A Genetic Algorithm Optimizer with Applications to the SAGD Process
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Steam-assisted gravity drainage (SAGD) using parallel pairs of horizontal wells, one drilled for steam injection and the other for oil recovery, is the most widely used and effective in-situ method for recovering the Canadian oil sands. An optimization task is used to identify the parameters that will produce either a maximum or minimum value for objective functions the user specifies. In the area of reservoir simulation, the parameters can be well spacing to identify optimal field development plan, or a steam injection pressure/rate and a liquid production rate in the SAGD process for optimal operating conditions. The objective functions may be physical quantities, such as cumulative oil produced, the recovery factor, and the cumulative steam-oil ratio, or an economic index like net present value (NPV) dependent on those physical quantities. They can also be a function independent on the physical quantities, e.g., a history match data error if the optimization task is history match. The objective of this thesis is to develop an optimizer using a genetic algorithm that can be used to optimize a variety of tasks in reservoir simulation, including the history match error minimization, the optimal field development plan, production optimization and process optimization. In this work, the genetic algorithm using both binary and continuous encoding is designed and developed, which can be coupled with a reservoir simulator to study optimization tasks in reservoir simulations. This genetic algorithm is benchmarked with the traditional gradient based optimization algorithm. The genetic algorithm optimizer coupled with a reservoir simulator is used to optimize the steam injection rates over the life of a steam-assisted gravity drainage process in a reservoir with gas cap. The parameter sensitivities of the genetic algorithm are studied.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle