应用研究软计算方法应用研究降低地下模拟一优化研究问题计算难度.pdfVIP

应用软计算方法降低地下模拟一优化问题的计算难度 71 应用软计算方法降低地下模拟一优化问题的计算难度 VirginiaMJ·hnSon 著 余燕华 译 ， ahL．Rogers 朱起煌 校 摘要 在为特定的油藏管理问题寻求最佳解决方法的过程中，正规的优化策略一般都要评 价数百种乃至数千种方案。如果用地下的数值模拟模型来预测这些方案的效果，那么这一 过程就会耗费大量时间。为了在某些优化技术[例如遗传算法(GA)或模拟退火(SA)]所主 导的搜寻求解的过程中取代此类模拟模型，可以采用训练人工神经网络(ANN)的做法。可 以从一个有代表性的模拟样本出发来训练神经网络，而这一样本则构成了解决许多不同管 理问题所需的可反复使用的知识库。 这些概念已被应用于BP公司彭帕那(Pompano)油田的一个注水项 目。这里的管理问 题是确定1—4口注水井的组合位置，它将使彭帕那油田今后七年的简单纯利获得最大化。 利用石油行业的一个标准油藏模型，为取样于25个潜在注水井井位不同组合的550次模拟 创建了一个知识库。首先要查询这个知识库，以回答三年和七年内使简单纯利最大化的最 优方案问题。有关的答案表明，如能将仅依靠改变现有生产井的注水扩大为新钻三至四口 注水井，就可能实现利润的可观增加，但资本费用也会增加。 当这一知识库用作人工神经网络训练和测试的样本来源时，可以获得更好的答案。训 练人工神经网络是为了预测最高注水量以及开始注水后三年和七年的油、气产量。人工神 经网络对这些数量的快速估算可以用于纯利润计算中，而遗传算法又可以利用这一计算来 评估不同注水井组合方案的效果。遗传算法的探索扩展了求解的空间，它含有的新方案在 纯利润上超过了仅查询上述知识库所找到的最佳方案。 为了评估预测误差对求解质量的影响，可以将人工神经网络预测油、气产量时所得出的 最佳方案，与油藏模拟模型本身预测油、气产量时找到的最佳方案加以对比。虽然完成基于 模拟模型的方案搜寻需要耗费数千小时的中央处理机(CPU)工作，但所找出的最佳方案并 不符合基于人工神经网络搜寻所获得最佳方案。最后还对比了两种基于人工神经网络搜寻 所得出的结果，一种使用了遗传算法(GA)，而另一种则使用了模拟退火(SA)算法。这两种 搜寻方法所获得的最佳方案实际上是完全相同的。 产的日常经营管理，还是油田的长期开发计 一 3I 言 划，人们都将黑油模拟模型和更为复杂的组 分、热力和化学模型用作预测工具。但至今 1 问题的提出 几乎还没有出现油藏模拟与系统优化技术 油藏模拟已是石油工业许多公司一项 的结合。将这种数学技术应用于决策问题 比较固定的油藏管理内容。不管是油田生 的主要好处，在于人类想象在这方面局限要 72 石油地质科技动态 少于常规的逐个实例对比情形。随着相互 维地下水补救问题设计的。这一应用实例 抵触的工程、经济和环境目标以及制约因素 的基本目的是了解这种方法对多相流体流 的增加，计划人员已很难追踪复杂的相互影 动三维模拟的适用性。 响和选出可供检验的一组远景方案。使用 2ANN—GA／SA的优化方法 优化技术，就可以对变量的所有可能组合进 行搜寻，从而找出计划人员不一定清楚其效 模拟一优化这个术语的含义是模型与 果的策略方案。优化过程还能得出可供计 优化力量的结合，它已在地下水补救的文献 划人员选择的成套远景方案。 中得到了广泛的关注。这一类问题的优化 如果将油藏模拟模型用作预测工具，那 目标通常是找出采出井和注人井位置的一 么应