proses

Ulasan

Ulasan Bidang Pengembangan Optimalisasi fl Air banjir yang, EOR,

dan baik Penempatan Berfokus pada Sejarah Matching dan
Optimasi Algoritma

Jackson Udy, BrighamHansen, Sage Maddux, Donald Petersen, Spencer Heilner, Kevin Stevens, David Lignell dan John D.
Hedengren *

Departemen Teknik Kimia, Ira A. Fulton Fakultas Teknik dan Teknologi, Universitas Brigham Young, 350 Clyde Building, Provo, UT 84.602,
USA; jacksonudy@byu.edu (JU); brighamhansen@byu.edu (BH); sage.maddux@irsri.org (SM); donaldep@byu.edu (DP);
spencerjh1@gmail.com (SH); kevin.stevens@irsri.org (KS); davidlignell@byu.edu (DL)

* Korespondensi: john.hedengren@byu.edu; Tel .: + 1-801-477-7341 Editor Akademik:

Michael Henson
Diterima: 19 Mei 2017; Diterima: 22 Juni 2017; Diterbitkan: 27 Juni 2017

Abstrak: Makalah ini menyajikan tinjauan sejarah pencocokan dan minyak lapangan teknik optimasi pembangunan dengan fokus pada
algoritma optimasi. algoritma Sejarah cocok ditinjau sebagai pendahulu untuk algoritma optimasi produksi. Teknik untuk pencocokan
sejarah dan optimasi produksi Ulasan termasuk metode global dan lokal. Nah penempatan, baik kontrol, dan dikombinasikan optimasi
baik penempatan kontrol menggunakan kedua teknik produksi minyak sekunder dan tersier dianggap. teknik pemulihan sekunder dan
tersier yang sering disebut sebagai fl air banjir yang dan enhanced oil recovery (EOR), masing-masing. model acuan untuk perbandingan
metode dirangkum sementara aplikasi lain dari metode yang dibahas di seluruh. Tidak ada metode optimasi tunggal ditemukan secara
universal unggul. Kunci bidang pekerjaan di masa depan menggabungkan metode optimasi dan mengintegrasikan beberapa proses
optimasi. Tantangan saat ini dan peluang penelitian masa depan untuk meningkatkan validasi model dan algoritma optimasi skala besar
juga dibahas.

Kata kunci: fl air banjir yang; baik penempatan; sejarah pencocokan; optimasi pemulihan; EOR

1. Perkenalan

Peneliti dan praktisi sedang menyelidiki metode untuk meningkatkan hasil produksi dari waduk yang ada. Saat ini, sebagian besar
waduk ekonomis menghasilkan paling 60% dari asli di tempat volume sepanjang kehidupan reservoir menggunakan ditingkatkan teknik oil
recovery [ 1 ]. Dengan dioptimalkan banjir yang fl air dan metode enhanced oil recovery, ada potensi untuk meningkatkan jumlah minyak
bumi yang dapat secara ekonomis diproduksi dari cadangan tersebut.

Enhanced Oil Recovery (EOR) adalah praktek menggunakan berbagai teknik untuk meningkatkan jumlah minyak dan gas yang
dapat diekstraksi sumber fromexisting. Banyak teknik yang berbeda telah dikembangkan untuk tujuan ini seperti uap banjir [ 2 - 6 ], Polimer
banjir [ 2 . 7 - 13 ], Dan gas injeksi [ 2 . 14 . 15 ], diantara yang lain. Dalam tulisan ini, EOR didefinisikan sebagai injeksi gas, uap, surfaktan, atau
bahan kimia lainnya ke dalam reservoir untuk meningkatkan produktivitas waduk. EOR dianggap sebagai teknik produksi tersier biasanya
mengikuti fase produksi primer dan sekunder. Dalam kekuatan produksi primer alam dalam reservoir (ekspansi fluida, ekspansi rock,
akuifer di fluks, dll) memberikan energi yang cukup untuk memungkinkan untuk ekstraksi minyak dan gas. produksi sekunder juga disebut fl
air banjir yang. Pada fase ini air produksi diinjeksikan ke dalam reservoir untuk meningkatkan produksi. Berbeda fl air banjir yang dan
strategi EOR dapat dipilih berdasarkan sifat reservoir dan tahap produksi saat ini waduk. Seringkali strategi ini dipilih untuk memaksimalkan

proses 2017, 5, 34; doi: 10,3390 / pr5030034 www.mdpi.com/journal/processes

proses 2017, 5, 34 2 dari 25

total produksi minyak atau nilai sekarang bersih (NPV). Reservoir dan produksi insinyur sering menggunakan trial and error melalui simulasi
komputer untuk menentukan alokasi sumber daya produksi. Namun, metode ini mengurangi kemungkinan fi nding pengembangan
lapangan yang optimal dan skema produksi relatif sedikit skenario dapat dipertimbangkan. Ketidakmampuan untuk menjalankan sejumlah
besar simulasi mengarah ke perencanaan waduk suboptimal dan mengurangi produksi. Selain keterbatasan komputasi, signi fi tantangan
tidak bisa lain sering dihadapi ketika mencoba untuk mengoptimalkan pembangunan waduk. Beberapa di antaranya kurangnya data historis
yang memadai untuk mengkalibrasi model waduk, ketidakpastian besar dalam sifat fisik, dan tak terduga harga minyak dan gas antara lain.
Menemukan pengembangan lapangan yang optimal dan skema produksi meningkatkan produktivitas reservoir. Untuk mencapai hal ini,
mengingat tantangan tersebut, perlu untuk menggunakan teknik optimasi dibantu komputer untuk lebih menilai waduk dan membuat
rencana pengembangan lapangan dan produksi ditingkatkan. Algoritma untuk fi pengembangan lapangan khas optimasi numerik
ditunjukkan pada Gambar 1 . Sistem waduk (top box) terdiri dari beberapa injector dan produsen. Menyesuaikan sistem input (yaitu, jumlah
sumur produksi baru, nomor baru dari sumur injeksi, lokasi newwells, injeksi fl ow rate, komposisi injeksi, produksi fl ow rate, dll) selama
masa operasi waduk menyebabkan perubahan dalam sesaat output (yaitu, fl ow rate, jumlah minyak pulih, air yang dihasilkan, dll).
Kebisingan karena pengukuran atau aktuator ketidaktepatan diperkenalkan ke dalam proses sebagai input atau output ke reservoir
sehingga meningkatkan ketidakpastian. Data sensor diumpankan ke algoritma sejarah pencocokan yang berusaha untuk menyesuaikan
parameter dari sistem waduk simulasi untuk mencocokkan reservoir yang sebenarnya. Proses pencocokan sejarah ini adalah metode
optimasi pertama yang dibahas dalam makalah ini. Setelah suf fi representasi sien akurat dari reservoir tercapai, systemmodel atau versi fi
disederhanakan model dioptimalkan dan pengembangan lapangan dan operasi strategi baru dihitung. Strategi ini kemudian
diimplementasikan dengan reservoir sebenarnya untuk ekonomi dimaksimalkan atau tujuan lain yang terkait dengan fl air banjir yang atau
EOR [ 16 ]. Sepanjang optimasi makalah ini berurusan dengan variasi parameter operasi juga baik untuk produksi atau sumur injeksi (yaitu,
tingkat produksi, laju injeksi, komposisi injeksi, dll) disebut juga mengontrol optimasi.

Sistem
Kebisingan Memasukkan Keluaran Kebisingan
Reservoir

Masukan baru

Algoritma
Model sistem sensor
optimasi

sejarah
Matching

Gambar 1. optimasi berdasarkan model alir multifase dalam reservoir minyak.

Penelitian tentang optimasi pengembangan lapangan luas. Hal ini tidak praktis untuk meninjau setiap aspek dari optimasi produksi di
review kertas tunggal. Oleh karena itu, ulasan ini berfokus pada dua bidang utama yang terkait dengan optimasi produksi: sejarah
pencocokan dan optimasi algoritma. Secara khusus, ini
proses 2017, 5, 34 3 dari 25

bidang utama dieksplorasi karena mereka berhubungan dengan optimalisasi fl air banjir, EOR, dan penempatan dengan baik. Sumbangan
dari pekerjaan ini adalah review gabungan pencocokan sejarah dan optimasi produksi terkait erat dalam praktek tetapi jarang Ulasan
sebagai proses holistik meningkatkan NPV. Ulasan ini mengkaji keadaan seni dalam algoritma optimasi produksi dan nds fi bahwa tidak
ada metode satu optimasi yang digunakan yang universal unggul daripada orang lain. penempatan dikombinasikan dengan baik dan teknik
kontrol optimasi baik juga secara menyeluruh Ulasan. Model patokan saat ini untuk aplikasi fl air banjir dan optimasi EOR juga dibahas.
rekomendasi pekerjaan di masa depan dalam metode optimasi dan aplikasi yang dibuat. Dimana fi c topik tertentu terlalu luas untuk
menutupi dalam ulasan ini, review makalah yang berhubungan [ 17 - 24 ] Memberikan rincian lebih lanjut untuk pembaca yang tertarik. Secara
khusus, salah satu bidang penelitian aktif yang berkaitan dengan optimasi produksi adalah kuantifikasi dari ketidakpastian, ini ditinjau oleh
Oliver dan Chen [ 22 ]. ulasan masa depan bisa mencakup penilaian karya terbaru di daerah ini.

Sejarah pencocokan adalah proses rekonsiliasi data dimana data yang waduk (produksi, injeksi, geologi, dll) digunakan untuk
menyetel parameter model reservoir pasti. model reservoir yang dihasilkan kemudian digunakan dalam pengembangan lapangan dan
optimasi produksi untuk menentukan bagaimana reservoir harus dikembangkan dan dioperasikan untuk memaksimalkan tujuan produksi
yang relevan, seperti proyek profitabilitas. Berbagai algoritma optimasi yang digunakan baik dalam proses rekonsiliasi data history matching
(fi nding nilai optimum dari parameter yang tidak pasti) dan proses optimasi produksi (menentukan pembangunan dan pengoperasian
strategi optimum). Sebuah ekspresi matematika umum dari kedua rekonsiliasi data dan optimasi produksi diberikan oleh Persamaan
spasial discretized ( 1 ) Dan dikembangkan lebih lanjut dalam bagian berikutnya.

min (1a)
y, x, p, u Ψ ( y, x, p, u)

0=f(δx (1b)
δ t, y, x, p, u)

0 = g (y, x, p, u) (1c)

0 ≤ h (y, x, p, u) (1d)

Pada kasus ini, y ∈ R s adalah negara yang diukur atau dioptimalkan (output); x ∈ R q adalah variabel negara;

p ∈ < q adalah seperangkat parameter yang tidak diketahui atau tidak pasti; dan u ∈ R m adalah seperangkat input (tarif yaitu, injektor fl ow,
komposisi, lokasi, dll). Reservoir ekspresi dinamis ( f), persamaan yang berhubungan negara waduk untuk pengukuran ( g), dan kendala
ketimpangan ( h) menyusun set umum persamaan yang diselesaikan dalam pencocokan sejarah atau optimasi produksi. Skalar Tujuan atau
fungsi multi-tujuan ( Ψ) mengambil bentuk yang berbeda apakah tujuannya adalah untuk mencocokkan nilai yang terukur atau
memaksimalkan ekonomi reservoir. Terus menerus (yaitu, posisi katup antara 0-100%) atau diskrit (yaitu, pompa atau menonaktifkan)
variabel yang baik masukan ke dalam model atau ditentukan oleh optimizer. Aljabar, diferensial biasa, dan persamaan diferensial parsial
diijinkan dalam bentuk umum dari Persamaan ( 1 ) [ 25 - 29 ].

Bagian 2 ulasan teknik sejarah yang cocok seperti yang diterapkan untuk enhanced oil recovery dan fl air banjir yang. Bagian 3 survei
state-of-the-art teknik optimasi saat ini yang sedang dalam pengembangan atau diterapkan dalam praktek. Berbagai metode dan aplikasi
mereka dianggap di setiap bagian. Hasil kesimpulan yang menutupi keadaan saat lapangan serta daerah masa depan penelitian.

2. Sejarah Matching untuk fl Air banjir dan Pemulihan Minyak Ditingkatkan

Sejarah pencocokan merupakan langkah penting dari proses optimasi waduk khas. Dalam pencocokan sejarah, parameter geologi
dari studi laboratorium dan model geologi, seperti permeabilitas dan porositas, bersama dengan sifat fluida dimasukkan ke simulator waduk
atau model dalam upaya untuk menciptakan data historis. Jika output model yang tidak sesuai dengan data yang benar maka parameter
model berubah menggunakan algoritma pencocokan sejarah dan model dijalankan lagi. Tujuan keseluruhan adalah untuk meminimalkan
perbedaan antara output model dan data historis yang benar, seperti yang ditunjukkan pada
proses 2017, 5, 34 4 dari 25

persamaan ( 2 ). Sini n Hai adalah norma untuk minimisasi (yaitu, n o = 1 adalah 1-norma), α adalah bobot pada kesalahan pengukuran, dan β adalah

hukuman atas penyimpangan dari nilai-nilai parameter sebelumnya. Perhatikan bahwa bentuk Persamaan Model ( 2b ) - ( 2d ) Tergantung pada pilihan

dari fisika berbasis, empiris, atau dikurangi agar model formulir [ 30 ].

