این شبیه سازی این نکته را القا می کند که در صورت حفر چاه در مکان مناسب، بازدهی چاه ها و تاثیر آن ها در تولید نفت بیشتر می باشد. در نتیجه این ایده به وجود می آید که بازده بیشتر چاه تزریق کننده طبق رابطه (۶٫۶) ارتباط مستقیمی با نرخ تولید بیشتر نفت دارد. نرخ تولید نفت نیز با انتخاب مکان های مختلف تغییر می کند. در نتیجه ارتباط بین بازدهی چاه های تزریق و مکان حفر این چاه ها وجود دارد. به طور خلاصه بازدهی چاه تزریق منعکس کننده مناسب یا نامناسب بودن مکان حفر این چاه می باشد.
یک پیشنهاد انجام شده در این پژوهش تغییر رابطه (۶٫۶) که در مراجع مختلف مورد استفاده قرار گرفته است به معادله (۶٫۸) جهت محاسبه میزان بازدهی چاه ها می باشد. چرا که به نظر می رسد تنها در نظر گرفتن میزان تولید نفت کافی نیست و باید تاثیر مخرب یک چاه تزریق در تولید آب نیز در نظر گرفته شود. با این رویکرد این رابطه به صورت زیر اصلاح می شود:
جایی که می باشد. رابطه بالا الهام گرفته از رابطه NPV می باشد که تاثیر نفت و آب تولیدی را همزمان لحاظ می کند.
۶-۴- ترکیب بازدهی چاه تزریق با الگوریتم ژنتیک جهت مکان یابی چاه تزریق
در این بخش قصد بر آن نیست تا با کمک الگوریتم ژنتیک مکان چاه تزریق کننده به نحوی یافته شود که تابع هدف میزان بازدهی چاه تزریق کننده ماکزیمم شود. چرا که تابع هدف NPV یک تابع هدف کامل و بازتاب دهنده تمام قیود اقتصادی مسئله مکان یابی می باشد. در این بخش دو استدلال منجر می شود تا تغییراتی در روند جستجوی الگوریتم ژنتیک ایجاد شود که این تغییرات باعث بهبود سرعت همگرایی روش می شود.
پیش از وجود مخزن مدل شده بر مبنای SL ها و عدم دسترسی به کمیت بازدهی چاه های تزریق، هنگام مکان یابی چاه تزریق به کمک الگوریتم ژنتیک در مخزن مدل شده به روش های FD چند مکان دلخواه تصادفی انتخاب می شد و بر مبنای احتمال و تصادف نسل ها بهبود می یافت. ذات این روش تصادفی منجر به افزایش تعداد شبیه سازی ها و جستجوی کورکورانه می شد. اما با وجود میزان بازدهی برای هر چاه می توان دریافت که محل کدام چاه نیز مناسب است و از این اطلاعات می توان جهت جایگزینی جستجوی تصادفی با جستجوی مبتنی بر دانش بهره برد.
به طور مثال فرض می شود قصد مکان یابی دو چاه تزریق در یک مخزن نفتی داریم. الگوریتم ژنتیک با یک جمعیت اولیه کار خود را آغاز می کند و به ارزیابی تابع هدف می پردازد و با توجه به مقدار تابع هدف از بین این جمعیت، والدین جهت اعمال اپراتورهای ژنتیک انتخاب می کند. دو حالت ممکن است رخ دهد که نقش منفی در کارایی الگوریتم ژنتیک دارد.
