An injection/production-efficiency based surrogate optimization algorithm for optimal well controls in waterflooding reservoirs
Diese Arbeit schlägt einen neuartigen, auf Streamlines basierenden Ersatzmodell-Optimierungsalgorithmus vor, der Injektions-/Produktionseffizienzkennzahlen mit fortschrittlichen Sampling-Strategien integriert, um die Bohrlochsteuerung in heterogenen Wasserflutungsreservoirs effizient und zuverlässig zu optimieren und dadurch die Ölförderung sowie die wirtschaftlichen Vorteile signifikant zu verbessern, während gleichzeitig die Einschränkungen traditioneller Streamline- und reiner Ersatzmodellmethoden überwunden werden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Tief unter der Erdoberfläche halten riesige Netzwerke aus porösem Gestein die Öl- und Gasreserven der Welt. Um diese Energie zu gewinnen, injizieren Ingenieure oft Wasser in diese Reservoirs, um das Öl in Richtung der Förderbrunnen zu drücken – ein Prozess, der als Wasserflutung bekannt ist. Das unterirdische Gestein ist jedoch selten gleichmäßig; es enthält verborgene Kanäle mit hoher Permeabilität und Barrieren, die dazu führen, dass das injizierte Wasser durch einige Pfade eilt, während Öl in anderen Pfaden zurückbleibt. Dieser ungleichmäßige Fluss führt zu einer frustrierenden Realität: Das Wasser bricht zu schnell zu den Förderbrunnen durch, überflutet das System und lässt wertvolles Öl zurück. Seit Jahrzehnten besteht die Herausforderung darin, das perfekte Gleichgewicht zwischen Injektions- und Produktionsraten zu finden, um das Reservoir effizient zu durchspülen, ohne Zeit oder Geld durch Ausprobieren zu verschwenden.
Ein Team von Forschern des CNPC Research Institute of Petroleum Exploration and Development hat eine neue Methode entwickelt, um dieses Problem zu lösen, indem es zwei unterschiedliche Ansätze kombiniert, um eine schnellere und zuverlässigere Methode zur Verwaltung dieser komplexen unterirdischen Systeme zu schaffen. Ihre kürzlich veröffentlichte Arbeit stellt einen Algorithmus vor, der wie ein intelligenter Wegweiser für Reservoiringenieure fungiert. Anstatt sich allein auf langsame, schwere Computersimulationen oder einfache Faustregeln zu verlassen, nutzt dieses neue System eine Technik namens Streamline-Simulation, um zu verstehen, wie sich Wasser durch das Gestein bewegt, und wendet dann eine ausgeklügelte Suchstrategie an, um die besten Einstellungen für jeden Brunnen zu finden. Das Ergebnis ist ein Zeitplan, der die Ölförderung signifikant erhöht und gleichzeitig die Wasserproduktion drastisch reduziert, was einen klareren Weg zur Maximierung des Wertes eines Reservoirs bietet.
Der Kern dieser neuen Methode liegt darin, wie sie den Erfolg jedes Injektions- und Produktionsbrunnens misst. Die Forscher definierten ein Konzept, das sie „Injektions- und Produktionseffizienz“ nennen. Stellen Sie sich ein bestimmtes Paar von Brunnen vor – einen, der Wasser hineinpumpt, und einen, der Öl herauszieht. Das Team berechnete, wie viel Geld das produzierte Öl dieses Paares im Vergleich zu den Kosten des injizierten Wassers und der produzierten Flüssigkeit wert ist. Wenn ein Brunnenpaar mehr Wert generiert als der Durchschnitt, weiß das System, dass es dessen Aktivität erhöhen muss. Wenn es unterperformt, reduziert das System dessen Rate. Diese Berechnung erfolgt auf der Ebene einzelner Brunnenpaare sowie für einzelne Brunnen, wodurch eine detaillierte Karte entsteht, die zeigt, welche Teile des Reservoirs gut funktionieren und welche Schwierigkeiten haben.
Traditionell war die Optimierung dieser Raten ein langsamer und schwieriger Prozess. Ingenieure mussten oft komplexe numerische Simulationen durchführen, die wie detaillierte 3D-Modelle des unterirdischen Gesteins sind, um verschiedene Szenarien zu testen. Da diese Modelle rechentechnisch so aufwendig sind, ist es oft unmöglich, sie hunderte Male durchzuführen, um innerhalb eines angemessenen Zeitrahmens die beste Lösung zu finden. Alternativ gibt es einfachere Methoden, die zwar schnell sind, aber nicht die Präzision besitzen, um die komplexen, sich ändernden Bedingungen eines realen Reservoirs über viele Jahre hinweg zu handhaben. Die Forscher suchten nach einem Mittelweg, der die Geschwindigkeit einfacher Methoden mit der Genauigkeit komplexer Simulationen verbinden konnte.