∥∥ n o + β ‖ p - p 0 ‖ n Hai
Ψ = min (2a)
p, y p, x α ∥∥ y p - y m

st 0 = f ( δ x (2b)
δ t, y, x, p, u)

0 = g (y, x, p, u) (2c)

0 ≤ h (y, x, p, u) (2d)

Setelah perbedaan antara diprediksi ( y p) dan diukur ( y m) nilai-nilai diminimalkan, diasumsikan bahwa model tersebut dapat digunakan
untuk memprediksi kinerja masa depan reservoir. Utama Kesulitan dengan pencocokan sejarah adalah bahwa hal itu adalah masalah terbalik
dan sakit-diajukan, yang berarti bahwa ada banyak set parameter yang bisa memberikan kualitas yang sama pertandingan, dengan tidak ada
metode untuk membedakan antara set untuk akurasi tanpa set tes independen yang tidak digunakan sebagai bagian dari proses fi tting. Angka 2
menunjukkan aliran data dalam proses sejarah yang cocok.

Kebisingan iya nih

optimasi algorithim

Pertandingan
dihitung
Data Memasukkan Model Reservoir yang bagus sistem Keluaran
output
?

Tidak

Parameter Model baru

Sejarah
Matching
Algorithm

Gambar 2. Historymatching flowchart dengan proses berulang untuk refinemodel prediksi untuk optimasi.

The model reservoir diwakili dalam Gambar 2 biasanya dibuat sebagai representasi matematika fisika berbasis waduk. Model fisika
berbasis berasal dari jumlah dilestarikan seperti massa, spesies, momentum, dan energi untuk menciptakan persamaan keseimbangan [ 31 ].
persamaan keseimbangan ini terus menerus diferensial parsial dan persamaan aljabar yang kemudian discretized menjadi blok teratur atau
tidak teratur atau sel. model kasar discretized biasanya memecahkan lebih cepat tetapi memiliki resolusi kurang dalam larutan fi nal.
Uap-cair kesetimbangan (VLE), cair-cair kesetimbangan (LLE), dan Persamaan Negara (EOS) memprediksi perilaku multi-fase fluida
melalui reservoir [ 32 ]. saldo spesies juga digunakan untuk menentukan jumlah seperti perpecahan air-minyak dan sifat multi-komponen UID
waduk fl [ 33 ]. Sifat material dari setiap blok waduk seperti porositas, permeabilitas, dan sifat fluida ditentukan dalam proses sejarah
pencocokan [ 34 ]. Model ini sering disebut fi delity sebagai tinggi atau model fisika berbasis. Selain model fisika berbasis ketat, empiris atau
dikurangi model agar juga digunakan [ 35 - 42 ]. Bentuk beberapa model empiris ditentukan semata-mata dari data sementara yang lain set
terstruktur persamaan dengan parameter yang tidak diketahui atau tidak pasti. Apakah reservoir dimodelkan dengan bentuk fisika berbasis
atau bentuk empiris, proses pencocokan sejarah adalah keselarasan pengukuran untuk diprediksi Model output.
proses 2017, 5, 34 5 dari 25

Sejarah cocok mungkin performedmanually atau dengan bantuan komputer. Sebelum metode optimasi berbasis komputer yang
tersedia secara luas, pertandingan sejarah yang dilakukan secara manual; dengan kata lain, seorang insinyur akan memilih parameter
berdasarkan model geologi, menjalankan simulasi, dan memeriksa kualitas fi t. Kemudian, seluruh proses akan diulang dengan parameter
yang berbeda yang dipilih untuk meningkatkan fi t. perhitungan tersebut sangat memakan waktu, dengan beberapa simulasi yang
membutuhkan sampai bulan waktu jam. Otomatis atau dibantu pencocokan sejarah, bagaimanapun, sekarang biasa. Dalam pencocokan
sejarah otomatis, sebuah algoritma optimasi yang digunakan untuk dengan cepat menjalankan beberapa simulasi saat mengganti
parameter untuk fi nd yang terbaik fi t. Ada banyak algoritma optimasi yang berbeda yang umum digunakan dan mereka dapat
dikategorikan menjadi algoritma global atau lokal. Lokal algoritma mendapati satu solusi kandidat untuk masalah optimasi yang tergantung
pada menebak awal mulai dan mungkin tidak optimum global. algoritma global mungkin akan menemukan beberapa solusi lokal atau solusi
global [ 43 ]. Bagian ini memberikan gambaran singkat dari aplikasi dan metode umum pencocokan sejarah dibantu sejak 2010 dan ulasan
aplikasi yang cocok sejarah diterapkan untuk EOR. Untuk diskusi lebih lanjut, pembaca disebut review berdasarkan [ 22 . 44 ].

Metode Stochastic bervariasi parameter masukan pasti dari fungsi distribusi probabilitas untuk membuat sebuah ensemble model
prediksi atau hasil optimasi [ 45 . 46 ]. Prediksi yang paling dekat menyelaraskan dengan pengukuran yang dipilih untuk fi nd solusi optimal
untuk masalah sejarah yang cocok. sejarah dibantu sesuai dengan metode stokastik dapat menggunakan evolusi, segerombolan partikel,
atau algoritma anil simulasi. Metode Stochastic mencari ruang solusi dengan beberapa derajat keacakan dan secara bertahap kembali
mendefinisikan pertandingan sejarah untuk akurasi yang lebih besar. Kebanyakan perkembangan penelitian saat ini melibatkan
spesifikasi-modi pada algoritma ini untuk meningkatkan akurasi, keandalan, atau waktu komputasi. Rahmati et al. [ 47 ]. ditingkatkan
diferensial algoritma optimasi evolusi untuk meningkatkan tingkat konvergensi dan ketahanan. Ini algorithmwas dibandingkan dengan
metode berbasis gradien-dan Algoritma Genetika (GA). Dalam studi tersebut, metode berdasarkan gradien-hanya mampu fi minima nd
lokal karena kedekatannya dengan menebak awal. The algorithmwas diferensial ditemukan untuk berkumpul dengan hampir setengah
simulasi dari GA [ 47 ]. Taman et al. [ 48 ] Diperpanjang, Genetic Algoritma berbasis Pareto Multi-Objective Evolutionary (MOEGA) yang
dikembangkan oleh Deb et al. [ 49 ] Untuk menangani saling bertentangan beberapa tujuan sejarah pencocokan [ 48 ]. Algoritma ini adalah
signifikan karena ada umumnya beberapa set data yang akan dicocokkan, seperti data produksi, selang waktu data seismik, dll,
masing-masing dengan fungsi tujuan yang unik. Umumnya, ini beberapa tujuan yang dikelompokkan ke dalam satu tertimbang-sum fungsi
yang digunakan untuk pertandingan sejarah. Hal ini dapat menyebabkan solusi lengkap sebagai optimalisasi satu tujuan dapat
meningkatkan kesalahan lain. Amulti-Objective Evolutionary Algorithm (MOEA) mampu menciptakan satu set solusi yang berhubungan
dengan masing-masing tujuan secara terpisah dan kemudian bekerja untuk fi nd kombinasi terbaik. Dengan menciptakan satu set solusi
menggunakan MOEA, ketidakpastian dapat diukur untuk beberapa derajat. Hajizadeh et al. [ 50 ] Diterapkan ant colony optimization (ACO)
untuk sejarah pencocokan dan ketidakpastian kuantifikasi untuk kedua model reservoir yang kompleks sederhana dan. Mereka
menemukan bahwa ACO berkumpul dengan baik dan mampu melakukan lebih baik daripada algoritma lingkungan dalam tes mereka.

Sebuah tujuan umum dalam studi terbaru adalah untuk membandingkan dua atau lebih metode menggunakan data reservoir yang
sama untuk fi nd algoritma sejarah pencocokan terbaik. ACO, evolusi diferensial (DE), partikel swarm optimization (PSO), dan algoritma
lingkungan (NA) pun langsung dibandingkan dengan Hajizadeh et al. [ 51 ]. Untuk, waduk kecil sederhana dengan satu memproduksi
dengan baik, pertandingan sejarah PSO dan NA adalah yang terbaik, dengan PSO mencapai hasil yang sedikit lebih baik. Pada reservoir
sintetik besar dengan geologi yang kompleks dan beberapa sumur, DE dicapai pertandingan sejarah terbaik, dan NA tidak dapat fi nd
pertandingan memuaskan [ 51 ]. Tiga algoritma stokastik untuk pencocokan sejarah bersama produksi dan data seismik 4D dibandingkan
dengan Jin et al. [ 52 ]. Metode yang Sangat Cepat Simulated Annealing (VFSA), PSO, dan NA. Dalam dua medan uji fi, para peneliti
menemukan bahwa PSO, sementara menjadi sedikit lebih komputasi mahal, memiliki karakteristik konvergensi baik dan lebih efektif
dibandingkan dengan dua metode lainnya. Mereka juga menemukan bahwa VFSA memiliki kelebihan tertentu, tetapi membutuhkan lebih
banyak iterasi dan dengan demikian umumnya lebih berguna bila daya lebih komputasi tersedia [ 52 ]. Saat ini, tidak ada metode yang jelas
dan konsisten performanya melebihi metode lain untuk semua waduk. Sementara tunggal
proses 2017, 5, 34 6 dari 25

solusi terbaik untuk waduk tidak mungkin, penelitian masa depan harus dilakukan untuk menentukan algoritma yang optimal untuk
berbagai jenis waduk dan metode pemulihan.
Filter Ensemble Kalman (EnKF) update dan memprediksi negara dan parameter model. Banyak penelitian sejarah yang cocok dalam
beberapa tahun terakhir telah difokuskan pada penggunaan EnKF. The EnKF adalah “metode fi lter berurutan, yang berarti bahwa model
terintegrasi maju dalam waktu dan, setiap kali pengukuran yang tersedia, ini digunakan untuk menginisialisasi ulang model sebelum
integrasi terus” [ 53 ]. Keuntungan terbesar dari menggunakan EnKF untuk pencocokan sejarah adalah kemudahan implementasi dan
kemampuan untuk menangani sistem nonlinear. EnKF juga mudah diparalelkan, namun biaya komputasi yang tinggi dibandingkan dengan
metode fi lter lainnya. Aanonsen et al. [ 18 ] Ulasan penggunaan EnKF di teknik reservoir dari awal tahun 1994-2009.

Kebanyakan perkembangan saat ini dalam penggunaan EnKF kesepakatan dengan mengurangi waktu perhitungan, memastikan
konsistensi geologi, atau akurat pencocokan waduk sangat nonlinear. Sebuah rangka mengurangi model aliran, dalam hal ini lintasan
Piecewise Linearisasi (TPWL) bentuk, digunakan untuk meningkatkan ukuran ensemble untuk EnKF di rendah komputasi biaya [ 54 ]. Hal ini
untuk menghindari kemungkinan masalah kehancuran ensemble sementara meningkatkan waktu komputasi. Mereka menunjukkan bahwa
menggunakan EnKF pada 50 full simulasi fi delity dan 150 simulasi TPWL memberikan hasil yang sebanding dengan menggunakan 200
simulasi fi delity penuh dan mengakibatkan pertandingan sejarah lebih baik daripada menggunakan hanya 50 penuh simulasi fi delity.
Heidari et al. [ 55 ] Gabungan EnKF dengan poin pilot dan deformasi bertahap untuk mencegah EnKF dari berangkat dari informasi sebelum
dan untuk mencegah sifat petrofisika mencapai nilai-nilai non-fisik. Elsheikh et al. [ 56 ] Mengusulkan alternatif EnKF disebut metode
stokastik ensemble berulang (ISEM). ISEM memperkirakan gradien stokastik menggunakan sebuah ensemble dari gradien. Agbalaka et al.
[ 57 ] Menerapkan teknik pencocokan sejarah berbasis ensemble dua tahap yang memungkinkan EnKF untuk masalah pertandingan sejarah
yang memiliki nonlinier yang kuat dan memiliki fungsi distribusi probabilitas multimodal. Pendekatan mereka terdiri dari satu EnKF untuk
mengasimilasi semua data produksi diikuti dengan EnKF kedua yang resamples variabel model yang sekitar mode. Menggunakan
pendekatan mereka, mereka mampu untuk lebih meningkatkan keakuratan pertandingan sejarah. Emerick dan Reynolds [ 58 ] Dibuat
sebuah penelitian menggunakan sembilan baru-baru ini dikembangkan metode berbasis ensemble-untuk membandingkan kualitas
pertandingan data, ketidakpastian kuantifikasi, dan waktu komputasi. Penelitian ini dilakukan pada model reservoir nonlinear kecil. Mereka
menemukan bahwa halus ensemble dengan beberapa asimilasi data dan ansambel acak kemungkinan maksimum metode (EnRML)
memberikan kualitas terbaik dari pertandingan. Ansambel halus asimilasi data yang withmultiple juga memberikan yang terbaik kuantifikasi
ketidakpastian. Halus ensemble biasa memiliki perhitungan waktu terendah, diikuti oleh deterministik EnKF dan kemudian EnKF normal.
Mereka juga menemukan bahwa beberapa metode EnKF tidak dapat fi nd pertandingan diterima, menunjukkan salah satu kelemahan
utama dari EnKF.

