Model‐based multi‐objective particle swarm production optimization for efficient injection/production planning to improve reservoir recovery
Notice bibliographique
Résumé
Abstract This study employs an adjusted version of the multi‐objective particle swarm optimization (MOPSO) algorithm to plan an optimized reservoir's injection/production strategy. Three case studies, including two water‐flooding benchmark models and one gas‐condensate problem, are exercised as subjected problems to validate the MOPSO approach. The contradicting values of objectives, long‐term net present value (LNPV) versus short‐term net present value (SNPV), are obtained so that relying on a Pareto front improves decision‐making. In one water‐flooded case, inflow control valves of smart wells are considered to be adjusted within the optimization, while in the second case, the optimized well injection rates are control variables. The obtained results for water‐flooded reservoirs are shown to optimize the competitive objective functions more than the previous efforts in the literature. Moreover, 10 different permeability maps of the second case are implemented to obtain the optimum injection rates to perform optimization under uncertainty. The MOPSO robustly optimized the production/injection strategy in the presence of model uncertainty. In the gas‐condensate problem, the optimal gas injection rate in the SPE‐3 benchmark model is determined. The gas‐condensate case's outputs yield a decreased oil saturation result in the reservoir compared to non‐optimized production scenarios. Results illustrate that for all cases, MOPSO can provide optimal injection/production scenarios. Therefore, the proposed scheme gives the advantage of deciding between the set of results into a decision‐maker to optimize the production program by trading‐off within different strategies. Besides the Pareto fronts with adequate variety and steadiness, a great converging rate is the main advantage of this method.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».