تابع هدف زیاد ناشی از مکان یک چاه مناسب و دیگری نامناسب
تابع هدف کم ناشی از مکان یک چاه مناسب و دیگری نامناسب
در هر دو مورد الگوریتم ژنتیک قابلیت تشخیص حضور یک مکان نامناسب را ندارد و ممکن است مکان نامناسب چاه در مورد اول به عنوان والد انتخاب شود یا اینکه در مورد دوم از مکان مناسب چاه به دلیل کم بودن تابع هدف صرف نظر شود. ایده به کارگیری مقدار بازدهی چاه های تزریق به این صورت می باشد که می توان با کمک این اطلاعات تشخیص داد در این دو حالت مکان های مناسب کدام هستند و از ترکیب آن ها در نسل بعدی استفاده شود. به نوعی این عمل یادآور یک نوع انتخاب بر اساس نخبه گرایی می باشد که باعث بهبود نسل های بعدی و همگرایی سریع تر می شود. در شکل ۶-۳ فلوچارت این الگوریتم آمده است.
شکل ۶-۳: فلوچارت الگوریتم ترکیبی ژنتیک و میزان بازدهی چاه ها
۶-۵- نتایج و شبیه سازی
در این بخش این الگوریتم بر روی دو مخزن همگن و ناهمگن پیاده سازی می شود و نتایج حاصل بررسی می شود.
۶-۵-۱- مخزن همگن
در این قسمت یک مخزن همگن با ۲ چاه تزریق و ۴ چاه تولید با نرخ های تزریق ۲۰۰ و تولید ۷۵ برای ۱۵ گام زمانی ۹۰ روزه مورد بررسی قرار گرفته است. هدف مکان یابی بهینه ۲ چاه تزریق می باشد به نحوی که تابع هدف NPV ماکزیمم شود. قابل ذکر است که بازده چاه تزریقی در هر گام زمانی شبیه سازی قابل محاسبه می باشد. در این صورت ۱۵ بازده چاه برای گام های زمانی مختلف بدست می آید. با توجه به جدول ۶-۲ به ازای مکان های مختلف در مخزن بازده چاه های تزریق در گام های ابتدایی زمان یکسان است. پس با این اوصاف بازده چاه در گام های نهایی زمان که کاهش تولید نفت به علت رخ دادن تولید آب را در پی دارد، بسیار حائز اهمیت است و به عنوان یک معیار واحد برای بازده چاه از میانگین بازده چاه در چند گام زمانی انتهایی جهت به کارگیری در مسئله مکان یابی استفاده می شود. پارامترهای الگوریتم ژنتیک همانند فصل چهارم طبق جدول ۴-۶ انتخاب می شود. شکل ۶-۴ میانگین ۳۰ بار اجرای الگوریتم ژنتیک معمولی و الگوریتم پیشنهادی ژنتیک به همراه اطلاعات SL را نشان می دهد. واضح است که الگوریتم ترکیبی سرعت همگرایی بیشتر و در نتیجه به تعداد شبیه سازی کمتری نیاز دارد. در جدول ۶-۳ این دو روش از لحاظ تعداد شبیه سازی ها با یکدیگر مقایسه شده اند.
شکل ۶-۴: مقایسه روش پیشنهادی ترکیبی با روش ژنتیک معمولی
جدول ۶-۳: مقایسه روش پیشنهادی ترکیبی با روش ژنتیک معمولی از لحاظ تعداد شبیه سازی
| Genetic | Proposed Method | |
| ۶۷٫۹ | ۴۲٫۴ | Mean of Simulations |
| % ۹۵ | % ۹۸ | Success to achieve Global Optimum |
| Decrease Simulations about % 35 | ||
نقطه بهینه جهانی در این مسئله مکان یابی، مکان (۱۷,۱۲) و (۱۷,۲۲) می باشد.
۶-۵-۲- مخزن ناهمگن
در این قسمت یک مخزن ناهمگن با ۲ چاه تزریق و ۴ چاه تولید مورد بررسی قرار گرفته است. هدف مکان یابی بهینه ۲ چاه تزریق می باشد به نحوی که تابع هدف NPV ماکزیمم شود. پارامترهای مخزن در جدول ۶-۴ آمده است.
جدول ۶-۴: پارامترهای مخزن ناهمگن
| Unit | Value |
آخرین نظرات