Proxy Modeling for Waterflooding Optimization

Abstract

Vannstrømning er en av de mest vanlige metodene for å øke produktiviteten til et olje & gass reservoar; det er billig, effektivt, og man har drevet med det veldig lenge. Optimalisering av vannstrømningsprosesser gjøres typisk ved å bruke en nummerisk reservoar simulator, og enten teste ute forkjellige scenarioer eller ved å bruke en optimaliseringsalgoritme. Grunnet kompleksiteten til reservoarer vil denne optimaliseringen av produksjonen ta veldig lang tid, siden kompliserte reservoarer vil ta lengere tid på en nummerisk reservoar simulator.

Denne oppgaven foreslår en metode der man lager en proxymodell for reservoaret, og bruker denne modellen til å optimalisere den kumulative oljeproduksjonen til et syntetisk reservoar. Modellen blir utviklet ved å bruke et kunstig nevralt nettverk, som er sentralt innen konseptet maskinlæring. Dette netverket vil kunne klare å gjenskape de samme resultatene som en nummerisk reservoar simulator. Denne proxymodellen vil så bli brukt sammen med en genetisk algoritme, som er en meta-heuristisk optimaliserings algoritme. Optimaliseringen av proxymodellen vil så bli sammenliknet med en tilsvarende optimalisering ved bruk av numerisk reservoar simulator . Proxymodellen var i stand til å gjenskape resultatene til den numeriske reservoarsimulatoren. Modellen hadde en tendens til å over-predikere med 0.75 %. Både proxymodellen og reservoarsimulatoren fikk tilsvarende resultat etter optimaliseringen med den genetiske algoritmen. Optimaliseringen med proxymodellen tok 71 sekunder, imens det tok 18 timer, 32 minutter, og 30 sekunder med den nummeriske reservoarsimulatoren. Dette betyr at optimaliseringsprosessen går 940 ganger raskere dersom man bruker en proxymodell kontra en mer standard nummerisk reservoarsimulator.

Waterflooding is one of the most common methods of increasing the productivity of a hydrocarbon reservoir; it is cheap, effective, and has been performed for a long time. Optimization of a waterflooding process is typically done using numerical reservoir simulators, combined with either trial and error or an optimization algorithm. Due to the complexity of reservoir this means that this optimization process will be time consuming, as a more complex and accurate reservoir model will require the numerical simulator to run for a long time for each attempted simulation.

This thesis proposes an approach to use a proxy model for the reservoir, and use this model for optimization of the cumulative oil production of a synthetic reservoir. The model will be developed using machine learning to make an artificial neural network, which will be able to replicate the reservoir simulator responses. This proxy model will then be coupled together with a genetic algorithm, which is a meta-heuristic optimization algorithm. The optimization using the proxy model will then be compared with optimization using a numerical reservoir simulator.

The proxy model is able to accurately replicate the numerical reservoir simulator responses. The proxy model has a slight over-prediction of 0.75 %. Both methods achieve a similar result when optimized with the genetic algorithm. The optimization with the proxy model takes 71 seconds, while it takes 18 hours, 32 minutes, and 30 seconds with the numerical reservoir simulator. This means that the optimization algorithm goes 940 times faster when it is done with a proxy model as opposed to a conventional numerical reservoir simulator.