유가스전을 개발·생산하는데 있어서 다수의 고려사항이 존재한다. 그 중 생산에 가장 직접적인 영향을 미치는 유정 위치 선정은 탄화수소의 포화율과 저류층의 투과도, 유정간의 영향 등을 고려해야하는 복잡한 과정이 포함되며 생산성을 증대시켜 경제성을 최대화하기 위해서는 반드시 최적의 생산정 위치를 선정하는 것이 중요하다. 그러나 이러한 선정 과정은 전문가의 경험과 지식에 전적으로 의지하게 된다. 그러므로 이러한 과정을 자동으로 수행할 수 있는 ...
유가스전을 개발·생산하는데 있어서 다수의 고려사항이 존재한다. 그 중 생산에 가장 직접적인 영향을 미치는 유정 위치 선정은 탄화수소의 포화율과 저류층의 투과도, 유정간의 영향 등을 고려해야하는 복잡한 과정이 포함되며 생산성을 증대시켜 경제성을 최대화하기 위해서는 반드시 최적의 생산정 위치를 선정하는 것이 중요하다. 그러나 이러한 선정 과정은 전문가의 경험과 지식에 전적으로 의지하게 된다. 그러므로 이러한 과정을 자동으로 수행할 수 있는 최적화 알고리즘을 사용한 유정 위치선정 모델이 반드시 필요하다.
자동 위치 선정 모델은 유정 위치를 자동으로 변동시키면서 생산성을 평가하는 시뮬레이션 작업을 반복적으로 수행하여야 하는데 이를 위하여 이 연구에서는 광역 최적화 기법이며 최적해 근처에서 탐색 능력이 우수한 SA (Simulated Annealing) 알고리즘을 적용한 모델을 개발하였다. 최적해 탐색에서 반복연산에 의해 많은 연산시간이 소요되는데 최적해에 근접하고 우수한 초기 유정 위치를 선정하여 반복연산을 줄이는 것이 가능하다.
그래서 생산성 잠재력 분포도 (Productivity PotentialMap, PPM)를 사용하여 정적자료인 저류층 물성만으로 초기 유정 위치를 도출하였다. 부존량에 근거하는 기존 방식과 달리 PPM의 경우는 저류층 물성의 불균질성을 나타낼 수 있다. 그러므로 잠재력이 낮은 지역을 제외하고 유망한 지역을 중점적으로 탐색할 수가 있다.
그러나 유정의 생산은 넓은 범위에 영향을 줌에도 불구하고 PPM은 각 격자의 값이라는 한계점이 존재한다. 그러므로 유정의 영향반경식을 이용하여 각 유정의 영향 내의 모든 PPM의 총 합을 생산성 잠재력 분포 영역도 (Productivity Potential Area Map, PPAM)라는 새로운 개념으로 정의하였다. 이 개념을 사용하여 유망한 지역 내에서 우수한 잠재력을 가진 초기 유정 위치를 도출하였다.
무작위 위치에서 SA 유정 위치 최적화 모델을 사용하여 300회 반복연산하고 획득한 누적생산량은 60,942.54 MMscf 이였으며 PPAM 이론을 사용하여 도출한 유정위치에서 누적생산량은 61,540.42 MMscf 이였다. PPAM으로 도출한 유정 위치가 저류층 시뮬레이션을 300회하지 않고도 누적생산량이 597.87 MMscf, 0.98% 더 우수하였다. 그리고 PPAM으로 도출한 초기치를 바탕으로 최적화를 실시한 결과는 반복 263회에 61,791.86 MMscf이며 SA 알고리즘에서 지역해 탈출에 관여하는 변수를 조정하여 최적화를 실시한 결과는 반복 115회에 61,800.69 MMscf 였다. 그러므로 초기의 우수한 유정 위치에서 탐색을 시작하여 무작위 위치에서 시작한 경우보다 858.14 MMscf, 1.41% 우수한 해를 도출하였으며 변수를 조정하여 148회의 불필요한 반복 연산을 줄일 수가 있었다.
유가스전을 개발·생산하는데 있어서 다수의 고려사항이 존재한다. 그 중 생산에 가장 직접적인 영향을 미치는 유정 위치 선정은 탄화수소의 포화율과 저류층의 투과도, 유정간의 영향 등을 고려해야하는 복잡한 과정이 포함되며 생산성을 증대시켜 경제성을 최대화하기 위해서는 반드시 최적의 생산정 위치를 선정하는 것이 중요하다. 그러나 이러한 선정 과정은 전문가의 경험과 지식에 전적으로 의지하게 된다. 그러므로 이러한 과정을 자동으로 수행할 수 있는 최적화 알고리즘을 사용한 유정 위치선정 모델이 반드시 필요하다.
자동 위치 선정 모델은 유정 위치를 자동으로 변동시키면서 생산성을 평가하는 시뮬레이션 작업을 반복적으로 수행하여야 하는데 이를 위하여 이 연구에서는 광역 최적화 기법이며 최적해 근처에서 탐색 능력이 우수한 SA (Simulated Annealing) 알고리즘을 적용한 모델을 개발하였다. 최적해 탐색에서 반복연산에 의해 많은 연산시간이 소요되는데 최적해에 근접하고 우수한 초기 유정 위치를 선정하여 반복연산을 줄이는 것이 가능하다.
그래서 생산성 잠재력 분포도 (Productivity Potential Map, PPM)를 사용하여 정적자료인 저류층 물성만으로 초기 유정 위치를 도출하였다. 부존량에 근거하는 기존 방식과 달리 PPM의 경우는 저류층 물성의 불균질성을 나타낼 수 있다. 그러므로 잠재력이 낮은 지역을 제외하고 유망한 지역을 중점적으로 탐색할 수가 있다.
