بهینه سازی تولید و تزریق با استفاده از روش کاهش مرتبه مدل در شبیه سازی مخازن هیدروکربنی

بهینه سازی برنامه تولید و تزریق در مخازن هیدروکربنی به دلیل پیچیدگی و حجم بالای محاسبات، زمینه تحقیقاتی بسیاری از طرح های پژوهشی بوده است. یکی از علل اصلی این پیچیدگی نیاز به اجراهای متعدد شبیه ساز عددی به منظور پیش بینی عملکرد مخزن است. لذا یافتن راهی برای کاهش محاسبات شبیه سازی مخزن کمک شایانی به تسهیل بهینه سازی تولید خواهد کرد. یکی از روش های کاهش حجم شبیه سازی مخزن استفاده از روش های کاهش مرتبه مدل است که به تازگی در حوزه شبیه سازی مخازن هیدروکربنی معرفی شده است. در این مقاله ما به معرفی روش کاهش مرتبه مدل براساس شبکه های عصبی مصنوعی و روش درون یابی تجربی گسسته خواهیم پرداخت. این روش با ترکیب مزایای روش های نفوذی روش درون یابی تجربی گسسته و غیر نفوذی شبکه های عصبی قادر است ضمن حفظ دقت شبیه سازی مشکل بالا بودن ابعاد فضای متغیر را حل کرده و در زمینه شبیه سازهای جعبه سیاه نیز به کار گرفته شود. کارایی الگوریتم پیشنهادی در کاهش حجم شبیه سازی و بهینه سازی تولید در مخزن شاخص بروژ مورد ارزیابی قرار گرفته است. روش مذکور نشان داد که قادر است ضمن حفظ دقت شبیه سازی و رفتار دینامیکی مخزن زمان شبیه سازی را تا هشت برابر کاهش دهد. در قسمت بهینه سازی تولید نیز استفاده از این روش در کنار الگوریتم بهینه سازی جستجوی الگو توانست ضمن کاهش زمان محاسباتی به میزان هفت برابر نسبت به شبیه ساز عددی اکلیپس، موجب بهبود 11% در ارزش خالص فعلی نسبت به نقطه اولیه بهینه سازی شود.