Um dies zu erreichen, entwickelten sie einen „Surrogat-Optimierungsalgorithmus“. In diesem Zusammenhang ist ein Surrogat (ein Ersatzmodell) ein vereinfachtes, schnell laufendes Modell, das für die schwere, langsame Simulation steht. Der Algorithmus beginnt damit, einige verschiedene Raten-Einstellungen zu testen und nutzt die Ergebnisse, um dieses vereinfachte Modell aufzubauen. Er verwendet dann eine intelligente Stichprobenstrategie, um zu erraten, wo die beste Lösung verborgen sein könnte. Der Algorithmus sucht nach Punkten, die entweder basierend auf dem aktuellen Modell wahrscheinlich ein gutes Ergebnis liefern oder weit entfernt von dem liegen, was bereits getestet wurde, um sicherzustellen, dass er neue Möglichkeiten erkundet. Indem er sein vereinfachtes Modell ständig mit neuen Daten aus der echten, schweren Simulation aktualisiert – und das nur, wenn es absolut notwendig ist –, findet der Algorithmus die optimale Lösung mit weita viel weniger teuren Berechnungen als traditionelle Methoden.
Die Forscher testeten diesen neuen Ansatz in zwei verschiedenen Szenarien: einem synthetischen Modell, das ein Reservoir mit spezifischen geologischen Merkmalen nachbildet, und einem realen Reservoir im Nahen Osten. Im synthetischen Modell enthielt das Reservoir hochpermeable Streifen, die dazu führten, dass Wasser durch bestimmte Pfade kanalisierte und dadurch Öl zurückließ. Der Basis-Zeitplan, der die Standardmethode zur Verwaltung der Brunnen darstellte, ergab einen Nettobarwert von etwa 43,67 Millionen US-Dollar. Als der neue Algorithmus übernahm, passte er die Injektionsraten an, wobei er insbesondere die Wasserinjektion in einen spezifischen Injektor erhöhte, der von ungenutztem Öl umgeben war. Diese Änderung ermöglichte es dem Wasser, das verbleibende Öl effektiver zu verdrängen. Der optimierte Zeitplan steigerte den Nettobarwert auf etwa 44,10 Millionen US-Dollar, was eine signifikante Verbesserung darstellt. Noch wichtiger war, dass er die gesamte Ölproduktion um über 27.000 Kubikmeter steigerte und gleichzeitig die gesamte Wasserproduktion um fast 48.000 Kubikmeter reduzierte.
Der Test am realen Reservoir im Nahen Osten lieferte noch dramatischer Ergebnisse. Dieses Reservoir war seit über zwölf Jahren in Produktion und verfügte über fünf Injektoren und neun Produzenten. Der Standard-Managementansatz, der sich auf feste Kapazitätsgrenzen stützte, ergab für den Optimierungszeitraum einen Nettobarwert von etwa 11,08 Millionen US-Dollar. Der neue Algorithmus identifizierte jedoch, dass die Injektions- und Produktionsraten von den dominanten Brunnen weg und hin zu anderen, die unterausgelastet waren, verschoben werden mussten. Durch die schrittweise Erhöhung der Injektionsrate bei einem bestimmten Injektor und die Anpassung der Produktionsraten mehrerer Brunnen verbesserte das System die Durchspülung des Reservoirs. Der optimierte Zeitplan steigerte den Nettobarwert auf etwa 13,33 Millionen US-Dollar, eine Steigerung von über 2,2 Millionen Dollar. Vielleicht am beeindruckendsten war die Reduzierung der Wasserproduktion, die um mehr als 68.000 Kubikmeter sank, sowie die massive Senkung des Wassergehalts (Water Cut) – des prozentualen Anteils des Wassers an der gesamten produzierten Flüssigkeit – um über 26 Prozentpunkte.
Der Erfolg dieser Methode beruht auf ihrer Fähigkeit, das physikalische Verständnis darüber, wie Wasser durch Gestein fließt, mit der mathematischen Kraft der Optimierung zu integrieren. Die Streamline-Simulation liefert ein klares Bild der Fließpfade und ermöglicht es dem Algorithmus, Entscheidungen auf der Grundlage der tatsächlichen Physik des Reservoirs zu treffen, anstatt nur auf statistischen Vermutungen zu basieren. Durch die Verwendung des Surrogat-Optimierungsrahmens umgingen die Forscher den Rechenengpass, der eine solch detaillierte Optimierung normalerweise zeitlich verhindert. Der Algorithmus bewies, dass es möglich ist, einen Zeitplan zu finden, der sowohl wirtschaftlich überlegen als auch physisch effizient ist, indem er mehr Öl fördert und dabei weniger Wasser produziert.
Die Forscher betonen, dass dieser Ansatz besonders wertvoll für die mittleren und späten Stadien der Reservoirerschließung ist, in denen das verbleibende Öl oft verstreut und schwer erreichbar ist. Die Methode beschränkt sich nicht nur auf die Anpassung von Raten; der Rahmen ist flexibel genug, um in Zukunft auch die Platzierung neuer Brunnen oder die Anordnung des gesamten Brunnenmusters zu optimieren. Für den Moment zeigt die Arbeit, dass durch die Kombination eines tiefen Verständnisses des Fluidflusses mit modernen Suchalgorithmen Ingenieure bessere Entscheidungen treffen können, die die Lebensdauer von Reservoirs verlängern und die Effizienz der weltweiten Energieproduktion steigern. Die Ergebnisse legen nahe, dass mit den richtigen Werkzeugen die komplexe Herausforderung des Wasserflutungs-Managements in eine präzise Wissenschaft verwandelt werden kann, die bessere Ergebnisse mit weniger Verschwendung liefert.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.