پیاده سازی الگوریتم نوین جایگزین بهینه سازی شده شبیه‌ساز در علوم زمین مطالعه موردی: تطابق تاریخچه در یکی از مخازن نفتی جنوب ایران

اخیراً مدل‌های جایگزین و معادلات ریاضی به‌جای مدل مخزن واقعی در برخی از حوزه‌های علوم زمین مورد استفاده قرار گرفته است. در این مطالعه، سعی شده است با بهره گیری از دانش مدل جایگزین بهینه سازی شده، یکی از مهم‌ترین مراحل شناخت دقیق پارامترهای اصلی مخازن در تطابق تاریخچه با هدف زمان اجرای کمتر و شتاب بخشی به شبیه‌سازی انجام گیرد. در این مقاله جدیدترین رویکرد مدل جایگزین برای تطابق تاریخچه خودکار در یک میدان بزرگ در جنوب ایران با 14 چاه با متغیرهای پاسخ‌های (تولید نفت، فشار ته چاه و فشار میانگین) استفاده شده است. روشی که به عنوان مدل پروکسی استفاده شده است، ماشین بردار پشتیبان حداقل مربعات است و برای نمونه گیری اولیه روش ccf بکار گرفته شد. سپس برای پروکسی ساخته شده با استفاده از دو روش نوین بهینه سازی، الگوریتم ژنتیک و بهینه‌سازی ‌‌ازدحام ذرات، بهینه سازی انجام شد. روش کار استفاده شده در این مقاله کدنویسی و برنامه‌نویسی در متلب و لینک آن با یکی از مهم‌ترین نرم افزارهای شبیه ساز مخزن (اکلیپس) برای بررسی و نهایی‌سازی ‌‌پارامترها بود. در نتیجه، ساخت مدل پروکسی با استفاده از 1086 نمونه برای مجموعه داده‌های آموزشی و آزمایشی موفق عمل کرد. همچنین الگوریتم ga نتایج بهتری نسبت به pso برای یافتن بهترین راه حل ارائه کرد.

Implementation of a new proxy algorithm in earth science A case study: Automatic history matching in one of oil reservoirs

History matching is still one of the main challenging parts of reservoir study especially in giant brown oil fields with lots of wells. It would be a challenge in reservoir engineering that due to various parameters and uncertainties in study of reservoirs, many simulation runs are needed to reach a good match for responses in conventional mechanism of history matching. However, for accelerating history matching part, new methods, which are called as assisted or automated history matching (AHM), have been established. In this paper, the latest approach for automated history matching (AHM) has been applied in a real brown field containing 14 wells with multiple responses that is located in south of Iran. Least square support vector machine (LSSVM) has been applied to create proxy model based on cubic centered face method. The optimization algorithms, used in this research, consist of genetic algorithm (GA) and particle swarm optimization (PSO).  Introduction In the latest studies in geosciences and reservoir characterization, employing a proxy model that acts faster, instead of real reservoir model, has led to good results. One of the most important sections in fulfilled study (FFS) and master development plan is history matching, which plays an important role in production scenarios and future production plan of the under study reservoir. In this paper, one of the newest methods is used for making proxy model and then, the model for history matching is optimized.  Methodology and Approaches Least square support vector machine (LSSVM) has been employed to create proxy model based on cubic centered face (CCF) method. The optimization algorithms of genetic algorithm (GA) and particle swarm optimization (PSO) have been used in this research.  Results and Conclusions A new proxy model has been successfully constructed using 1086 samples leading into determination coefficient (R2)