بهینه‌سازی مکان چاه‌های تولید و تزریق با استفاده از الگوریتم ژنتیک موازی در یک مورد مطالعاتی

به دلیل پیچیدگی‌های موجود در مدل‌های شبیه‌سازی مخازن نفتی، نیاز به یافتن یک روش بهینه‌سازی که بتواند در کنار کاهش هزینه‌های محاسب از دقت و سرعت خوبی برخوردار باشد، احساس می‌شود. در این راستا، در این پژوهش، از الگویتم ژنتیک موازی برای سرعت بخشیدن به بهینه‌ساز به منظور جلوگیری از افزایش بار محاسبه‌ای مسئله مکانیابی و طولانی شدن زمان اجرا، استفاده گردیده است. این الگوریتم به جای یک جمعیت از کروموزوم (یعنی همان متغییر‌های بهینه‌سازی) با چند جمعیت کار می‌کند، که با همدیگر تبادل کروموزوم می‌کنند. مدل ریاضی ارایه شده در مسئله تک هدفه می‌باشد، که حداکثر کردن مقدار ارزش فعلی پروژه در انتخاب مکان چاه‌ها می‌باشد. قیمت نفت و هزینه جداسازی آب و گاز در این تابع اقتصادی در نظر گرفته شده است. در ارزیابی تابع هدف، هسته‌های یک رایانه، یا چند رایانه شبکه شده، هرکدام به صورت موازی، محاسبه برازندگی کروموزم‌های جمعیت‌های موازی را عهده دار هستند. پس از محاسبه تابع هدف یا برازندگی کروموزوم‌های همه جمعیت‌ها (که در هر جمعیت عملگر‌های رایج ژنتیک فعالیت می‌کند)، مهاجرت بین جمعیت‌ها صورت می گیرد. برای صحت سنجی پیاده‌سازی این روش یک مورد مطالعاتی مورد استفاده قرار گرفته است. در مدل پیشنهادی مکان چاه‌های عمودی، در یک مخزن نفتی، صحت‌سنجی شده است. در نتیجه بهینه‌سازی، چاه‌ها به حالت پنج نقطه، چهار چاه تزریقی در گوشه‌ها، و یک چاه تولیدی در مرکز مدل، مکان‌یابی می‌گردند و علاوه‌بر کاهش زمان بهینه‌سازی، تعداد اجراهای شبیه‌ساز در حالت پردازش موازی به میزان چشمگیری کاهش می‌یابد. در این پژوهش عملکرد الگوریتم‌های ژنتیک و ژنتیک موازی برای بهینه‌سازی مکان‌یابی بر روی مدل مخزنی یکسان نشان داده می‌شود. زمان اجرای بهینه‌سازی بین ژنتیک و ژنتیک موازی به ترتیب 7100 ثانیه و 1800 ثانیه است. همان‌گونه که مشخص است استفاده از pga باعث افزایش چهار برابری زمان اجرا در مخزن نفتی مورد مطالعه شده است.

placement optimization of production and injection wells using parallel genetic algorithm in a case study

due to the complexities of oil reservoir simulation models, there is a need to find an optimization method that can have good accuracy and speed while reducing computational costs. in this regard, in this study, a parallel genetic algorithm has been used to accelerate the optimizer in order to prevent the increase of the computational load of the well placement problem and the prolongation of the execution time. instead of one population of chromosomes (i.e., the same optimization variables), this algorithm works with several populations, which exchange chromosomes with each other. the proposed mathematical model is a single-objective problem, which is to maximize the present value of the project in the location of wells. the price of oil and the cost of separating water and gas are considered in this economic function. in evaluating the objective function, the cpu of a single computer, or multiple networked computers, each in parallel, are responsible for calculating the chromosomes’ fitness of parallel populations. after calculating the target function or suitability of the chromosomes of all populations (in which each population has common genetic function), migration between populations takes place. a case study has been used to validate the implementation of this method. in the proposed model, the location of vertical wells in an oil tank has been verified. as a result of the optimization, the wells are located at five points, four injection wells at the corners, and one production well at the center of the model, and in addition to reducing optimization time, the number of simulator performances in parallel processing mode is significantly reduced. in this research, the performance of genetic and parallel genetic algorithms for location optimization on the same reservoir model is shown. the execution time of optimization between genetics and parallel genetics is 7100 seconds and 1800 seconds, respectively. as it is known, the use of pga has quadrupled the execution time in the studied oil reservoir.