Hybrid Machine Learning and Meta-Heuristic Optimization for Well Placement and Operating Conditions in Carbonate Rocks: Low-Salinity Water Injection

Technische Samenvatting: Hybride Machine Learning en Meta-heuristische Optimalisatie voor Welplaatsing en Operationele Condities in Carbonaatgesteenten

Probleemstelling
Injectie van water met een lage saliniteit (Low-Salinity Water Injection, LSWI) is een erkende techniek voor Enhanced Oil Recovery (EOR), die met name effectief is in heterogene carbonaatreservoirs waar het de sweep-efficiëntie verbetert door middel van verwettingverandering en ionenuitwisseling. Het optimaliseren van LSWI-processen is echter computationeel zeer veeleisend. Nauwkeurige modellering vereist compositionele reservoirsimulaties om complexe interacties tussen gesteente en vloeistof vast te leggen, wat tijdrovend is (het duurt enkele uren per scenario). Bijgevolg is directe optimalisatie van welplaatsing en operationele condities met behulp van full-physics modellen onpraktisch voor grote beslissingsruimtes. Traditionele trial-and-error benaderingen zijn inefficiënt, en hoewel eerdere studies LSWI-parameters hebben geoptimaliseerd met algoritmen zoals DECE, hebben zij grotendeendeels vertrouwd op physics-gebaseerde modellen of gericht op zandsteenreservoirs. Er is een gat in de literatuur met betrekking tot de gelijktijdige optimalisatie van wellocaties en operationele condities in carbonaatreservoirs met behulp van een datagestuurd framework dat surrogaatmodellen koppelt aan meta-heuristische algoritmen.

Methodologie
De studie stelt een datagestuurd framework voor dat Artificial Neural Network (ANN) surrogaatmodellen integreert met multi-objectieve meta-heuristische optimalisatiealgoritmen (Genetic Algorithm, Particle Swarm Optimization en Gray Wolf Optimization). De workflow verloopt als volgt:

1. Reservoir Modellering en Simulatie: Een sectormodel van een heterogeen carbonaatreservoir (6020 ft × 6020 ft × 100 ft) werd geconstrueerd met behulp van een compositionele simulator met de Peng-Robinson Equation of State (PR-EOS). Het model incorporeerde kleimineralen, kwarts, calciet en dolomiet, met heterogene distributies van porositeit, permeabiliteit en kationenuitwisselingscapaciteit (CEC). Relatieve permeabiliteitscurves werden geïnterpoleerd op basis van ionenuitwisselingsmechanismen tussen hoge en lage saliniteitscondities.
2. Datageneratie: Om de surrogaatmodellen te trainen, werden experimentele ontwerptabellen gegenereerd met de Latin Hypercube-methode.
   • Fase Welplaatsing: 665 simulatieruns werden uitgevoerd om data te genereren die de coördinaten van welblokken (gemapt naar lokale porositeit, permeabiliteit en CEC) koppelen aan doelparameters: olie-opbrengstfactor (RF), watergehalte (WC) en netto contante waarde (NPV).
   • Fase Operationele Condities: Een tweede set simulaties werd uitgevoerd met de optimale wellocaties om data te genereren die operationele variabelen (injectiesnelheid, productiesnelheid, bodemdruk en perforatiestatus) koppelen aan doelparameters (RF, cumulatieve waterproductie en NPV).
3. Ontwikkeling van Surrogaatmodellen: Twee onderscheidende ANNs werden ontwikkeld:
   • Een netwerk met drie verborgen lagen (54-25-13 neuronen) voor de optimalisatie van de welplaatsing.
   • Een netwerk met één verborgen laag (42 neuronen) voor de optimalisatie van de operationele condities.
     Beide werden getraind met Bayesiaanse regularisatie, waarbij 70-80% van de data werd gebruikt voor training en de rest voor testen.
4. Optimalisatie: De getrainde ANNs dienden als snelle proxies voor de full-physics simulator. Ze werden gekoppeld aan GA, PSO en GWO algoritmen om Pareto-optimale oplossingen te identificeren die de NPV en RF maximaliseren terwijl de waterproductie wordt geminimaliseerd.
5. Validatie: Geselecteerde oplossingen uit de Pareto-fronten werden gevalideerd door ze door de full-physics simulator te draaien om relatieve fouten te berekenen.

Belangrijkste Resultaten
De studie demonstreert significante verbeteringen in zowel computationele efficiëntie als reservoirprestaties:

• Computationele Efficiëntie: Het surrogaatmodel reduceerde de evaluatietijd voor elk scenario van ongeveer 3 uur (full-physics) naar ongeveer 1 seconde. Het gehele optimalisatieproces voor elk algoritme duurde ongeveer 50 minuten, vergeleken met de maanden die nodig zouden zijn voor full-physics optimalisatie.
• Modelnauwkeurigheid: De ANN-modellen bereikten een hoge voorspellende nauwkeurigheid, met R-kwadraatwaarden van 0,963 (training) en 0,942 (testen) voor welplaatsing, en meer dan 0,9 voor operationele condities. De gemiddelde kwadratische fouten waren respectievelijk 0,003 en 0,0027.
• Prestatieverbeteringen:
  • Optimalisatie van Welplaatsing: Door gebruik te maken van het Genetic Algorithm (dat de laagste fout opleverde), verhoogde de optimalisatie van de wellocaties de NPV met $70 miljoen en verbeterde de olie-opbrengstfactor met 6% (van 50,1% naar 56,1%). Optimale putten werden geplaatst in blokken met een hoge porositeit, permeabiliteit en CEC.
  • Optimalisatie van Operationele Condities: Door gebruik te maken van het Gray Wolf Optimization algoritme (geselecteerd vanwege de laagste fout in deze fase), verhoogde de optimalisatie van operationele parameters (druk, snelheden, perforatiestatus) de NPV verder met $160 miljoen en bracht de olie-opbrengstfactor naar 66,3%.
  • Gecombineerde Optimalisatie: De gelijktijdige optimalisatie van welplaatsing en operationele condities resulteerde in een totale NPV-toename van $230 miljoen, een stijging van 16,2% in olie-opbrengst, en een reductie van 290 MMSTB in cumulatieve waterproductie vergeleken met de basiscase.

Betekenis en Claims
De auteurs stellen dat deze studie een computationeel efficiënt alternatief biedt voor full-physics optimalisatie voor het verbeteren van de prestaties van LSWI in carbonaatreservoirs. De primaire bijdrage is de succesvolle integratie van ANN-gebaseerde surrogaatmodellen met multi-objectieve meta-heuristische algoritmen om gelijktijdig de wellocaties en operationele condities te optimaliseren—een combinatie die voorheen niet is onderzocht voor LSWI.

Het artikel stelt dat dit framework de exploratie van grote, complexe beslissingsruimtes mogelijk maakt die anders onhaalbaar zouden zijn vanwege computationele beperkingen. Door de simulatietijd te reduceren van uren naar seconden zonder in te boeten op voorspellende nauwkeurigheid, ondersteunt de voorgestelde methode snellere, datagestuurde besluitvorming voor veldschaal EOR-projecten. De studie concludeert dat, hoewel het huidige framework uitgaat van statische petrofysische eigenschappen, het een robuuste baseline vormt voor het optimaliseren van LSWI, waarbij toekomstig werk wordt gesuggereerd om petrofysische onzekerheid te integreren via Monte Carlo-simulaties.