Kelompok lain metode yang umum digunakan dapat diklasifikasikan sebagai berbasis gradien-sebagai lawan metode turunan bebas.
Metode ini mengandalkan menghitung turunan dari persamaan model untuk fi nd set optimal parameter. Mereka umumnya sangat
komputasi yang efisien, tetapi sering sulit untuk melaksanakan karena pelaksanaannya membutuhkan akses ke kode sumber simulator.
metode berbasis gradien sering tidak fi nd solusi global. tujuan umum untuk penelitian tentang pencocokan sejarah berdasarkan
gradien-dalam beberapa tahun terakhir termasuk menggabungkan aspek pencocokan sejarah berdasarkan gradien-dengan teknik lain
untuk meningkatkan akurasi dan membuat implementasi lebih mudah. ding [ 59 ] Mengembangkan teknik partisi data untuk pencocokan
sejarah berdasarkan gradien-. Dengan menggunakan teknik ini, mereka memisahkan fungsi tujuan menjadi komponen-komponen lokal,
yang masing-masing tergantung pada parameter yang lebih sedikit, dan kemudian dihitung semua turunan dari fungsi tujuan tersebut. Hal
ini sangat membantu dalam pertandingan sejarah bidang yang sangat besar. Kaleta et al. [ 60 ] Mengusulkan sebuah pendekatan untuk
pencocokan sejarah berdasarkan gradien-yang menggunakan reduksi model bukan pendekatan berbasis adjoint penuh. Hal ini terbukti
mengurangi efisiensi komputasi sedikit tapi sangat menyederhanakan pelaksanaan. Bhark et al. [ 61 ] Digunakan optimasi berdasarkan
gradien-dalam kerangka adaptif skala parameterisasi frekuensi-domain. Metode ini mengurangi jumlah parameter melalui
proses 2017, 5, 34 7 dari 25

cosinus parameterisasi dan menggunakan minimalisasi berdasarkan gradien-on mis data yang fi t. Kemudian, model ini secara bertahap kembali

didefinisikan untuk memasukkan lebih banyak parameter dan minimalisasi diulang. Seluruh proses ini terus berlanjut sampai tidak ada perbaikan lebih

lanjut terjadi. Keuntungan dari metode ini adalah bahwa ia menghindari minimum lokal tetap menjaga stabilitas.

2.1. Sejarah Matching sebagai Prekursor untuk Optimasi Produksi

Bagian ini adalah review benchmark sejarah cocok untuk fl air banjir yang dan optimasi EOR. Pada tahun 2008, proyek patokan
Brugge diciptakan untuk menguji berbagai metode optimasi waterflood. Sembilan kelompok berpartisipasi dalam proyek dan menggunakan
berbagai metode untuk historymatching. Seperti dirangkum oleh Peters et al. [ 62 ] Peserta disediakan dengan data produksi, terbalik data
seismik time-lapse, dan informasi lain yang diperlukan lainnya untuk melakukan pencocokan sejarah. Data ini set diperoleh dari model
kebenaran sintetik. Peserta kemudian diperkirakan permeabilitas waduk, porositas, dan (NTG) ketebalan net-to gross-. Dengan model yang
diperoleh dari tim sejarah pencocokan dikembangkan dioptimalkan strategi banjir yang fl air. strategi mereka kemudian diimplementasikan
pada model kebenaran dan hasil produksi dibandingkan dengan kasus produksi kebenaran optimum (diperoleh dengan menggunakan
model kebenaran untuk optimasi produksi). Tertinggi net present value (NPV) dari proyek ini adalah hanya 3% di bawah optimum produksi [ 62
]. Metode yang paling populer yang tiga kelompok (IRIS, SIEP, dan Tulsa) yang digunakan adalah EnKF [ 63 - 66 ]. OU / Chevron
menggunakan metode EnRML yang merupakan berulang EnKF pendekatan [ 67 ]. Dua dari kelompok yang menggunakan EnKF dan
kelompok yang menggunakan metode EnRML dihitung tiga NPV tertinggi proyek. Halliburton menggunakan metode optimasi global dan arti
Pejabat jaringan saraf (JST) seperti yang ditunjukkan pada [ 68 ]. Roxar menggunakan software memungkinkan mereka yang menjamin
bahwa pertandingan sejarah mengikuti model geologi [ 69 ]. Stanford dan Chevron digunakan minimalisasi fungsi mis fi t menggunakan
gradien numerik [ 70 ] Dan kemudian metode derivatif bebas dikenal sebagai Hooke-Jeeves langsung pencarian [ 71 . 72 ]. Texas A &
MUniversity digunakan berbasis merampingkan waktu perjalanan umum inversi [ 73 ].

Sejak proyek patokan Brugge, beberapa peneliti telah menerapkan metode baru dan ditingkatkan untuk data yang sama untuk
membandingkan kinerja dengan metode lain [ 74 ]. Satu studi tersebut dilakukan berdasarkan [ 75 ], Yang mengembangkan bentuk halus
ensemble berulang menggunakan metode Levenberg-Marquardt untuk meningkatkan komputasi efisiensi dan meningkatkan kualitas
pertandingan sejarah. Mereka menerapkan teknik ini untuk kasus patokan Brugge dan menemukan bahwa dibandingkan dengan halus
standar ensemble, formulasi Gauss-Newton berbasis ensemble, dan metode multiple data yang asimilasi, metode Levenberg-Marquardt
memberikan hasil terbaik.

Beberapa penelitian tentang pencocokan sejarah telah dilakukan dengan menggunakan medan nyata fi menjalani beberapa jenis fl air banjir atau

EOR. Raniolo et al. [ 76 ] Digunakan sebuah EnKF sejarah mencocokkan lapangan yang matang untuk banjir polimer fl. Hasil pekerjaan mereka adalah

seperangkat model alternatif yang sesuai data historis yang akan digunakan untuk optimalisasi perencanaan injeksi polymer. Mereka menunjukkan

bahwa EnKF adalah yang efisien dan efektif untuk melakukan pencocokan sejarah dalam kasus ini. Douma et al. [ 77 ] Menggunakan metode adjoint

untuk pertandingan sejarah lapangan penuh untuk kimia flooding. Mereka menemukan bahwa pertandingan sejarah adjoint adalah komputasi yang

efisien dan membantu mereka memahami reservoir yang lebih baik. Ketika update parameter model yang tidak realistis, informasi ini digunakan untuk

mengidentifikasi kekurangan dalam model reservoir geologi (misalnya, kesalahan hilang atau lokasi aquifer). Hasil penelitian mereka juga menunjukkan

bahwa pemodelan rangka berkurang mungkin lebih menyederhanakan perilaku waduk lokal yang penting ketika menentukan kelayakan ekonomi dari

situasi EOR [ 77 ]. Kaleta et al. [ 60 ] Mengusulkan penggunaan pencocokan sejarah berdasarkan gradien-yang menggunakan linear berkurang pesanan

model bukan model adjoint penuh seperti yang dijelaskan sebelumnya. Ketika diterapkan pada banjir fl air mereka menemukan bahwa pendekatan

mereka memberikan hasil yang sebanding dengan metode adjoint penuh berdasarkan. Xu et al. [ 78 ] Menerapkan dimodifikasi GA untuk pencocokan

sejarah dari Vapor Ekstraksi (Vapex) proses pemulihan minyak berat. Mereka menemukan bahwa pendekatan dimodifikasi fi mereka meningkat

komputasi efisiensi sementara mencapai pertandingan yang sangat baik. Studi telah dilakukan pada medan menjalani fl air banjir atau EOR

menggunakan sebagian besar, jika tidak semua, algoritma pencocokan sejarah umum.
proses 2017, 5, 34 8 dari 25

Tabel 1. Perbandingan teknik sejarah yang cocok. A (+) menunjukkan manfaat t atau fitur positif dan ( -) menunjukkan kelemahan atau

keterbatasan dari setiap metode.

Tuning Manual Parameter

(+) Cepat solusi trial individu ( -) Sulit untuk memperkirakan ketidakpastian ( -) Membutuhkan
tenaga kerja lebih banyak daripada metode otomatis ( -) Tidak efisien untuk
waduk kompleks

Optimasi evolusi

(+) Cocok untuk variabel diskrit dan parameter (+) yang tepat untuk distribusi
non-Gaussian (+) pelaksanaan Mudah di banyak simulator (+) yang berguna untuk
sistem non-cembung dengan beberapa optima lokal (+) Kemampuan untuk
memperkirakan parameter sistem stokastik ( -) kecepatan konvergensi ( -) Tidak cocok
untuk sistem yang besar

Ensemble Kalman Filter

(+) Sangat parallelizable (+) nonlinier sistem

Penanganan
(+) Penilaian Ketidakpastian adalah produk sampingan dari asimilasi ( -) Sering
meremehkan ketidakpastian ( -) Tidak mudah beradaptasi dengan variabel diskrit
( -) komputasi mahal

Cara adjoint

(+) Konvergensi Cepat

(+) Ef fi sien untuk pertandingan sejarah tunggal ( -) Membutuhkan akses ke kode
sumber simulator ( -) Tidak berlaku dengan variabel diskrit ( -) solusi deterministik
tanpa penilaian ketidakpastian ( -) Menemukan solusi lokal optimal, perlu menebak
awal yang baik ( -) Tidak mudah beradaptasi dengan berbagai simulator waduk

Meja 1 menyediakan perbandingan algoritma sejarah pencocokan yang berbeda [ 22 ]. Tidak ada satu algoritma yang jelas melebihi
orang lain ketika sejarah yang cocok di fl air banjir atau situasi EOR.
Untuk ladang di bawah fl air banjir atau EOR, dimana data geologi diandalkan adalah sulit untuk mendapatkan, mengurangi modeling
agar proxy yang menyajikan metode untuk menentukan hubungan antara input sistem waduk terkendali dan produksi minyak. Berbagai data
model didorong telah diterapkan untuk masalah sejarah yang cocok termasuk respon fi nite impuls [ 79 ], Model autoregressive, [ 36 . 37 . 42 ], Dan
model resistensi kapasitansi [ 38 - 41 ]. Model ini telah ditambah dengan berbagai algoritma sejarah pencocokan termasuk basedmethods
gradien [ 38 ] Dan EKF [ 80 ]. Salah satu keuntungan utama menggunakan berkurang model rangka proxy waktu komputasi berkurang. Model ini
juga dapat dengan cepat memberikan pemahaman tentang interaksi dengan baik, dan bahkan dapat digunakan untuk menyimpulkan
beberapa struktur geologi. Namun thesemodels tidak memiliki kemampuan untuk memasukkan data geologi dalam themodel, andmay
mengalami kesulitan pemodelan reservoir yang sangat nonlinear, membuat mereka kurang kuat daripada yang lebih besar, model yang lebih
kompleks.

atas ke bawah atau pendekatan hirarkis pencocokan sejarah telah diterapkan dengan sukses untuk berbagai waduk. Atas ke bawah
pendekatan menggunakan model sederhana yang diperlukan untuk keputusan bisnis di tangan. Williams et al. [ 81 ] Menggambarkan sebuah
algoritma untuk melakukan pencocokan sejarah manual yang menggunakan pendekatan top down, tekanan pertama pencocokan waduk dan
tingkat ow fl diikuti oleh tuning dari lapisan waduk individu dan sumur, dengan cara yang terstruktur. Ide ini dari pendekatan top down
diperpanjang untuk pencocokan sejarah otomatis dalam [ 82 ]. Atas ke bawah pendekatan memungkinkan untuk berbagai pertandingan global
untuk kemudian dicocokkan pada tingkat lokal, memberikan pemahaman yang baik tentang ketidakpastian bila dibandingkan dengan
membangun model rinci tunggal yang melakukan pencocokan sejarah. Metode ini telah diterapkan untuk berbagai bidang nyata fi dengan
sukses [ 82 - 84 ]. Sementara pendekatan top down
proses 2017, 5, 34 9 dari 25

memungkinkan untuk lebih mudah memahami ketidakpastian waduk, memecahkan masalah global dan lokal secara terpisah mungkin tidak mengungkapkan

semua pertandingan sejarah mungkin.

3. Optimasi Produksi untuk fl Air banjir dan Pemulihan Minyak Ditingkatkan

Tujuan optimasi untuk medan menjalani fl air banjir atau EOR adalah untuk memaksimalkan NPV yang diharapkan atau diharapkan
produksi minyak kumulatif dari reservoir. Tujuan-tujuan ini dimaksimalkan melalui penempatan juga tepat dan kontrol baik yang optimal.
Sementara penempatan baik dan optimasi kontrol juga sering dilakukan secara terpisah, ada peningkatan minat dalam melakukan ditambah
optimasi dari kedua variabel keputusan seperti yang ditunjukkan pada Persamaan ( 3 ) di mana α adalah bobot scaler mempertahankan
diinginkan sasaran
( y t) nilai-nilai seperti tingkat total produksi, β adalah penalti pada perubahan kontrol dengan baik, γ 1 memiliki multiplier negatif untuk
memaksimalkan produksi, dan γ 2 memiliki multiplier positif untuk meminimalkan biaya operasional seperti injektor fl konsumsi cairan.
Nilai-nilai k dan k - 1 merujuk pada indeks langkah waktu dalam waktu prediksi horizon ( n t) untuk optimasi produksi.

∥∥ n o + β nt ∥∥ y p ∥∥ n o + γ 2 ‖ u ‖ n Hai
Ψ = min
u, y p, x α ∥∥ y p - y t
Σ ‖ u k - u k - 1 ‖ n Hai - γ 1 (3a)
k=1

st 0 = f ( δ x (3b)
δ t, y, x, p, u)

0 = g (y, x, p, u) (3c)

0 ≤ h (y, x, p, u) (3d)

Bagian ini membahas juga penempatan, kontrol dengan baik, dan ditambah juga penempatan baik optimasi kontrol. Jenis masalah
optimasi yang sering disebut sebagai optimasi produksi. Metode solusi termasuk stochastic dan adjoint teknik. Metode stokastik umum
termasuk GA, optimasi ensemble berdasarkan (EnOpt), optimasi partikel segerombolan (PSO), simulasi anil (SA), dan untuk tingkat metode
pencarian harmoni yang lebih rendah. Sebuah metode adjoint berdasarkan gradien umum juga.

