Optymalizacja położenia odwiertów wydobywczych ze względu na czas trwania plateau wydobycia

• Autorzy: Łętkowski Piotr

Identyfikatory

DOI

10.18668/NG.2022.08.04

Warianty tytułu

EN

Well placement optimization for constant production rate

• Języki publikacji: PL

Abstrakty

PL

Określenie optymalnego rozmieszczenia odwiertów eksploatacyjnych na złożu węglowodorów jest kluczowe dla jego efektywnej eksploatacji. Tak sformułowane zagadnienie stanowi złożony problem optymalizacyjny, którego rozwiązanie w postaci lokalizacji odwiertów zależy między innymi od sposobu zdefiniowania funkcji celu. W literaturze najczęściej występują dwie postacie funkcji celu: zysk bieżący netto (NPV) oraz sumaryczne wydobycie ropy naftowej. Rzadziej spotykana jest funkcja celu bazująca na równomierności sczerpania złoża. Artykuł jest poświęcony próbie zastosowania funkcji celu opartej na czasie wydobycia ropy ze stałą wydajnością (tzw. plateau). Optymalizację prowadzono dla sumarycznego wydobycia ropy oraz zysku bieżącego netto w czasie trwania fazy plateau. W tym celu zbudowano hybrydowy algorytm optymalizacyjny bazujący na optymalizacji rojem cząstek. Zastosowanie algorytmu hybrydowego łączącego trzy mechanizmy wynikało z jednej strony z konieczności poprawienia skuteczności podstawowej metody optymalizacyjnej, z drugiej zaś miało na celu ograniczenie tzw. przedwczesnej zbieżności. Cele te zostały zrealizowane poprzez wykorzystanie mapy potencjału produktywności oraz wprowadzenie mechanizmu mutacji. Optymalizację prowadzono dla dwóch różnych sposobów sterowania odwiertami: sterowania grupowego ze stałą wydajnością oraz sterowania indywidualnego. Zbudowany algorytm potwierdził efektywność, uzyskując wzrost wartości funkcji celu w stosunku do wartości pierwotnej od 40% do 300%. We wszystkich analizowanych przypadkach algorytm rozmieścił odwierty produkcyjne poprawnie, co do zasady. Odwierty zostały rozmieszczone w strefie ropnej w bezpiecznej odległości zarówno od kontaktu woda–ropa, jak i ropa–gaz, przy czym stwierdzono pewne różnice w zależności od przyjętej funkcji celu. Przeprowadzone symulacje potwierdziły możliwość zastosowania czasu trwania plateau jako funkcji celu dla optymalizacji położenia odwiertów produkcyjnych.

EN

Determining the optimal placement of production wells in a hydrocarbon reservoir is crucial for the effective exploitation. The problem formulated in this way is a complex optimization problem, the solution of which in the form of the location of the wells depends, inter alia, on the method of defining the objective function. Two forms of the objective function are most often found in the literature. These are the net pay value (NPV) and total oil production. The objective function based on the uniformity of the reservoir depletion is less common. The article is devoted to an attempt to apply the objective function based on the duration of oil production with a constant production rate (the so-called production plateau). The optimization was carried out for the total oil production and for the net pay value for the plateau period. The need to use a hybrid algorithm combining three mechanisms resulted, on the one hand, from the need to improve the effectiveness of the basic optimization method, and on the other hand, to reduce the so-called “premature convergence”. For this purpose, a hybrid optimization algorithm based on particle swarm optimization was built. These goals were achieved through the use of a productivity potential map and a mutation mechanism. Optimization was carried out for two different well control methods: group control with constant production rate and individual well control. The developed algorithm confirmed the effectiveness, obtaining an increase in the value of the objective function in relation to the original value from 40% to 300%. As a rule, the algorithm placed the production wells correctly in all analyzed cases. The well were located in the oil zone at a safe distance from both water-oil and oil-gas contacts, with some differences depending on the target function adopted. The simulations carried out confirmed the possibility of using the plateau duration as a function of the objective for optimizing the location of production 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 8
• Strony: 598--607
• Opis fizyczny: Bibliogr. 31 poz., rys., wykr., wz.

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.
• 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. SPE Western Regional Meeting, Bakersfield, California, USA, April 2017. DOI: 10.2118/185741-MS.
• Awotunde A., 2014. On the joint optimization of well placement and control. SPE Saudi Arabia Section Technical Symposium and Exhibition,
• Al-Khobar, Saudi Arabia, April 2014. 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(4): 433–441. DOI: 10.2118/74707-PA.
• Bertini J.R., Filho S.F.B., Funcia M.A., Mendes da Silva L.O., Santos A.A.S., Schiozer D.J., 2022. A comparison of machine learning surrogate models for net present value prediction from well placement binary data. Journal of Petroleum Science and Engineering, 208, Part B: 109208. DOI: 10.1016/j.petrol.2021.109208.
• Bouzarkouna Z., Ding D., Auger A. 2012. Well placement optimization with the covariance matrix adaptation evolution strategy and meta-models. Computers & Geosciences, 16: 75–92. DOI: 10.1007/s10596-011-9254-2.
• 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.A., Silva E., Messer B., Almeida L.F., Szwarcman D., Pacheco M.A., 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.
• 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(S): S87. DOI: 10.1144/petgeo.7.S.S87.
• Güyagüler B., Horne R.N., 2004. Uncertainty assessment of well-placement optimization. SPE Reservoir Evaluation & Engineering, 7(1):24–32. DOI: 10.2118/87663-PA.
• Hazlett R.D., Babu D.K., 2005. Optimal well placement in heterogeneous reservoirs semi-analytic modeling. SPE Journal, 10(3): 286–296. DOI: 10.2118/84281-PA.
• Humphries T.D., Haynes R.D., 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.
• Humphries T.D., Haynes R.D., James L.A., 2014. Simultaneous and sequential approaches to joint optimization of well placement and control. Computers & Geosciences, 18: 433–448. DOI: 10.1007/s10596-013-9375-x.
• 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., Ciaurri D.E., Durlofsky, L., 2014. Generalized field-development optimization with derivative-free procedures. SPE Journal,19(5): 891–908. DOI: 10.2118/163631-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.
• Moraveji M.K., 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.
• 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.
• 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. DOI: 10.1016/j.petrol.2018.01.019.
• Nwankwor E., Nagar A., Reid D., 2013. Hybrid differential evolution and particle swarm optimization for optimal well placement. Computers & 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. Computers & Geosciences, 14: 183–198. DOI: 10.1007/S10596-009-9142-1.
• Onwunalu J., Durlofsky L., 2011 . A New Well-Pattern-Optimization Procedure for Large-Scale Field Development. SPE Journal, 16(03):594–607. DOI: 10.2118/124364-PA.
• Pinto M.A., Sampaio M., Gildin E., Schiozer D., 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.
• Pouladi B., Karkevandi-Talkhooncheh A., Sharifi M., Gerami S., Nourmohammad A., Vahidi A., 2020. Enhancement of SPSA algorithm performance using reservoir quality maps: Application to coupled well placement and control optimization problems. Journal ofPetroleum Science and Engineering, 189: 106984. DOI: 10.1016/j.petrol.2020.106984.
• Sampaio M., Barreto C., Schiozer D., 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.
• Yeten B., Durlofsky L., Aziz K., 2003. Optimization of nonconventional well type, location, and trajectory. SPE Annual Technical Conference and Exhibition, San Antonio, Texas, USA, September 2002. DOI: 10.2118/77565-MS.

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).