عنوان پایان‌نامه
توسعه بهینه میدان با استفاده از الگوریتم های بی نیاز از مشتق
- رشته تحصیلی
- مهندسی نفت - مخازن هیدروکربوری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 1488.;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 64763;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 169
- تاریخ دفاع
- ۱۵ شهریور ۱۳۹۳
- دانشجو
- مهاجر فرهادپور
- استاد راهنما
- سیاوش ریاحی
- چکیده
- توسعه بهینه یک میدان مستلزم تعیین مقادیر بهینه تعداد بسیار زیاد متغیّر‌های مرتبط با چاه‌های آن در فرایند تولید است. در عمل، این امر معمولاً نیازمند رعایت تعدادی قید فیزیکی یا اقتصادی نیز هست. این دو در کنار هم سبب تبدیل این مسئله به یکی از دشوار‌ترین مسائل بهینه‌سازی صنعتی می‌شود که تابع هدف آن از خروجی شبیه‌سازی‌های زمان‌بر محاسبه می‌شود. تا کنون روش‌های حلّ مختلفی برای این مسئله ارائه شده است که می‌توان آن‌ها را به دو دسته? کلّی وابسته به مشتق و بی‌نیاز از مشتق تقسیم کرد. روش‌های وابسته به مشتق می‌توانند اغلب به سبب ماهیت نسبتاً هموار تابع هدف در صورت عدم وجود قید، بسیار به‌صرفه باشند. امّا پیاده‌سازی آن‌ها به صورت روش مشتقّات الحاقی بسیار دشوار است و همچنین نیازمند آگاهی و دسترسی به ساختار شبیه‌ساز مخزن است که در اکثر موارد امکان‌پذیر نیست. این در حالیست که مشتق‌گیری عددی نیز علاوه بر حسّاسیت بالا به نوفه، به دلیل حجم محاسبات زیاد می تواند در عمل بسیار ناکارآمد باشد. از طرف دیگر، هزینه‌بر بودن هر یک بار محاسبه? تابع هدف و گستردگی فضای مسئله منجر به ناکارآمد بودن عمده? روش‌های بی‌نیاز از مشتق در مقیاس صنعتی می‌گردد. از این رو، روش‌های بی‌نیاز از مشتق مبتنی بر مدل‌های جایگزین که می‌توانند از هموار بودن تابع هدف نیز بهره ببرند، گزینه? بسیار مناسبی برای حلّ این مسئله به نظر می‌رسند. این پژوهش به پیاده‌سازی و آزمایش یکی از جدید‌ترین این روش‌ها که از مدل‌های جایگزین مبتنی بر توابع پایه‌ای شعاعی برای تخمین توابع هدف و قید استفاده می‌کند می‌پردازد. این مدل‌ها به طور مکرّر با اضافه شدن نقاط تصادفی جدید بر اساس یک نظام امتیاز‌دهی به‌روز شده و نهایتاً منجر به یافتن یک جواب بهینه می‌گردند. از نوآوری‌های اصلی این روش، قابلیت یافتن یک جواب قابل قبول اوّلیّه در مسائل با تعداد قیود زیاد، در نظر گرفتن هر یک از قید‌های مسئله به صورت جداگانه و عدم صرف‌نظر از نقاط غیرقابل قبول در حین حلّ مسئله است. در پایان عملکرد این روش بر روی یک مدل ساختگی سیلاب‌زنی آزمایش خواهد شد.
- Abstract
- Field development optimization requires determination of optimum values for a large number of well-related variables. In practice, there are also a number of physical and economic constraints that must be considered. This results in one of the most challenging industrial optimization problems with objective functions that are calculated from output of numerical simulators. The problem has been approached in many studies with both gradient-based and derivative-free methods. Gradient-based methods can be highly efficient due to the relatively smooth nature of the objective function in unconstrained cases. Their implementation is however either very challenging and requires access to the simulator source code in case of adjoint formulation, or is prone to noise and can even become a considerable computational burden in case of numerical differentiation. Derivative-free methods are also inefficient at best, due to the large number of variables involved and their requirement for many function evaluations. This makes black-box metamodel-based methods that can exploit the smoothness of the underlying objective function an interesting option. This work presents the implementation and testing of a recent such method that uses radial basis function metamodels to approximate the expensive objective and constraint functions. These metamodels are then updated iteratively as new points are selected through a scoring system within a stochastic framework, until an optimum is found. The main novelties of the method are the ability to find a feasible initial solution for highly constrained problems, and its individual treatment of each constraint. The performance of the method is investigated against an industry-standard gradient-based method on a synthetic waterflooding case.