3.1. Nah Optimasi Penempatan

Masalah optimasi waduk umum adalah injeksi dan produksi penempatan baik. Karena investasi yang signifikan diperlukan untuk
pengeboran dan penyelesaian, memiliki optimal baik con fi gurasi adalah sangat penting. Berbagai parameter harus dipertimbangkan untuk
menentukan lokasi yang optimal. Ini termasuk tetapi tidak terbatas pada permeabilitas, porositas, dan saturasi minyak [ 85 ]. Nah algoritma
optimasi lokasi sering menjalankan semua iterasi dalam tinggi fi delity waduk simulator komersial, meskipun penggunaan pemodelan proxy
menjadi lebih menonjol.
Penempatan baik independen
optimasi sering ditentukan setelah menentukan jumlah sumur dan variabel operasional, seperti laju injeksi atau tekanan lubang bawah
untuk masa reservoir, dan kemudian menerapkan algoritma optimasi [ 86 ]. Nah optimasi penempatan dilakukan secara independen dari
optimasi kontrol juga cenderung menyebabkan lebih rendah NPV [ 87 ], Namun juga optimalisasi penempatan lebih mudah
diimplementasikan bila dilakukan secara independen dari optimasi kontrol dengan baik.

Metode optimasi adjoint adalah mendapatkan bunga dalam optimasi penempatan baik karena kemampuannya untuk cepat
konvergen ke solusi dan memungkinkan untuk pemanfaatan gradien yang dapat dengan mudah dievaluasi untuk fi nd ekstrem. Zandvliet et
al. [ 88 ] Mengusulkan sumur yang lokasinya harus dioptimalkan dengan pseudo-sumur di sekitarnya. Pseudo-sumur dimodelkan untuk
menghasilkan atau menyuntikkan pada tingkat yang sangat rendah sehingga tidak memiliki efek nyata pada NPV. Metode adjoint
digunakan untuk menghitung gradien dari NPV selama masa reservoir dalam hal tingkat ow fl dari pseudo-sumur. Gradien dihitung
digunakan untuk menentukan arah yang sumur (produsen atau injektor) harus dipindahkan untuk memaksimalkan NPV. Metode ini
menentukan arah untuk memindahkan sumur untuk meningkatkan NPV setelah hanya satu maju (waduk) dan satu mundur (adjoint)
simulasi. Hal ini berbeda dengan banyak simulasi seperti yang terjadi
proses 2017, 5, 34 10 dari 25

untuk banyak metode perbedaan nite stokastik atau fi. Beberapa peneliti menganjurkan penggunaan variabel kontinu terhadap variabel
diskrit sehingga dapat lebih mudah menerapkan metode adjoint untuk fi lokasi nd optimal untuk sumur [ 89 - 92 ]. Hal ini memungkinkan untuk
sumur untuk awalnya ditempatkan di setiap blok grid dan lokasi baik non-optimal untuk dihapus lebih mudah [ 92 ]. Zhang et al. [ 92 ] Lebih
fokus pada optimasi adjoint untuk meningkatkan NPV keseluruhan selama fl air banjir. waktu langkah besar (hari atau minggu) digunakan
untuk mengoptimalkan lokasi sejumlah fi ed tertentu dari sumur injeksi air. Bila dibandingkan dengan metode yang paling stokastik lebih
sedikit simulasi berjalan diperlukan untuk adjoint metode penempatan baik ini, karena hanya maju dan reverse atau simulasi adjoint
diperlukan. Selain optimasi adjoint, diferensiasi otomatis menimbulkan potensi untuk perbaikan dalam pencocokan sejarah waduk dan
optimasi [ 93 . 94 ]. diferensiasi otomatis umumnya lebih akurat daripada metode numerik dan dapat lebih mudah menghitung simpangan
yang lebih tinggi dan derivatif parsial terhadap banyak masukan dalam algoritma optimasi berdasarkan gradien.

metode stokastik seperti GA, PSO, SA, dan pencarian keharmonisan telah menemukan digunakan dalam masalah penempatan
serta teknik bebas turunannya memungkinkan untuk mudah penggunaan informasi diskrit umum di masalah penempatan dengan baik.
Sedangkan metode adjoint umumnya lebih efisien di optimums fi nding, itu adalah sulit untuk melaksanakan dan tidak dapat tedeng
aling-aling diterapkan untuk variabel diskrit seperti lokasi baik di grid waduk.

algoritma evolusioner, yang mungkin adalah kelompok algoritma yang paling umum dan terkenal optimasi stokastik, telah
menemukan manfaat dalam optimasi penempatan baik. Montes et al. [ 95 ] Mengusulkan bahwa non-linear dan non-kontinuitas umum di
baik penempatan batas optimasi simpleks tradisional atau metode gradien, dan menyarankan GAs untuk secara efektif fi lokasi baik nd
optimal. Umumnya, GAs biner digunakan dalam optimasi penempatan baik, GAs namun terus menerus sedang dianjurkan oleh Farshi [ 96 ],
Bukhamsin et al. [ 97 ] Karena mereka memungkinkan untuk perhitungan halus penempatan baik optimal. Farshi [ 96 ] Juga memperluas
penggunaan GAs dengan menerapkan jarak minimum Euclidian antara individu dalam populasi. Jadi mengeksploitasi rekayasa intuisi
seperti membutuhkan jarak minimum antar sumur. Dimasukkannya penempatan baik melengkung di samping sumur lurus juga dianggap.
Bukhamsin et al. [ 97 ] Menggunakan GAs terus menerus untuk mengoptimalkan pengembangan lapangan yang nyata terletak di Timur
Tengah dan mempertimbangkan rumit baik geometri seperti sumur multilateral (mLWS) dan kontak waduk maksimum sumur (MRC). Ariadji
et al. [ 85 ] Menggunakan GAs dalam simulator komersial dengan berbagai jari-jari juga drainase dan fi nd ini adalah metode unggul untuk
menebak tradisional dan memeriksa. Emerick et al. [ 98 ] Memanfaatkan algoritma Genocop III (GA untuk Optimasi Numerik Dibatasi
Masalah) untuk menangani kendala penempatan baik. Kendala termasuk ukuran grid, panjang maksimum sumur, jarak minimum antara
sumur, sel-sel jaringan yang tidak aktif, serta pengguna de fi daerah ned bentuk non-seragam di mana penempatan juga dilarang. Metode
yang diterapkan oleh Emerick et al. [ 98 ] Tidak memanfaatkan model proxy dan dalam beberapa kasus melibatkan lebih dari 100 variabel
keputusan dan ribuan simulasi reservoir berjalan, mungkin membatasi utilitas dari metode ini. Bouzarkouna et al. [ 99 ] Mengusulkan lokasi
baik yang optimal dapat ditemukan melalui penggunaan kovarians matriks adaptasi strategi evolusi yang menggunakan hukuman adaptif
dengan penolakan untuk menangani kendala. Metode ini digunakan dalam hubungannya dengan meta-model yang menggunakan prosedur
peringkat stochastic perkiraan untuk menentukan peringkat fi fitness sumur individu.

Teknik stokastik lain yang digunakan untuk penempatan baik optimal adalah PSO. PSO merupakan metode optimasi stokastik
didasarkan pada perilaku burung yang mengirimkan partikel seluruh ruang solusi. Setiap partikel mengikuti partikel optimal sampai
segerombolan partikel tiba di solusi [ 100 ]. Onwunalu dan Durlofsky [ 101 ] Berlaku PSO untuk menentukan lokasi baik dan jenis baik
(vertikal, horisontal, menyimpang, multilateral, injektor atau produsen). Dalam metode ini, partikel merupakan sumur individu dengan
topologi lingkungan acak dimanfaatkan dan diperbarui setelah setiap iterasi dengan menyerap teknik untuk menangani partikel tidak layak.
Dalam kasus khusus gurations menyimpang atau multilateral tidak valid baik con fi, seperti sumur berpotongan, masalah ini diselesaikan
melalui penugasan ke fungsi tujuan negatif dan penggunaan metode penalti. Cheng et al. [ 102 ] Menggunakan algoritma niche partikel
swarm yang dikembangkan oleh [ 103 ] Untuk mengoptimalkan penempatan sumur sumur produksi. niche
proses 2017, 5, 34 11 dari 25

partikel swarmmethod membagi swarm menjadi subkelompok yang lebih kecil, yang kemudian mencari solusi yang optimal dari
subkelompok itu. Metode ini meningkatkan keragaman segerombolan dan meningkatkan probabilitas fi nding maksimal global ketika
dibandingkan dengan PSO. Nwankwor et al. [ 104 ] Penggunaan advokat dari evolusi diferensial dan segerombolan partikel algoritma hybrid
untuk fi lokasi baik nd optimal untuk sejumlah fi ed tertentu dari sumur dan mempertahankan bahwa metode hybrid yang digunakan adalah
lebih efisien daripada evolusi atau PSO dilakukan secara terpisah. Ding et al. [ 105 ] Menyelidiki penggunaan PSO yang berbeda untuk
masalah penempatan baik optimal. The PSO yang berbeda digunakan meliputi dimodifikasi PSO, standar PSO, PSO berpusat-progresif,
dan dimodifikasi PSO dan metode peta kualitas. Studi ini menunjukkan bahwa dimodifikasi PSO dan metode peta kualitas lebih mampu
secara optimal menempatkan sumur dari tiga metode lain, sementara dimodifikasi PSO melebihi PSO sederhana dan PSOmethods
pusat-progresif.

algoritma genetika (GA) juga diterapkan untuk optimasi penempatan baik. Min et al. [ 106 ] Fi nd lokasi optimal dan jumlah fl air sumur
banjir injeksi melalui penggunaan GA multi-tujuan. GA multi-tujuan ini didasarkan pada non-didominasi menyortir dan berkerumun
penyortiran jarak, yang memungkinkan untuk biaya yang harus diminimalkan dan pendapatan dimaksimalkan. Hybrid GAs yang Merintis
manfaat dalam optimasi waduk. Seperti GAs, Simulated Annealing (SA) telah diterapkan di optimasi penempatan baik. SA adalah model
setelah anil dari logam, dimana bahan dipanaskan dan kemudian dibiarkan perlahan dingin. Demikian pula, dalam SA solusi yang dipilih
yang lebih rendah fungsi tujuan sementara probabilitas tertentu solusi yang lebih tinggi yang dipilih juga. Hal ini untuk mencegah algoritma
jatuh ke minimum lokal. Beckner dan Xong [ 107 ] Penempatan hadir baik dan penjadwalan sebagai masalah salesman keliling dan
mengusulkan gagasan bahwa kemampuan SA untuk menyimpulkan jarak baik non-seragam membuat teknik optimasi yang layak. Hasil
penelitian menunjukkan bahwa non uniformwell jarak optimal dan optimal hasil baik jarak di signi meningkat fi kan di fi pengembangan
lapangan profitabilitas [ 107 ]. Sebuah varian dari SA dikenal sebagai VFSA juga perintisan digunakan dalam masalah penempatan dengan
baik [ 108 ]. VFSA membatasi ruang pencarian algoritma berlangsung, sehingga membuat algoritma lebih mungkin untuk menerima
langkah-langkah yang mengurangi fungsi tujuan. Bangerth et al. [ 109 ] Mendapati bahwa dalam dua kasus uji yang berbeda VFSA
melakukan yang terbaik pada fi nding optimum global dalam problemwhen penempatan baik dibandingkan dengan simultan pendekatan
perturbasi stokastik, fi nite perbedaan gradien, yang Nelder-Mead simpleks, dan GA, meskipun VFSA sering membutuhkan evaluasi fungsi
lebih dari metode pendekatan gangguan stokastik simultan.

Untuk sebagian kecil pencarian harmoni digunakan dalam masalah penempatan dengan baik. Afshari et al. [ 110 ] Mengusulkan metode
untuk optimasi penempatan baik menggunakan merampingkan simulasi dengan algoritma ditingkatkan pencarian harmoni (IHS). Metode IHS
yang digunakan adalah metode sederhana dengan beberapa parameter yang berkinerja baik bila dibandingkan dengan algoritma stokastik lain [ 110
].

3.2. Nah Optimasi Kontrol

Nah optimasi kontrol umumnya dilakukan melalui stochastic dan adjoint metode. Dalam optimasi kontrol dengan baik, strategi
pengendalian baik optimum untuk fi sejumlah dispesifikasikan sumur di lokasi c spesifik diperoleh. Optimasi untuk injeksi air, gas, uap,
polimer, dan busa semuanya telah dipelajari.

Metode adjoint telah diterapkan dalam beberapa tahun terakhir untuk waterflooding optimasi. Kraaijevanger et al. [ 111 ]
Menggunakan metode adjoint di fl air oods untuk menentukan sensitivitas dari siklus hidup NPV berkaitan dengan variabel kontrol dengan
baik dalam satu simulasi run. sensitivitas ini kemudian dapat digunakan dalam loop optimasi untuk meningkatkan produksi dengan baik.
Jansen [ 23 ] Mengusulkan penggunaan teori kontrol optimal dengan algoritma gradien untuk mengoptimalkan NPV selama produksi.
Baru-baru ini, sebuah metode gradien berbasis dan multi-tujuan diusulkan untuk optimasi banjir yang fl air di mana fungsi bi-tujuan
dioptimalkan melalui depan Pareto [ 112 ].

