طراحي شبكه عصبي براي بهينه سازي اندازه سطح مقطع شيرهاي درون چاهي با اندازه ي ثابت درچاه هوشمند با الگوريتم پرندگان

Optimization of ICDsʹʹ Port Size in Smart Wells Using Particle Swarm Optimization (PSO) Algorithm through Neural Network Modeling

بهينه سازي توليد نفت از ميدان هاي هيدروكربوري يكي از دغدغه هاي اصلي مديريت مخازن نفت است. در اين راستا از فناوري چاه هوشمند كه در دهه ي اخير توسعه يافته، استفاده مي شود. از جمله چالش هاي مهم اين فناوري، تنظيم بهينه شيرهاي كنترلي ثابت در طول عمر چاه هوشمند است. به دست آوردن وضعيت بهينه اين شيرها با استفاده از نرم افزار شبيه ساز مخزن، نيازمند تعداد بسيار زياد اجراي شبيه سازي است كه باتوجه به محدوديت هاي زمان وهزينه غيرممكن است. از اين رو بايد به دنبال روشي براي جايگزيني نرم افزار شبيه ساز مخزن و ارايه الگوريتم بهينه سازي مناسب بود. در اين مقاله با جايگزيني روش شبكه عصبي مصنوعي با نرم افزار شبيه ساز مخزن، مقدارهاي توليد نفت و آب محاسبه شده و بهينه سازي تنظيمات شيرهاي كنترلي ثابت براي بيشينه كردن توليد نفت وكمينه كردن توليد آب با الگوريتم پرندگان (PSO) انجام مي شود، كه سرانجام ميزان توليد نفت به اندازه 55% نسبت به روش متداول افزايش مي يابد به بيان ديگر، ميزان نفت تجمعي از 3.5 ميليون بشكه به 6 ميليون بشكه و ضريب بازيافت آن از 6% به 9.5% در طول عمر چاه افزايش مي يابد

Oil production optimization is one of the main targets of reservoir management. Smart well technology gives ability of real time oil production optimization. Although this technology has many advantages; optimum adjustment or sizing of corresponding valves is its issue. In this research optimum sizing of ICDs which are passive control valves has been focused on by designing a neural network to simulate reservoir behavior and applying Particle Swarm Optimization (PSW) algorithm to find optimum port size for ICDs. Indeed; this work eliminates the need for lots of expensive and time consuming iteration through reservoir simulator. The achieved objectives of the work were oil production maximization and water production minimization.