그러나 유정의 생산은 넓은 범위에 영향을 줌에도 불구하고 PPM은 각 격자의 값이라는 한계점이 존재한다. 그러므로 유정의 영향반경식을 이용하여 각 유정의 영향 내의 모든 PPM의 총 합을 생산성 잠재력 분포 영역도 (Productivity Potential Area Map, PPAM)라는 새로운 개념으로 정의하였다. 이 개념을 사용하여 유망한 지역 내에서 우수한 잠재력을 가진 초기 유정 위치를 도출하였다.
무작위 위치에서 SA 유정 위치 최적화 모델을 사용하여 300회 반복연산하고 획득한 누적생산량은 60,942.54 MMscf 이였으며 PPAM 이론을 사용하여 도출한 유정위치에서 누적생산량은 61,540.42 MMscf 이였다. PPAM으로 도출한 유정 위치가 저류층 시뮬레이션을 300회하지 않고도 누적생산량이 597.87 MMscf, 0.98% 더 우수하였다. 그리고 PPAM으로 도출한 초기치를 바탕으로 최적화를 실시한 결과는 반복 263회에 61,791.86 MMscf이며 SA 알고리즘에서 지역해 탈출에 관여하는 변수를 조정하여 최적화를 실시한 결과는 반복 115회에 61,800.69 MMscf 였다. 그러므로 초기의 우수한 유정 위치에서 탐색을 시작하여 무작위 위치에서 시작한 경우보다 858.14 MMscf, 1.41% 우수한 해를 도출하였으며 변수를 조정하여 148회의 불필요한 반복 연산을 줄일 수가 있었다.
Development and production oil and gas fields require considering many factors. A well placement affects directly the hydrocarbon recovery and it involves complex procedures to consider saturation, permeability, and interference among the wells. In order to increase productivity and maximize economi...
Development and production oil and gas fields require considering many factors. A well placement affects directly the hydrocarbon recovery and it involves complex procedures to consider saturation, permeability, and interference among the wells. In order to increase productivity and maximize economics of the oil & gas development project, well placement optimization is very important. However, well placement primarily depends on expert’s knowledge and experience. Therefore, it is necessary to develop a well placement model using optimization algorithm that can automatically search the well location.
This study presents the developed automatic well placement model using SA algorithm which can change well position and evaluate productivity repeatedly. Optimization needs a lot of computing time by repeated calculations, however, determining the excellent initial well location at near optimum can reduce computing time.
Productivity Potential Map (PPM) proposed by advanced research is able to calculate initial well location with the only static data of reservoir properties. Unlike the conventional method based on hydrocarbon resources, PPM can describe reservoir heterogeneities. Therefore, we can search well locations in the high potential zones except for the lower ones in reservoir.
Well production well production is affected by not a point but an areal flow capacity of reservoir. However PPM has a limitation of the value of each simulation cell. Therefore, I proposed a new concept of Productivity Potential Area Map (PPAM) that defines on the total sum of all the PPM in the effect of each well using the expression of radius investigation. From this concept of PPAM, it was confirmed that initial well location have excellent productivity potential using PPAM.
The cumulative production calculated with SA well palcement optimization model at random initial location was 60,942.54 MMscf in 300 iterations, and with well location using PPAM without SA optimization was 61,540.42 MMscf. Calculating well location using PPAM was superior to random search by 597.87 MMscf, 0.98% without reservoir simulation of 300 iterations. Then the cumulative production based on PPAM using SA optimization was 61,791.86 MMscf in 263 iterations, and changed variables about escape local optimum in SA algorithm was 61,800.69 MMscf in 115 times. Therefore, the result showed that the initial location with PPAM and changed variables were better than a random search by 858.14 MMscf, 1.41% and can reduce unnecessary iterations as 148 iterations with variable adjustment.
Development and production oil and gas fields require considering many factors. A well placement affects directly the hydrocarbon recovery and it involves complex procedures to consider saturation, permeability, and interference among the wells. In order to increase productivity and maximize economics of the oil & gas development project, well placement optimization is very important. However, well placement primarily depends on expert’s knowledge and experience. Therefore, it is necessary to develop a well placement model using optimization algorithm that can automatically search the well location.
This study presents the developed automatic well placement model using SA algorithm which can change well position and evaluate productivity repeatedly. Optimization needs a lot of computing time by repeated calculations, however, determining the excellent initial well location at near optimum can reduce computing time.
Productivity Potential Map (PPM) proposed by advanced research is able to calculate initial well location with the only static data of reservoir properties. Unlike the conventional method based on hydrocarbon resources, PPM can describe reservoir heterogeneities. Therefore, we can search well locations in the high potential zones except for the lower ones in reservoir.
Well production well production is affected by not a point but an areal flow capacity of reservoir. However PPM has a limitation of the value of each simulation cell. Therefore, I proposed a new concept of Productivity Potential Area Map (PPAM) that defines on the total sum of all the PPM in the effect of each well using the expression of radius investigation. From this concept of PPAM, it was confirmed that initial well location have excellent productivity potential using PPAM.
The cumulative production calculated with SA well palcement optimization model at random initial location was 60,942.54 MMscf in 300 iterations, and with well location using PPAM without SA optimization was 61,540.42 MMscf. Calculating well location using PPAM was superior to random search by 597.87 MMscf, 0.98% without reservoir simulation of 300 iterations. Then the cumulative production based on PPAM using SA optimization was 61,791.86 MMscf in 263 iterations, and changed variables about escape local optimum in SA algorithm was 61,800.69 MMscf in 115 times. Therefore, the result showed that the initial location with PPAM and changed variables were better than a random search by 858.14 MMscf, 1.41% and can reduce unnecessary iterations as 148 iterations with variable adjustment.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.