GAs telah ditemukan digunakan dalam fl air optimasi tingkat banjir yang. Zangl dan Hermann [ 113 ] Berpendapat bahwa hanya
menggunakan data produksi dan informasi geologi sederhana, GA dapat digunakan untuk membuat matriks yang mendeteksi kekuatan gangguan
yang dapat ditransfer ke masalah keseimbangan bahan multi-tank. neraca bahan ini dapat dimanfaatkan untuk mendeteksi alokasi injeksi tidak
teratur dan jalur alir, yang memungkinkan
proses 2017, 5, 34 12 dari 25

tingkat injeksi sumur injeksi air individu yang akan sesuai diubah. Li-xin dan Jian-Juni [ 114 ] Menegaskan bahwa konsumsi energi GAminimizes injeksi

hybrid sambil mempertahankan produksi yang diinginkan dalam tekanan tinggi fl air banjir. Mamghaderi dan Pourafshary [ 40 ] Menggunakan GA

dengan CRM untuk mengalokasikan volume air antara injector dan memaksimalkan produksi minyak. Safarzadeh et al. [ 115 ] Menggunakan Gawith

multi-tujuan simulasi merampingkan. Mereka mempertahankan bahwa kombinasi ini memungkinkan untuk produksi yang lebih tinggi minyak,

dipotong air yang lebih rendah, dan kurang air yang hilang ke akuifer daripada metode tradisional.

SA sedang dikejar sampai batas tertentu inwater optimasi flooding. Yang et al. [ 116 ] Berpendapat bahwa kedua SA dan GA dapat
digunakan untuk mengoptimalkan dan mengontrol sistem operasi produksi injeksi nonlinear untuk air dan gas flooding. Teknik ini terbukti
memperlambat banjir yang depan fl dengan cara yang stabil. Selanjutnya, Khan et al. [ 117 ] Menunjukkan bahwa tingkat minyak jangka
pendek dan pemulihan jangka panjang dapat dimaksimalkan di fl air oods dengan menggunakan dibatasi SA dengan penuh fi simulator
lapangan waduk. Kendala dalam metode ini ditempatkan pada rasio penggantian voidage, tekanan reservoir, menyapu ef defisiensi, dan
tingkat produksi dan injeksi.

PSO juga perintisan beberapa digunakan dalam fl air optimasi banjir yang, namun belum dipelajari secara ekstensif. Wang et al. [ 118 ]

Menyelidiki penggunaan semut segerombolan koloni partikel dan mendapati bahwa algoritma ini secara efektif mampu mengoptimalkan tingkat banjir

yang injeksi fl air.

Nah kontrol optimizationmay juga dilakukan menggunakan dikurangi agar proxymodels. Seperti disebutkan dalam Bagian 2.1 ,
Mengurangi model rangka proxy yang menyajikan metode untuk menentukan hubungan antara injeksi dan produksi sumur. Dengan
hubungan ini, optimasi injeksi dapat dilakukan dengan menggunakan gradien atau metode stokastik. Metode ini sangat berguna untuk
medan besar di mana pemodelan tinggi fi delity akan komputasi mahal. Berbagai berkurang model rangka proxy yang telah diterapkan
untuk ladang di bawah fl air banjir yang atau EOR. weber [ 38 ] Menggunakan model resistensi kapasitansi untuk mengoptimalkan NPV pada
berbagai harga minyak menggunakan solver berbasis gradien. Model-model lain seperti fi nite respon impuls dan model regresif auto [ 42 ]
Yang telah digunakan untuk hubungan produser sejarah pencocokan injektor dapat dioptimalkan dengan pemecah berdasarkan gradien
atau metode stokastik. Hourfar et al. [ 42 ] Menerapkan sistem identifikasi teknik fi kasi dari kontrol proses lapangan dan memperlakukan
reservoir sebagai output (MIMO) proses beberapa beberapa masukan linear. Hasil penelitian mereka menunjukkan penanganan secara
simultan nonlinier waduk dan kondisi waduk waktu bervariasi dengan model linear yang terus beradaptasi berdasarkan data terakhir.
Model-model sederhana dapat dengan mudah dioptimalkan, namun kesederhanaan mereka mengurangi rasa percaya diri dalam
ekstrapolasi model ini ke masa depan. Seringkali model ini hanya berlaku untuk skala waktu yang lebih pendek dan harus kembali fi t
dengan data baru, membuat optimasi skala lagi lebih sulit dengan model ini.

Selama optimasi kontrol dengan baik, menentukan ukuran setiap langkah kontrol biasanya tidak dilakukan apriori. Praktek ini dapat
menyebabkan masalah dengan terlalu banyak atau terlalu sedikit derajat kebebasan. Dengan terlalu banyak langkah kontrol, algoritma optimasi
mungkin akan menemukan berbagai solusi setara sedangkan waktu komputasi yang lebih tinggi. Dengan terlalu beberapa langkah waktu, solusi
optimal mungkin tidak dapat dilakukan atau menyesatkan. Oliveira et al. [ 119 ] Mengembangkan metode untuk menentukan jumlah optimal dan
ukuran langkah kontrol untuk optimasi kontrol dengan baik. Hasil penelitian menunjukkan perbaikan dalam NPV sementara juga mengurangi
waktu komputasi.

Selain injeksi optimal fl owrates untuk meningkatkan tekanan produksi, arti fi angkat buatan sering dipasang untuk melengkapi ketika
ada tekanan produksi rendah. Tingkat pompa cair terdeteksi seluruh tren beban dan posisi siklik disebut kartu sebagai downhole [ 120 . 121 ].
Sebuah tingkat cair terdeteksi jika beban menggeser bagian jalan melalui siklus turun dari batang pompa dan penyesuaian dapat dilakukan
untuk memaksimalkan pompa fi llage [ 122 ]. Dengan aktif memantau tingkat cair, tingkat injektor terdekat dapat meningkat atau menurun untuk
mempertahankan tingkat target tertentu dalam anulus sumur produksi. Sebuah wilayah depan penelitian adalah untuk mengkoordinasikan
tindakan injektor dengan pompa-off tindakan dengan menggunakan stroke panjang variabel dan kecepatan batang memompa [ 123 ] Untuk
meningkatkan NPV waduk [ 124 ].
proses 2017, 5, 34 13 dari 25

3.3. Ditambah Nah Penempatan dan Nah Kontrol Optimization

Salah satu kesulitan-fi dif penempatan baik ditambah dan baik mengontrol optimasi adalah perbedaan jenis masalah. Masalah
penempatan baik umumnya memiliki non-halus fungsi tujuan (tidak terus-menerus terdiferensiasi) sedangkan masalah kontrol juga memiliki
fungsi tujuan yang halus (terus menerus terdiferensiasi). Hal ini telah menyebabkan penggunaan metode stokastik dalam masalah
penempatan dengan baik, sedangkan optimasi kontrol juga sering solvedwith metode lokal, seperti metode adjoint.

Ditambah dengan baik penempatan dan optimasi kontrol juga dapat meningkatkan pemulihan ekonomi dari waduk pada biaya
meningkat perhitungan. Ditambah optimasi penempatan baik dan kontrol dengan baik adalah dari meningkatnya minat dalam literatur.
Seperti yang telah disebutkan sebelumnya, baik penempatan dan kontrol juga dapat dioptimalkan secara terpisah. Namun, ini umumnya
mengarah ke NPV lebih rendah dari ditambah optimasi. Sementara ditambah optimasi dapat meningkatkan pemulihan ekonomi dari waduk,
metode ini secara signifikan meningkatkan ukuran masalah optimasi. Hal ini membuat optimasi digabungkan sulit untuk melaksanakan,
terutama pada medan yang lebih besar dan model. Humphries et al. [ 125 ] Dibandingkan solusi sekuensial dan simultan untuk penempatan
baik ditambah dan baik mengontrol masalah. Studi ini menemukan bahwa pemecahan ditambah masalah secara terpisah sering
menyebabkan solusi yang lebih baik daripada solusi simultan, berpotensi karena ruang solusi yang lebih kecil dari masalah dipisahkan
membuat fi nding solusi yang baik lebih mudah. Hasil yang sama juga telah ditemukan untuk sumur nonkonvensional [ 126 . 127 ]. Drouven
dan Grossmann [ 128 ] Telah menerapkan Programming disjungtif Generalized (PDB) ditambah dengan metode solusi yang disesuaikan
memanfaatkan pengoptimalan berdasarkan gradien untuk optimasi lokasi sumur sumur gas shale dikombinasikan dengan desain sistem
pengumpulan permukaan dan pertimbangan operasional. Mereka menemukan bahwa profitabilitas investasi bisa secara signifikan
ditingkatkan dengan combiningwell lokasi dan permukaan pertimbangan gathering. Dalam karya terbaru Drouven et al. [ 129 ]
Mengoptimalkan penempatan gas dengan baik shell dan refracturing penjadwalan bersama-sama. Tavallali et al. [ 130 ] Juga
menggabungkan penempatan baik dan kontrol. Hasil dari kedua Drouven et al. [ 129 ] Dan Tavallali et al. [ 130 ] Menyoroti pemahaman yang
berharga tentang penempatan baik dan kontrol keterkaitan yang diperoleh dengan menggabungkan penempatan baik dan optimasi kontrol.
optimasi adjoint adalah Merintis peningkatan penggunaan dalam penempatan baik digabungkan dan optimasi injeksi. Bellout et al. [ 87 ]
Fokus pada optimalisasi tingkat banjir yang fl air dan penempatan baik melalui metode adjoint, memilih lokasi yang optimal baik serta
injektor dan tingkat optimal produser atau tekanan lubang bawah. Zhang et al. [ 92 ] Membatasi jumlah dan lokasi sumur produksi sebelum
menggunakan metode adjoint. Mereka bervariasi tingkat injeksi air dari sumur injeksi yang ada sekaligus menjaga yang tetap laju injeksi
Total fi, untuk memaksimalkan NPV selama masa produksi. Lokasi untuk mengebor sumur injeksi baru dan tingkat injeksi individu dengan
baik adalah output dari metode mereka. Awalnya sumur injeksi ditempatkan di setiap blok grid yang tidak sudah memiliki satu. Selama
optimasi adjoint, semua lokasi sumur injeksi non-ideal dikeluarkan dari blok jaringan masing-masing sampai jumlah yang optimal dan lokasi
sumur tercapai. kriteria optimasi termasuk maksimalisasi NPV dan minimalisasi biaya pengeboran. Sebagai program dijalankan dan lokasi
baik dieliminasi, NPV ditingkatkan dengan mendistribusikan suku injeksi berbeda antara sumur injeksi [ 92 ]. Brouwer dan Jansen [ 131 ] Dan
Sarma et al. [ 132 ] Memberikan analisis rinci dari penggunaan metode adjoint dengan kontrol dengan baik untuk memaksimalkan NPV.
Sebuah metode proyeksi gradien digunakan ketika mengoptimalkan tingkat sumur injeksi individu. Forouzanfar et al. [ 133 ] Menyelidiki lebih
lanjut penggunaan metode adjoint dengan Optimization Bound oleh Kuadrat Pendekatan algoritma, algoritma bebas turunan, untuk
menentukan jumlah sumur, lokasi baik, dan kontrol mereka. Sefat et al. [ 134 ] Mengusulkan menggunakan GA dengan model pengganti
untuk mengoptimalkan injeksi dan lokasi baik. 3 metode yang berbeda menerapkan GAs untuk optimasi injeksi adalah:

1. GA dapat diterapkan dengan tinggi fi simulator delity waduk, meskipun ini mungkin memerlukan waktu komputasi yang berlebihan.

2. GAs dapat diterapkan untuk model pengganti untuk mengurangi waktu komputasi. Dalam hal ini model pengganti, seperti ANN adaptif,
digunakan dengan algoritma pemilihan sampel cerdas berasal dari simulator. GA digunakan untuk mengoptimalkan model
pengganti.
proses 2017, 5, 34 14 dari 25

3. Sebuah model pengganti diperbarui setelah setiap generasi GA berdasarkan solusi optimal dari depan Pareto.

Partikel swarm juga telah menunjukkan beberapa efektivitas dalam ditambah penempatan dan optimasi tingkat. Isebor dan Durlofsky
[ 135 ], Isebor et al. [ 136 ] Mengusulkan bahwa partikel hybrid segerombolan-jala metode pencarian langsung adaptif memadai mampu
mengoptimalkan lokasi baik, baik kontrol, dan jumlah sumur. Metode ini fi lters untuk kendala nonlinear penanganan, bersama dengan
optimasi bi-tujuan yang berusaha untuk meminimalkan fungsi tujuan bersama dengan pelanggaran kendala, dan terbukti mengungguli
optimasi berurutan lokasi baik dan laju injeksi.

Stochastic dan gradient metode telah digunakan secara luas untuk memecahkan kedua penempatan baik dan optimasi injeksi
masalah. Meja 2 memberikan gambaran tentang keuntungan dan kerugian dari metode optimasi Ulasan.

Meja 2. Perbandingan metode untuk optimasi produksi. A (+) menunjukkan manfaat t atau fitur positif dan ( -) menunjukkan kelemahan atau

keterbatasan dari setiap metode.

