [13] Gwiazda T.D.: Algorytmy genetyczne - kompendium. Tom I: Operator krzyżowania dla problemów numerycznych. Wydawnictwo Naukowe PWN, Warszawa 2007.
• [14] Gwiazda T.D.: Algorytmy genetyczne - kompendium. Tom II: Operator mutacji dla problemów numerycznych. Wydawnictwo Naukowe PWN, Warszawa 2007.
• [15] Hasan A.: Optimal Control of Petroleum Reservoirs. 1st IFAC Workshop on Control of Systems Governed by Partial Differential Equations2013, s. 144-149.
• [16] Hasan A., Foss B.: Optimal switching time control of petroleum reservoirs. Journal of Petroleum Science and Engineering 2015, vol. 131, s. 131-137.
• [17] Hashimoto N., Kondo N., Hatanaka T., Uosaki K.: Nonlinear System Modeling by Hybrid Genetic Programming. Proceedings of the 17th World Congress the International Federation of Automatic Control 2008, s. 4906-4611.
• [18] Holland J.H.: Adaptation in Natural And Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence. University of Michigan Press, Ann Arbor, 1975.
• [19] Jakobovic D., Marasovic K.: Evolving priority scheduling heuristics with genetic programming. Applied Soft Computing 2012, vol. 12, s. 2781-2789.
• [20] Kashid S.S., Maity R.: Prediction of monthly rainfall on homogeneous monsoon regions of India based on large scale circulation patterns using Genetic Programming. Journal of Hydrology 2012, vol. 454, s. 26-41,
• [21] Kaydani H., Mohebbi A., Hajizadeh A.: Dew point pressure model for gas condensate reservoirs based on multi-gene genetic programming approach. Applied Soft Computing 2016, vol. 47, s. 168-178.
• [22] Koza J.R., Poll R.: Genetic Programming. Chapter 5, MIT Press edition.
• [23] Langdon W.B., Poli R., McPhee N.F., Koza J.R.: Genetic Programming: An Introduction and Tutorial, with a Survey of Techniques and Applications. Springer-Verlag Berlin Heidelberg 2008, vol. 115, s. 927-1028.
• [24] Łętkowski P: Zastosowanie algorytmu optymalizacji wieloagentowej do automatycznej kalibracji modeli symulacyjnych. Nafta-Gaz 2016, nr 9, s. 704-712, DOI: 10.18668/NG.2016.09.04.
• [25] Łętkowski P.: Zastosowanie hybrydowej metody optymalizacji rojem cząstek w procesie automatycznej kalibracji modeli złożowych. Nafta-Gaz 2014, nr 11, s. 784-793.
• [26] Meiyi W., Xiang L., Lean Y: Time-dependent fuzzy rondom location-scheduling programming for hazardous materials transportation. Transportation Research Part C 2015, vol. 57, s. 146-165.
• [27] Qin W., Zhang J., Sun Y: Multiple-objective scheduling for interbay AMHS by using genetic-programming-based composite dispatching rules generator. Computers in Industry 2013, vol. 64, s. 694-707.
• [28] Reisi-Nafchi M., Moslehi G.: A hybrid genetic and linear programming algorithm for two-agent order acceptance and scheduling problem. Applied Soft Computing 2015, vol. 33, s. 37-47.
• [29] Russo M.: A distributed neuro-genetic programming tool. Swarm and Evolutionary Computation 2016, vol. 27, s. 145-155.
• [30] Sato H., Hasegawa Y., Bollegala D., Iba H.: Improved sampling using loopy belief propagation for probabilistic model building genetic programming. Swarm and Evolutionary Computation 2015, vol. 23, s. 1-10.
• [31] Tang Y., Liu R., Sun Q.: Schedule control model for linear projects based on linear scheduling method and constraint programming. Automation in Construction 2014, vol. 37, s. 22-37.
• [32] Uy N.Q., Hoai N.X., O’Neill M., McKay R.I., Phong D.N.: On the roles of semantic locality of crossover in genetic programming. Information Sciences 2013, vol. 235, s. 195-213.
• [33] Xie H., Zhang M.: Impacts of sampling strategies in tournament selection for genetic programming. Soft Comput 2012, vol. 16, s. 615-633.
• [34] Yeun Y.S., Yang Y.S., Ruy W.S., Kim B.J.: Polynomial genetic programming for response surface modeling. Part 1: a methodology. Struct Multidisc Optim 2005, vol. 29, s. 19-34.
• [35] Zhang Y., Bhattacharyya S.: Genetic programming in classifying large-scale data: an ensemble method. Information Sciences 2004, vol. 163, s. 85-101.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).