在高水切割油库的地力学风险下,使用人工智能方法对CO2注入的多目标优化
Fankun Meng1,2,3, Jia Liu4,5,6, Gang Tong7
1Key Laboratory of Drilling and Production Engineering for Oil and Gas, Wuhan, 430100, Hubei, China. mengfk@yangtzeu.edu.cn.
这项研究引入了一种混合人工智能框架,以优化二氧化碳注入,以最大限度地回收和封存石油,同时最大限度地减少故障滑动等地力学风险. 该模型显示长短期内存 (LSTM) 和NSGA-II在高水切割场景中提供了卓越的性能.
科学领域:
- 石油工程是石油工程中的一个.
- 人工智能在水库管理中的应用
- 地质力学和二氧化碳封存
背景情况:
- 优化二氧化碳注入以提高石油回收 (EOR) 和碳封存至关重要.
- 之前的研究往往忽略了在二氧化碳注入过程中的地力学风险,例如故障滑动位移 (FSD).
- 高水切割水库在预测性能和管理风险方面存在独特的挑战.
研究的目的:
- 开发一个混合优化框架,整合人工智能和多目标优化算法.
- 为了同时最大限度地提高油田石油回收率 (FOR) 和二氧化碳封存率 (CSR),同时最大限度地减少故障滑动位移 (FSD).
- 在各种高水切割条件下 (0.7-0.95) 评估框架性能.
主要方法:
- 使用的人工智能方法:支持以高斯核 (Gaussian-SVR) 和长短期内存 (LSTM) 为代理模型的向量回归.
- 采用多目标优化算法:多目标粒子群优化 (MOPSO) 和非主导排序遗传算法II (NSGA-II).
- 使用拉丁超立方采样 (LHS) 来生成数据和用于培训和测试的数值模拟.
主要成果:
- 代理模型 (特别是LSTM) 在FOR和CSR方面表现良好,但在高水位降水 (>0.9) 时在FSD预测方面遇到了困难.
- 与MOPSO相比,NSGA-II在确定帕雷托最佳解决方案方面表现出更高的趋同性和可靠性.
- 最佳策略显示,随着水切割的增加,平均现场气体注入率 (FGIR) 降低,平均现场液体生产率 (FLPR) 增加.
结论:
- 混合框架有效地优化了高水切割水库的二氧化碳注入策略,考虑到地力学风险.
- 建议使用LSTM和NSGA-II,因为它们在复杂,高水切割场景中的性能优越.
- 该研究为设计二氧化碳注入方案提供了有价值的指导,可以平衡生产,封存和地质机械安全.
更多相关视频
11:53Spatial Multiobjective Optimization of Agricultural Conservation Practices using a SWAT Model and an Evolutionary Algorithm
Published on: December 9, 2012
10:06Microfluidic Fabrication Techniques for High-Pressure Testing of Microscale Supercritical CO2 Foam Transport in Fractured Unconventional Reservoirs
Published on: July 2, 2020
相关概念视频
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Multi-input and Multi-variable systems
In the absence...
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Response Surface Methodology
The process of RSM involves several key steps:
Multiple Pipe Systems
Series Configuration
In a series configuration, fluid flows sequentially from one pipe...