Adjoint Metode [ 23 . 86 - 92 . 131 - 133 . 137 - 140 ]

(+) Konvergensi lebih cepat daripada metode stokastik (+) Ef fi sien untuk medan besar dengan
banyak injector ( -) Lebih mungkin untuk berkumpul di optimum lokal daripada metode stokastik ( -) Sulit
untuk menerapkan di diskrit, ruang solusi nonlinear

Partikel SwarmOptimization [ 100 - 105 . 118 . 125 . 126 . 135 . 136 . 141 - 144 ] Dan Simulated Annealing [ 107
- 109 . 116 . 117 . 145 . 146 ]

(+) Memasukkan variabel keputusan diskrit

(+) Konvergensi lebih cepat dari algoritma evolusioner untuk masalah nonlinear ( -) Kurang efisien daripada
metode adjoint ( -) Harus menggabungkan beberapa tujuan dalam satu tujuan tertimbang

Algoritma genetika [ 40 . 85 . 95 - 99 . 106 . 113 - 116 . 134 . 141 . 143 . 145 . 147 - 153 ]

(+) Memungkinkan variabel diskrit keputusan dan beberapa tujuan (+) pelaksanaan
optimizer Disesuaikan untuk medan kompleks ( -) Umumnya kurang efisien daripada
PSO dan SA ( -) Tuning optimizer lebih menantang

3.4. Optimalisasi Banjir Kimia

Kimia flooding melibatkan injeksi satu atau lebih bahan kimia untuk mengurangi ketegangan antar muka antara fasa air dan minyak
atau meningkatkan viskositas fase air, sehingga meningkatkan rasio mobilitas dan menyapu efisiensi. Dalam mikroba [ 154 ], Polimer,
surfaktan, alkali-polimer, dan proses busa konsentrasi, waktu siput, tingkat beralih, dan tingkat injeksi semua harus dioptimalkan untuk
memaksimalkan NPV. Metode adjoint ditunjukkan untuk mengoptimalkan kimia banjir yang efektif. Zhang et al. [ 92 ] Mampu
mengoptimalkan konsentrasi polimer menggunakan metode adjoint ditemukan di [ 23 ]. Selain itu Lei et al. [ 137 ] Dan Van Doren et al. [ 138 ]
Menyatakan bahwa di fl polimer banjir yang metode adjoint dapat secara efektif menghitung gradien NPV yang kemudian dapat digunakan
untuk memperkirakan variabel kontrol optimal seperti injeksi dan produksi suku, konsentrasi polimer, dan polimer grading. Van Doren et al. [ 138
] Juga mengusulkan metode adjoint juga dapat digunakan secara efektif untuk alkali-surfaktan polimer flooding dan busa flooding. Namdar
Zanganeh et al. [ 139 ] Menguji teori [ 138 ] Dalam menerapkan metode adjoint untuk busa flooding dan mendapati bahwa metode adjoint
efektif bila menggunakan model busa linier. Namun, penggunaan model busa nonlinier menyajikan masalah sebagai langkah waktu kecil
yang diperlukan dalam integrasi ke depan dalam rangka untuk berkumpul untuk solusi untuk problemwhile semi-diskrit toleransi yang tinggi
diperlukan dalam integrasi mundur untuk mendapatkan adjoint [ 139 ].

Yong et al. [ 147 ] Mengusulkan GA dengan model pengganti berdasarkan respon permukaan kuadrat untuk mengoptimalkan parameter
injeksi dalam banjir polimer fl untuk waduk lepas pantai. Shurong et al. [ 141 ] Mengusulkan
proses 2017, 5, 34 15 dari 25

algoritma segerombolan genetik-partikel hybrid untuk memaksimalkan NPV dengan memegang konsentrasi siput konstan dan menggunakan
pengendalian vektor parameterisasi dengan parameter konstan diperoleh melalui pemrograman nonlinier. algoritma hybrid ini, ia berpendapat,
mampu lebih cepat konvergen ke solusi dari GA dilakukan secara mandiri melalui menggunakan strategi perpindahan posisi PSO sebagai
operator mutasi [ 141 ]. Horowitz et al. [ 155 ] Menyajikan metode memaksimalkan NPV dengan menggunakan metode dua tahap yang
memanfaatkan sebuah yang efisien optimasi global yang algoritma [ 156 ] Untuk fi nd nilai optimal untuk konsentrasi polimer dalam air, serta
durasi siput dan waktu di mana untuk memulai suntikan untuk injector individu. optimasi ini dicapai dengan terlebih dahulu menggunakan
teknik hypercube Latin untuk mendapatkan sampel awal desain, setelah simulasi berjalan digunakan untuk membangun metamodel a.
Setelah itu, kriteria pengambilan sampel infill digunakan, di mana metamodel digunakan untuk memimpin pencarian menjanjikan desain yang
akan ditambahkan ke sampel untuk memperbarui metamodel sampai kriteria yang diinginkan terpenuhi. Hui et al. [ 142 ] Mengusulkan bahwa
algoritma partikel segerombolan untuk meminimalkan cut air sekaligus memaksimalkan produksi untuk mendapati polimer yang optimal
konsentrasi. Lei et al. [ 148 ] Mengusulkan GA hybrid yang menggunakan metode perpindahan posisi segerombolan partikel untuk
memecahkan masalah optimasi mixed integer, yang berusaha untuk fi ukuran siput nd optimal dan konsentrasi polimer. Ekkawong [ 149 ]
Menerapkan GA multi-tujuan untuk mengoptimalkan produksi minyak dan fungsi utilitas polimer.

Berbagai penulis telah meneliti mengoptimalkan produksi proses uap-over-pelarut untuk reservoir minyak berat, mencari secara
khusus pada tingkat injeksi dan konsentrasi pelarut sebagai parameter disesuaikan untuk mengoptimalkan NPV. Gates dan Chakrabarty [ 145
] Memanfaatkan kedua GA dan SA untuk mengoptimalkan NPV untuk Steam Assisted Gravity Drainase (SAGD). aditif pelarut untuk SAGD
dioptimalkan. Al-Gosayir et al. [ 150 ] Meneliti penggunaan GA hybrid di waduk heterogen. Mereka menyelidiki mengoptimalkan proses
uap-over-pelarut untuk reservoir karbonat retak dengan menggunakan GA dengan array orthogonal dekat-ke benih populasi awal yang
lebih baik dan model proxy yang lari ke fi nd tingkat injeksi yang optimal dan konsentrasi untuk injeksi siklik. Zhao et al. [ 146 ] Menunjukkan
bahwa simulasi annealing fi nds tekanan dan suhu air panas disuntikkan untuk pemulihan dari minyak berat tipis dalam berbagai tahap
penipisan waduk optimal.

BERSAMA 2 EOR semakin area penting dari bunga sebagai penggunaan fi nal potensi penangkapan karbon dan inisiatif penyerapan
[ 157 . 158 ]. Emera dan Sarma [ 151 ] Mengusulkan GA untuk memecahkan minimum miscibility CO 2 tekanan yang diperlukan untuk
diinginkan oil recovery. Metode yang diusulkan menggunakan teknik rolet seleksi roda. Selanjutnya, Dehghani et al. [ 152 ] Mengusulkan
bahwa GA saraf hibrida berguna untuk memprediksi tekanan miscibility minimum yang diperlukan untuk EOR. Ali Ahmadi et al. [ 143 ]
Berpendapat bahwa hibrida arti Pejabat saraf jaringan dan segerombolan partikel algoritma dapat menentukan tekanan larut minimum.
Metode ini lebih mampu memprediksi produksi di berbagai lingkungan termodinamika [ 144 ]. Chen et al. [ 153 ] Dioptimalkan proses
air-bolak-gas menggunakan GA hybrid. penelitian kecil telah dikhususkan untuk adjoint metode dalam fl gas optimasi banjir yang. Mehos
dan Ramirez [ 140 ] Menunjukkan bahwa metode adjoint efektif pada fi nding CO minimummiscible 2 tekanan yang diperlukan untuk produksi
minyak yang optimal.

4. Model Tolok Ukur

model acuan telah dikembangkan untuk memfasilitasi perbandingan metode optimasi yang berbeda. Sebuah model patokan
memberikan beberapa peneliti yang sama persis data dan awal titik. Sehingga data yang dihasilkan oleh kelompok-kelompok ini dapat
dibandingkan dengan lebih akurat. Bagian ini menjelaskan model acuan yang berbeda yang telah disediakan oleh beberapa organisasi
untuk memfasilitasi perbandingan seperti, memberikan review singkat dari tiga tolok ukur, sifat mereka, dan penggunaan masing-masing.

4.1. The Brugge Patokan

Dalam bulan sebelum Teknologi Lokakarya SPE Terapan pada Juni 2008 SPE dirilis patokan Brugge untuk berpartisipasi peneliti
bersaing untuk melihat siapa yang bisa merancang sebuah sejarah yang cocok dan optimasi strategi yang bisa mencapai NPV tertinggi.
The Brugge lapangan adalah minyak sintetis lapangan yaitu sekitar 10 km dengan 3 km. Model geologi terdiri dari 20 juta sel, setiap sel
yang berisi semua
proses 2017, 5, 34 16 dari 25

sifat reservoir diperlukan. Data historis untuk studi ini dibuat menggunakan versi upscaled dari model yang mengandung 450.000 sel, dan
banyak peserta menggunakan model lanjut upscaled untuk 60.000 sel untuk melakukan pencocokan sejarah dan optimasi. reservoir
bawah-jenuh dengan 20 sumur produksi dan 10 injector. sifat tambahan dapat ditemukan di koran oleh Peters et al. [ 62 ]. Benchmark
menyediakan data yang cukup untuk menjalankan dan membandingkan berbagai metode sejarah pencocokan dan optimasi.

Dari kompetisi / lokakarya kelompok yang terlibat digunakan pencocokan sejarah dan teknik optimasi untuk mengoptimalkan
produksi sehubungan dengan NPV. Hasil ini dibandingkan dengan solusi dikenal. Kasus kebenaran menyadari NPV dari 4,66 × 10 9 USD.
Menyadari NPV tertinggi dari kelompok OU / Chevron, dan 4,53 × 10 9 USD, sedangkan terendah adalah 4,19 × 10 9 USD. Kelompok OU /
Chevron dimaksimalkan NPVwith tarif cair sebagai variabel kontrol menggunakan EnOpt dan juga digunakan EnRML untuk strategi sejarah
pencocokan mereka [ 159 ]. Ringkasan rinci dari hasil yang diberikan oleh Peters et al. [ 62 ].

4.2. Proyek Solusi SPE-Perbandingan

The Society of Petroleum Engineers (SPE) telah melakukan 10 studi banding, semua pada topik yang berbeda. Mendalam
perbandingan 10 studi ditulis oleh Islam dan Sepehrnoori [ 21 ]. Meja 3 memberikan ringkasan fokus dari setiap proyek patokan. Beberapa
studi banding SPE telah diterapkan untuk pencocokan sejarah dan optimasi produksi [ 30 . 42 ].

Tabel 3. Ringkasan dari masalah patokan SPE untuk simulasi reservoir, pencocokan sejarah,

dan optimasi.

Study Area SPE Fokus

1 Tiga Dimensi Hitam Oil Reservoir Simulasi Soal 2

Sebuah Tiga Tahap Coning Studi 3
Gas Bersepeda dari Retrograde Kondensat 4
Injeksi Uap Simulasi 5
Larut Banjir Simulasi 6
Ganda Porositas Simulasi 7
Pemodelan Horizontal Wells di Reservoir Simulasi 8
Gridding Teknik di Reservoir Simulasi 9
Hitam Minyak Simulasi (re-evaluasi SPE01) 10
Teknik upscaling

4.3. The Norne Patokan

Patokan Norne adalah salah satu yang pertama set data berdasarkan nyata lapangan data. The eldwas fi ditemukan pada tahun 1991
dan terletak di Laut Norwegia sekitar 80 kmNorth dari Heidrun lapangan. Produksi minyak dimulai pada bulan November 1997 dengan
perkiraan 160,6 MSM 3 minyak di tempat dan 90 MSM 3 itu menjadi dipulihkan. Pada akhir 2007 mereka telah menghasilkan 77 MSM 3. Lapangan
dioperasikan oleh Statoil Amerika Serikat, Eni Norge AS, dan Petoro [ 160 ]. patokan itu pertama dirilis pada tahun 2009 dan terus mengerahkan
dirinya sebagai standar industri untuk perbandingan. Salah satu manfaat dari Lapangan Norne adalah ketersediaan data seismik selang waktu
bersama dengan data dengan baik. Sebuah studi kasus lapangan di [ 161 ] Mengevaluasi berbagai sejarah pencocokan dan optimasi metode
yang diterapkan untuk Bidang Norne. PSO, EnKF, metode Newton Kuasi, dan metode manual semua diterapkan pada masalah sejarah
pencocokan dan pemrograman kuadratik berurutan, derivatif bebas, dan metode manual yang digunakan untuk optimasi tingkat.

