تخمین توابع اشباع با مدل تکه‌ای پیوسته با استفاده از الگوریتم بهینه‌سازی ژنتیک چند هدفه

تراوایی نسبی یکی از پارامترهای دارای نقش کلیدی در مطالعات مهندسی مخزن و ازدیاد برداشت است. برای تعیین مقادیر این پارامتر از روش‌های مختلفی شامل مطالعات آزمایشگاهی، روابط تجربی و تحلیلی استفاده می‌گردد. در این مطالعه از تطابق تاریخچه داده‌های تولیدی آشام و تخلیه (داده‌های افت فشار و نفت تولیدی تجمعی) و نتایج شبیه‌سازی سیلاب‌زنی در مغزه با در نظر گرفتن مدل‌های تجربی مختلف مانند مدل‌های corey،ا brooks-corey و مدل تحلیلی تکه‌ای پیوسته برای تخمین منحنی‌های تراوایی نسبی استفاده گردید. برای این کار الگوریتم‌های بهینه‌سازی هوشمند تک هدفه و چند هدفه ژنتیک برای تعیین ضرایب مدل‌های تجربی و مدل تکه‌ای پیوسته به‌کار گرفته شد. ضرایب مدل‌های فوق و مقدار میانگین مربعات خطا به‌ترتیب به‌عنوان پارامترهای تصمیم‌گیری و تابع هدف در نظر گرفته شد. در فرآیند آشام مدل corey با بهینه‌سازی تک هدفه و مدل تکه‌ای پیوسته با بهینه‌سازی چند هدفه عملکرد بهتری داشتند. در فرآیند تخلیه مدل تکه‌ای پیوسته با بهینه‌سازی چند هدفه و مدل brooks-corey با بهینه‌سازی چند هدفه بهترین عملکرد را داشتند. نتایج نشان‌دهنده‌ عملکرد مناسب مدل تکه‌ای پیوسته برای فرآیندهای آشام و تخلیه با ضرایب همبستگی به‌ترتیب برابر با 0.9957 و 0.9932 با استفاده از الگوریتم ژنتیک تک هدفه بود. علاوه‌براین جبهه‌ای از پاسخ‌های بهینه به‌کمک الگوریتم بهینه‌سازی ژنتیک چند هدفه ایجاد گردید و در نهایت به‌منظور تصمیم‌گیری درخصوص بهترین پاسخ از الگوریتم‌های تصمیم‌گیری استفاده گردید. نتایج به‌دست آمده دقت بالای کاربرد مدل تکه‌ای پیوسته را برای فرآیند‌های آشام و تخلیه با ضرایب همبستگی به‌ترتیب برابر با 0.9916 و 0.9958 نشان داد. بنابراین، مدل تکه‌ای پیوسته به‌عنوان یک روش کارآمد برای تخمین تراوایی نسبی براساس تطابق داده‌های آزمایشگاهی و شبیه‌سازی پیشنهاد می‌گردد.

using multi-objective optimization genetics algorithm for co-estimation of saturation functions by piecewise model

saturation/flow functions, i.e., water and oil relative permeability and capillary pressure are the most critical input parameters that play a key role in porous media simulation studies and forecasting the fluids recovery. various methods including laboratory tests (steady or unsteady core flooding), and mathematical methods can be utilized to measure or estimate the flow function curves. in this research, history matching technique was performed using optimization genetic algorithms to adjust the parameters of the proposed model based on laboratory water flooding data (pressure drop and cumulative oil production) and the results of core flooding simulation. to do so, multi-objective genetic algorithms were employed to find optimum solutions for piecewise model and then the results are compared with several empirical models (e.g. corey and brooks-corey models). history matching results showed that single objective optimization, i.e., considering cumulative oil production as an objective function provides a good fit for corey’s model (r-squared= 99.56%) and single and multi-objective optimization lead to the best fits, respectively, with the accuracies of 99.57 and 99.16% for piecewise model during the imbibition process. moreover, the drainage history matching results showed that the piecewise model exhibits the best performance employing the single objective and multi-objective optimization algorithms with the accuracies of 99.32 and 99.85%, respectively. overall, the piecewise model can be utilized to address the history matching problem using multi-objective optimization and estimate the flow functions curves. hence, it is proposed as an efficient method for estimating fluid relative permeability and capillary pressure functions based on experimental and simulation data.