مروری بر مطالعات روش‌های محاسباتی بهینه‌سازی تزریق گاز در فرازآوری مصنوعی

به کمک روش‌های فرازآوری با گاز، توانایی سیال افزایش می‌یابد و تولید به سطح صورت می‌پذیرد. اغلب میزان گاز موجود در روش فرازآوری با گاز محدود است بنابراین تخصیص مناسب گاز در دسترس به چاه‌ها، یک مساله مهم در روش فرازآوری با گاز به شمار می‌رود. بهینه‌سازی فرازآوری با گاز نقش مهمی در تولید و به حداکثر رساندن ارزش فعلی خالص دارد. به‌طور خلاصه، این مقاله یک بررسی جامع از تکنیک‌های بهینه‌سازی فرازآوری با گاز به کار گرفته شده در محدوده صنعت نفت از روش عددی تا تکنیک‌های فرا ابتکاری را ارائه می‌دهد. درنهایت نتایج مطالعات نشان می‌دهد که درجه پیچیدگی روش‌های عددی با افزایش تعداد پارامترها افزایش می‌یابد؛ اما روش‌های فرا ابتکاری توانایی برخورد با مسائل پیچیده را دارند. از طرفی روش‌های فرا ابتکاری خود، شامل روش‌هایی هستند که برتری هر یک به عواملی مانند همگرایی در بهینه سراسری، تعداد پارامترهای قابل تنظیم، دقت و سرعت بستگی دارد. به‌طور مثال با توجه به روش‌های به‌کار رفته در مطالعات پیشین، الگوریتم چرخه آب و الگوریتم مبتنی بر آموزش و یادگیری همگرایی سریع از خود نشان دادند و الگوریتم ژنتیک در تعداد جمعیت کمتر اغلب در نقاط محلی به دام می‌افتد. الگوریتم کلونی مورچه‌ها و چرخه آب زمان اجرای کمتری نسبت به سایر الگوریتم‌ها دارند. هم‌چنین نحوه تخصیص و بهینه متغیرها در هر یک از الگوریتم‌ها نیز با یکدیگر متفاوت خواهد بود و همین‌طور انتخاب روش با جواب بهینه بهتر تنها با مقایسه نتایج به‌دست ‌آمده بنابر شرایط مساله موجود، امکان‌پذیر خواهد بود.

a review of gas injection optimization studies in artificial gas lift

with the help of gas lift methods, the ability of the fluid increases and the production takes place at the surface. often, the amount of gas available in the gas lift method is limited, so the appropriate allocation of the available gas to the wells is an important issue in the gas lift method. optimizing gas lift plays an important role in generating and maximizing net present value. in summary, this paper provides a comprehensive review of gas lift optimization techniques used in the petroleum industry, from numerical methods to meta-heuristic techniques. finally, the results of the studies show that the degree of complexity of the numerical methods increases with the increase in the number of parameters. however meta-heuristic methods can deal with complex problems. on the other hand, meta-heuristic methods include methods whose superiority depends on factors such as convergence to the global optimum, the number of adjustable parameters, accuracy, and speed. for example, according to the methods used in previous studies, the water cycle algorithm and the algorithm based on teaching and learning showed fast convergence, and the genetic algorithm is often trapped in local areas in the smaller population. the ant colony algorithm and the water cycle have less execution time than other algorithms. also, the method of allocating and optimizing the variables in each of the algorithms will be different from each other, and it will be possible to choose the method with the best optimal solution only by comparing the results obtained according to the conditions of the existing problem.