The Norne lapangan terus digunakan untuk memvalidasi teknik pencocokan sejarah dan optimasi pemulihan. Chen dan Dean
menggunakan sebuah halus ensemble berulang yang ditingkatkan solusi pertandingan sejarah lebih dari satu pengguna algoritma [ 162 ].
Suman et al. [ 163 ] Digunakan PSO sejarah sesuai dengan patokan Norne menggunakan data seismik produksi dan selang waktu.
Rwechungura et al. [ 44 ] Dibandingkan berbagai teknik sejarah yang cocok, termasuk gradien dan non-gradien teknik, menggunakan
patokan Norne sebagai studi kasus.
proses 2017, 5, 34 17 dari 25

5. Kesimpulan dan Kinerja Masa Depan

Tulisan ini teknik optimasi yang digunakan dalam pencocokan sejarah dan optimasi produksi. Ini menggabungkan review dari
algoritma optimasi sejarah yang sesuai dengan review dari optimasi pengembangan lapangan, menyoroti konektivitas dari proses ini. Ini
mengkaji keadaan seni dalam algoritma optimasi produksi dan nds fi bahwa tidak ada metode satu optimasi digunakan untuk pencocokan
sejarah atau optimasi produksi yang jelas unggul daripada orang lain. penempatan dikombinasikan dengan baik dan optimasi kontrol
dengan baik teknik juga dikaji. model patokan saat ini yang telah diterapkan untuk pencocokan sejarah dan optimasi produksi
menggunakan fl air banjir dan EOR juga dibahas. Dengan driver pasar siklis dan kompetitif untuk produksi energi, memaksimalkan potensi
ekonomi reservoir menjadi semakin relevan. 164 ] Untuk lebih baik mengatasi kompleksitas waduk khas.

Ada ada gelar besar ketidakpastian dengan banyak model-model terbaru yang digunakan untuk simulasi reservoir cepat. Sebuah
beberapa pilih telah digunakan di kedua simulasi waduk dan patokan sintetis, dan perbaikan yang mungkin sebagai eksperimen lapangan
digunakan untuk memvalidasi metode ini. pemahaman yang akurat sifat bawah permukaan tidak diperlukan untuk perbaikan pemulihan
bertahap tetapi dapat menjadi penting untuk memaksimalkan potensi waduk. elemen banjir yang fl air kritis adalah hubungan
injektor-produsen yang dapat kemunduran dari data produksi atau dari simulasi delity tinggi fi. Perbaikan dalam model proxy yang
berkurang pesanan manfaat resmi untuk warisan medan dan medan di mana ada gelar besar ketidakpastian dalam parameter geologi.
Contoh lain dari pekerjaan di masa depan termasuk model yang ada fi ne tuning pada daerah drainase yang lebih kecil. teknik optimasi
sering diterapkan pada skala lapangan entire-. Strategi untuk menerapkan pencocokan sejarah dan optimasi pada skala yang lebih kecil
tidak dikembangkan dengan baik. Metode tersebut memberikan pendekatan optimasi yang lebih lokal yang menyumbang heterogenitas
waduk lokal. Hal ini menguntungkan untuk meningkatkan strategi injeksi dan produksi secara baik tunggal atau ganda [ 165 ].

Sebagian besar penelitian saat ini tentang pencocokan sejarah berusaha untuk membuat perhitungan lebih cepat dan lebih akurat. Masa Depan

kerja dapat fokus pada kombinasi fi nding metode yang mengungguli orang lain. Secara khusus, penelitian hybrid sedang dilakukan untuk

menggabungkan metode global dan lokal untuk memiliki perhitungan efisiensi dari metode lokal dengan kemampuan metode global untuk fi nd beberapa

pertandingan sama-sama akurat. Menyesuaikan EnKF untuk memungkinkan pertandingan akurat untuk model waduk yang sangat nonlinear juga dapat

menjadi daerah utama untuk penelitian masa depan. Daerah muncul dari penelitian adalah sejarah pencocokan berkurang pesanan, menyederhanakan

fisika fi ed berdasarkan, dan data model didorong sebagai lawan model fi delity penuh.

Penelitian masa depan dalam optimasi sebagian besar terletak di bidang dari ditambah penempatan baik dan kontrol optimasi.
Peningkatan penggunaan sumur cerdas dalam industri dapat menyebabkan optimasi lebih besar dengan memberikan data yang lebih
dinamis yang dapat memberikan nilai-nilai parameter yang lebih baik untuk tingkat injeksi dan produksi [ 23 ]. Penggunaan derivatif metode
optimasi bebas menyediakan kemampuan untuk memecahkan berisik, nonlinier dan diskrit masalah optimasi tetapi umumnya membutuhkan
waktu komputasi yang luas. Sebaliknya, optimasi gradien berbasis komputasi yang efisien belum dapat mengakibatkan solusi maksimum
lokal suboptimal dan memiliki kesulitan untuk dengan berisik, nonlinear, dan masalah diskrit. Kombinasi dari stochastic dan gradien metode
yang cepat fi nd maksimal global yang akan menarik dan memiliki potensi untuk menghilangkan banyak perangkap kedua metode individual.

Akhirnya, menggabungkan pencocokan sejarah dan algoritma optimasi ke dalam sistem loop tertutup adalah daerah penelitian di
masa depan. Sementara ini adalah area penelitian aktif [ 24 . 65 ], Validasi manajemen lingkaran waduk tertutup real lapangan data
merupakan bidang minat tertentu.

Ucapan Terima Kasih: Pekerjaan ini dilakukan dengan dukungan dari International Reservoir Simulation Research Institute (IRSRI) di Brigham Young
University (BYU). Para penulis ingin mengakui bimbingan membantu fromHugh Hales, pendiri IRSRI, dan beberapa orang lain yang telah memberikan
kontribusi untuk review.
proses 2017, 5, 34 18 dari 25

Konflik Menarik: Para penulis menyatakan tidak ada konflik yang menarik.

Referensi

1. Enhanced Oil Recovery. Tersedia online: http://energy.gov/fe/science-innovation/oil-gas-research/ ditingkatkan-minyak-recovery (Diakses pada 16 Mei

2017).

2. Mashayekhizadeh, V .; Kord, S .; Dejam, potensi M. EOR di Iran. Spec. Teratas. Pendeta Berpori Media Int. J.

2014, 5, 325-354.

3. Mollaei, A .; Maini, B. Uap flooding waduk retak alami: Konsep dasar dan mekanisme pemulihan. J. Can. Membelai. Technol. 2010, 49, 65-70.

4. Baker, P. Sebuah studi eksperimental panas fl ow di steam flooding. Soc. Membelai. Eng. J. 1969, 9, 89-99.

5. Akstinat, Gas evolusi M. dan perubahan komposisi minyak selama uap flooding dari reservoir minyak. J. Pet. Geol.

1983, 5, 363-388.

6. Yitang, Z .; Xiuluan, L .; Xia, prinsip-prinsip dasar Z. Empat untuk desain dan tindak lanjut dari uap flooding di reservoir minyak berat. Membelai.

Explor. Dev. 2008, 35, 715-719.

7. Saboorian-Jooybari, H .; Dejam, M .; Chen, Z. polimer minyak berat flooding dari inti laboratorium fl oods untuk tes pilot dan aplikasi lapangan: studi

abad Setengah. J. Pet. Sci. Eng. 2016, 142, 85-100.

8. Saboorian-Jooybari, H .; Dejam, M .; Chen, Z. Half-Century dari Heavy Oil Polymer Banjir dari Laboratorium Inti Banjir untuk Tes Percontohan dan

Aplikasi Lapangan. Dalam Prosiding SPE Kanada Heavy Oil Teknis Conference, Calgary, AB, Canada, 09-11 Juni tahun 2015; Masyarakat

PetroleumEngineers: Calgary, AB, Canada 2015.

9. Guo, Y .; Liang, Y .; Cao, M .; Feng, R .; Zhang, X .; Li, H .; Hu, J. Aliran Perilaku dan kental-OilMicrodisplacement Karakteristik hidrofobik Modi fi kasi

sebagian Hydrolyzed Polyacrylamide dalam Repeatable Kuantitatif Visualisasi Micromodel. SPE J. 2017, doi: 10,2118 / 185.185-PA.

10. Seright, RS Berapa Banyak Polymer Harus Disuntik Selama Polymer Banjir? Ulasan Praktek Sebelumnya dan sekarang. SPE J. 2016, doi: 10,3997 /

2214-4609,201700317.

11. Seright, R. howmuch Polymer Harus Disuntik Selama Polymer Banjir? Dalam Prosiding SPE Peningkatan Oil Recovery Conference, Tulsa, OK, USA,

11-13 April 2016; Society of Petroleum Engineers: Tulsa, OK, USA, 2016.

12. Liu, S .; Zhang, D .; Yan, W .; Puerto, M .; Hirasaki, GJ; Miller, CA atribut Menguntungkan dari alkaline- surfaktan-polimer flooding. SPE J. 2008, 13, 5-16.

13. Zerpa, LE; Queipo, NV; Pintos, S .; Salager, JL Metodologi optimalisasi proses banjir yang polimer fl basa-surfactant- menggunakan simulasi numerik fi

skala lapangan dan beberapa pengganti. J. Pet. Sci. Eng.

2005, 47, 197-208.

14. Samimi, SE; Masihi, M .; Gerami, S .; Ghazvini, MG Sebuah Peningkatan Pemodelan Gravity Drainase Paksa di Ganda Porositas Simulasi

Menggunakan Fungsi Transfer NewMatrix-Fraktur. Transp. Media berpori

2012, 94, 207-223.

15. Lin, L .; Yang, Z .; Liu, X .; Sun, J .; Dia, Y .; Guo, H. Percobaan pada batas permeabilitas reservoir minyak ketat untuk pemulihan fl gas banjir. Spec.

Teratas. Pendeta Berpori Media Int. J. 2016, 7, 385-390.

16. Jansen, J. Model berbasis kontrol bawah permukaan fl ow. J. Process Control 2008, 18, 846-855.

17. Jansen, JD; Durlofsky, LJ Penggunaan model berkurang-order dalam optimasi kontrol dengan baik. Optim. Eng. 2016, 18,

105-132.

18. Aanonsen, SI; Nævdal, G .; Oliver, DS; Reynolds, AC; Vallès, B. ensemble Kalman fi lter dalam reservoir engineering-A ulasan. SPE J. 2009, 14, 393-412.

19. Alvarado, V .; Manrique, E. minyak Ditingkatkan recovery: Review pembaruan. energi 2010, 3, 1529-1575.

20. Franco, A .; Vaccaro, M. simulasi numerik dari reservoir panas bumi untuk desain berkelanjutan dari tanaman energi: review A. Memperbarui. Menopang.

Energi Rev. 2014, 30, 987-1002.

21. Islam, AW; Sepehrnoori, K. Suatu Tinjauan pada SPE Perbandingan Solusi Proyek (CSP). J. Pet. Sci. Res. 2013,

2, doi: 10,14355 / jpsr.2013.0204.04.

22. Oliver, DS; Chen, Y. kemajuan terbaru tentang pencocokan sejarah waduk: review A. Comput. Geosci. 2011,

15, 185-221.
23. optimasi berbasis adjoint Jansen, J. multi-fase mengalir melalui pori media A ulasan. Comput. cairan

2011, 46, 40-51.

proses 2017, 5, 34 19 dari 25

24. Hou, J .; Zhou, K .; Zhang, XS; Kang, XD; Xie, H. Sebuah tinjauan dari manajemen reservoir loop tertutup. Membelai. Sci.

2015, 12, 114-128.

25. Beal, LD; Park, J .; Petersen, D .; Warnick, S .; Hedengren, JD Gabungan model kontrol prediktif dan penjadwalan dengan waktu yang dominan

kompensasi konstan. Comput. Chem. Eng. 2017, 104, 271-282.

26. Safdarnejad, SM; Hedengren, JD; Baxter, LL Tanaman-tingkat optimasi dinamis menangkap karbon cryogenic dengan sumber listrik konvensional dan

terbarukan. Appl. Energi 2015, 149, 354-366.

27. Safdarnejad, SM; Hedengren, JD; Baxter, LL Dinamis optimasi dari sistem hibrida dari penangkapan karbon cryogenic-menyimpan energi dan unit

pembangkit listrik dasar. Appl. Energi 2016, 172, 66-79.

28. Powell, KM; Eaton, AN; Hedengren, JD; Edgar, TF Formulasi terus menerus untuk keputusan logis dalam diferensial aljabar sistem yang menggunakan

program matematika dengan kendala saling melengkapi. proses

2016, 4, 7.

29. Safdarnejad, SM; Hedengren, JD; Lewis, NR; Haseltine, strategi EL Inisialisasi untuk optimasi sistem dinamis. Comput. Chem. Eng. 2015, 78, 39-50.

30. Udy, J .; Blackburn, L .; Hedengren, J .; Darby, M. Mengurangi Orde Modeling untuk Optimasi Injection Reservoir dan Peramalan.

Dalam Prosiding / Konferensi BPK FOCAPO, Tuscon, AZ, USA,

08-12 Januari tahun 2017; Yayasan Computer Aided Proses Operasi / Proses Kimia Control: Tuscon, AZ, USA, 2017.

31. Todd, M .; Longstaff, W. pengembangan, pengujian, dan penerapan simulator numerik untuk memprediksi kinerja banjir bercampur. J. Pet. Technol. 1972, 24,

874-882.

32. Wang, P .; Yotov, I .; Wheeler, M .; Arbogast, T .; Dawson, C .; Parashar, M .; Sepehrnoori, K. Generasi Baru EOS komposisional Reservoir Simulator:

Bagian I-Formulasi dan Discretization. Dalam Prosiding SPE Reservoir Simulation Simposium, Dallas, TX, USA, 08-11 Juni 1997; Society of

Petroleum Engineers: Dallas, TX, USA, 1997.

33. Kazemi, H .; Vestal, C .; Shank, DG Sebuah e fi sien multikomponen simulator numerik. Soc. Membelai. Eng. J. 1978,

18, 355-368.
34. Blunt, MJ; Jackson, MD; Piri, M .; Valvatne, PH Detil fisika, kemampuan prediktif dan konsekuensi makroskopik untuk model pori-jaringan multifase fl ow. Adv.

Resour air. 2002, 25, 1069-1089.

35. Lee, K .; Ortega, A .; Jafroodi, N .; Ershaghi, I. Amultivariate Model autoregressive untuk mencirikan hubungan produser produser di fl air oods dari

injeksi / produksi fluktuasi tingkat fl. SPE Barat. Reg. Memenuhi.

2010, 13, 1-11.

36. Liu, F .; Mendel, JM; Nejad, AM Peramalan injector / hubungan produser dari tingkat produksi dan injeksi menggunakan diperpanjang Kalman fi lter. SPE

J. 2009, 14, 653-664.

37. Zhai, DY; Mendel, JM Sebuah ketimpangan-dibatasi diperpanjang Kalman fi lter untuk peramalan terus-menerus konektivitas interwell di fl air oods. SPE

Barat. Reg. Memenuhi. 2010, doi: 10,2118 / 134.006-MS.

38. Weber, D. Penggunaan Model Kapasitansi-Resistance untuk Optimalkan Injection Alokasi dan Nah Lokasi di Banjir Air. Ph.D. Skripsi, The University of

Texas di Austin, Austin, TX, USA, 2009.

39. Sayarpour, M .; Zuluaga, E .; Kabir, CS; Lake, lw Penggunaan model kapasitansi-resistance untuk estimasi cepat kinerja banjir fl air dan optimasi. J. Pet.

Sci. Eng. 2009, 69, 227-238.

40. Mamghaderi, A .; Pourafshary, P. Air banjir yang prediksi kinerja dalam waduk berlapis menggunakan model perbaikan kapasitansi-resistif. J. Pet. Sci.

Eng. 2013, 108, 107-117.

41. Jafroodi, N .; Metode Zhang, D. Baru untuk karakterisasi reservoir dan optimasi menggunakan pendekatan CRM-EnOpt. J. Pet. Sci. Eng. 2011, 77, 155-171.

42. Hourfar, F .; Moshiri, B .; Salahshoor, K .; Zaare-Mehrjerdi, M .; Pourafshary, P. Adaptive pemodelan proses banjir yang fl air di reservoir minyak. J. Pet.

Sci. Eng. 2016, 146, 702-713.

43. Verga, F .; Cancelliere, M .; Viberti, D. Peningkatan penerapan teknik sejarah pencocokan dibantu. J. Pet. Sci. Eng. 2013, 109, 327-347.

44. Rwechungura, RW; Dadashpour, M .; Kleppe, pada J. Lanjutan Sejarah Teknik Matching. Dalam Prosiding dari SPEMiddle Timur Minyak dan Gas Show

dan Konferensi, Manama, Bahrain, September 25-28 2011; Society of Petroleum Engineers: Manama, Bahrain 2011.

45. Stordal, AS; Szklarz, SP; Leeuwenburgh, O. A teoritis melihat optimasi berbasis ensemble di manajemen reservoir. Matematika. Geosci. 2016, 48, 399-417.

46. ​Anifowose, FA; Labadin, J .; Abdulraheem, A. Ensemble mesin pembelajaran: Sebuah paradigma pemodelan belum dimanfaatkan untuk karakterisasi

reservoir minyak bumi. J. Pet. Sci. Eng. 2017, 151, 480-487.

proses 2017, 5, 34 20 dari 25

47. Rahmati, H .; Nouri, A .; Pishvaie, MR; Bozorgmehri, R. A dimodifikasi algoritma optimasi evolusi diferensial dengan lokalisasi acak untuk generasi

properti terbaik-tebakan dalam pencocokan sejarah.

Sumber energi Bagian A Pemulihan Util. Mengepung. efek 2011, 33, 845-858.
48. Park, HY; Datta-Gupta, A .; Raja, MJ Penanganan saling bertentangan beberapa tujuan menggunakan berbasis Pareto algoritma evolusioner selama

sejarah pencocokan kinerja waduk. J. Pet. Sci. Eng. 2014, 125, 48-66.

49. Deb, K .; Pratap, A .; Agarwal, S .; Meyarivan, T. A cepat dan elitis multiobjective algoritma genetika: NSGA-II.

IEEE Trans. Evol. Comput. 2002, 6, 182-197.

50. Hajizadeh, Y .; Christie, M .; Demyanov, V. Ant colony optimization untuk pencocokan sejarah dan ketidakpastian kuantifikasi model waduk. J. Pet. Sci.

Eng. 2011, 77, 78-92.

51. Hajizadeh, Y .; Demyanov, V .; Mohamed, L .; Christie, M. Perbandingan metode intelijen evolusi dan segerombolan untuk pencocokan sejarah dan

ketidakpastian kuantifikasi dalam model reservoir minyak bumi. Di Optimasi Komputasi Cerdas Teknik; Springer: Berlin / Heidelberg, Jerman, 2010;

pp. 209-240.

52. Jin, L .; van den Hoek, PJ; ALPAK, FO; Pirmez, C .; Fehintola, T .; Tendo, F .; Olaniyan, EE Perbandingan dari algoritma data-integrasi stokastik

untuk pencocokan sejarah bersama produksi dan Time-Lapse-Seismic data. SPE Reserv. Eval. Eng. 2012, 15, 498-512.

53. Evensen, G. The Ensemble Kalman Filter: formulasi teoritis dan implementasi praktis. Samudera Dyn.

2003, 53, 343-367.

54. Dia, J .; Sarma, P .; Durlofsky, LJ Reduced-order fl ow pemodelan dan parameterisasi geologi untuk berbasis ensemble asimilasi data. Comput. Geosci. 2013,

55, 54-69.
55. Heidari, L .; Gervais, V .; Ravalec, ML; Wackernagel, H. Sejarah pencocokan model reservoir minyak bumi oleh ensemble Kalman Filter dan

parameterisasi metode. Comput. Geosci. 2012, 55, 84-95.

56. Elsheikh, AH; Wheeler, MF; Hoteit, I. Sebuah metode stokastik ensemble berulang untuk estimasi parameter owmodels bawah permukaan fl. J. Comput.

Phys. 2013, 242, 696-714.

57. Agbalaka, CC; Stern, D .; Oliver, DS Dua-tahap berbasis ensemble pencocokan sejarah dengan beberapa mode dalam fungsi tujuan. Comput. Geosci. 2013,

55, 28-43.
58. Emerick, AA; Reynolds, AC Investigasi kinerja sampling metode berbasis ansambel dengan model reservoir sederhana. Comput. Geosci. 2013, 17, 325-350.

59. Ding, DY Pengembangan teknik partisi data untuk metode optimasi berbasis gradien-dalam pencocokan sejarah. SPE J. 2011, 16, 582-593.

60. Kaleta, MP; Hanea, RG; Heemink, AW; Jansen, JD Model-dikurangi pencocokan sejarah berdasarkan gradien-.

Comput. Geosci. 2010, 15, 135-153.

61. Bhark, E .; Jafarpour, B .; Datta-Gupta, A. Sebuah adaptif skala parameterisasi frekuensi-domain untuk pencocokan sejarah. J. Pet. Sci. Eng. 2011, 75, 289-303.

62. Peters, L .; Seni, R .; Brouwer, G .; Geel, C .; Cullick, S .; Lorentzen, R .; Chen, Y .; Dunlop, N .; Vossepoel, F .; Xu, R .; et al. Hasil penelitian patokan

Brugge untuk optimasi flooding dan pencocokan sejarah.

SPE Reserv. Eval. Eng. 2010, 13, 391-405.

63. Naevdal, G .; Johnsen, LM; Aanonsen, SI; Vefring, EH Reservoir monitoring dan model memperbarui terus menerus menggunakan ensemble Kalman fi

lter. SPE J. 2005, 10, 66-74.

64. Bianco, A .; Cominelli, A .; Dovera, L .; Nævdal, G .; Valles, B. Sejarah pencocokan dan perkiraan produksi ketidakpastian dengan cara ansambel

Kalman fi lter: A real fi aplikasi lapangan. Dalam procedings dari

EUROPEC / EAGE Konferensi dan Pameran, London, Inggris, 11-14 Juni 2007; Society of Petroleum Engineers: London, Inggris, 2007.

65. Jansen, JD; Brouwer, R .; Douma, SG Loop Tertutup Reservoir Management. Dalam Prosiding SPE Reservoir Simulation Simposium, The

Woodlands, TX, USA, 02-04 Februari 2009; Society of Petroleum Engineers: The Woodlands, TX, USA, 2009.

66. Skjervheim, J .; Evensen, G .; Aanonsen, S .; Rudd, B .; Johansen, Memasukkan data seismik 4D T. di Model Reservoir Simulasi Menggunakan

Ensemble Kalman Filter. Dalam Prosiding Konferensi Tahunan SPE teknis dan Pameran, Dallas, TX, USA, 9-12 Oktober 2005; pp. 1-11.

67. Gu, Y .; Oliver, D. Sebuah berulang ensemble Kalman fi lter untuk multiphase cairan aliran data yang asimilasi. SPE J.

2007, 12, 438-446.

68. Cullick, AS; Johnson, WD; Shi, G. Peningkatan dan Lebih Cepat Sejarah Matching dengan nonlinear Proxy dan Optimasi global. Di Prosiding Konferensi

Tahunan Teknis SPE dan Pameran; Society of Petroleum Engineers: San Antonio, TX, USA, 2006.
proses 2017, 5, 34 21 dari 25

69. Webb, SJ; Bayless, JS; Dunlop, KNB Mengaktifkan 'Big Loop'-Memastikan Konsistensi Geologi dan Reservoir Simulasi Model. Dalam Prosiding

Konvensi AAPG Tahunan dan Pameran, Long Beach, CA, USA, April 1-4 2007; pp. 1-4.

70. Sarma, P .; Durlofsky, LJ; Aziz, K .; Chen, WH Ef fi sien real-time manajemen reservoir menggunakan kontrol optimal berbasis adjoint dan model

update. Comput. Geosci. 2006, 10, 3-36.

71. Hooke, R .; Jeeves, TA solusi pencarian langsung dari masalah numerik dan statistik. J. ACM 1961, 8, 212-229.

72. Echeverría Ciaurri, D .; Isebor, O .; Durlofsky, L. Penerapan metodologi derivatif bebas untuk umum terkendala masalah optimasi produksi minyak. Proced.

Comput. Sci. 2010, 1, 1301-1310.

73. Dia, Z .; Yoon, S .; Datta-Gupta, berbasis Streamline A. integrasi data produksi dengan gravitasi dan perubahan kondisi lapang. SPE J. 2002, 7, 423-436.

74. Krymskaya, MV; Hanea, RG; Verlaan, M. Sebuah berulang ensemble Kalman fi lter untuk aplikasi teknik reservoir. Comput. Geosci. 2009, 13, 235-244.

75. Chen, Y .; Oliver, DS Levenberg-Marquardt bentuk dari berulang ensemble halus untuk pencocokan sejarah yang efisien dan ketidakpastian kuantifikasi. Comput.

Geosci. 2013, 17, 689-703.

76. Raniolo, S .; Dovera, L .; Cominelli, A .; Callegaro, C .; Masserano, F. Sejarah Pertandingan dan Polymer Optimasi Injeksi di Lapangan Mature

Menggunakan Ensemble Kalman Filter. Dalam Prosiding IOR 2013-17th Eropa Simposium Peningkatan Oil Recovery, St. Petersburg, Rusia, 16-18

April 2013 mendatang.

77. Douma, SG; Abu-Shiekah, IM; Kindi, ZY Riwayat Lapangan Cocok untuk Banjir Kimia dengan Metode adjoint. Dalam Prosiding SPE Kuwait Minyak dan

Gas Show dan Konferensi, Kuwait City, Kuwait, 8-10 Oktober 2013; Society of Petroleum Engineers: Kuwait City, Kuwait, 2013.

78. Xu, S .; Zhang, M .; Zeng, F .; Chan, C. Penerapan Algoritma Genetika (GA) di historymatching dari uap Ekstraksi (Vapex) proses pemulihan minyak

berat. Nat. Resour. Res. 2014, doi: 10,1007 / s11053-014-9255-7.

79. Lee, KH; Ortega, A .; Nejad, AM; Ershaghi, I. Sebuah Metode Karakterisasi Arus Unit Antara Wells Injection-Produksi Menggunakan Data Kinerja. Dalam

Prosiding 2008 SPE Barat Daerah dan Pasifik Bagian Rapat AAPG Bersama, Bakers lapangan, CA, Amerika Serikat, 31 Maret - 2 April 2008; pp.

419-446.

80. Zhai, DY; Jerry, M .; Mendel, FL A NewMethod untuk Peramalan terus menerus dari Interwell Connectivitiy di Air fl oods Menggunakan Extended Kalman

Filter. SPE Barat. Reg. Memenuhi. 2009, doi: 10,2118 / 121.393-MS.

81. Williams, M .; Keating, JF; Barghouty, M. Metode stratigrafi: Sebuah pendekatan terstruktur untuk sejarah pencocokan model simulasi yang kompleks. SPE

Reserv. Eval. Eng. 1998, 1, 169-176.

82. Williams, G .; Mans lapangan, M .; MacDonald, D .; Bush, M. Top-down Reservoir Modeling. Dalam Prosiding Konferensi Tahunan SPE teknis dan

Pameran, Houston, TX, USA, September 26-29 2004; Society of Petroleum Engineers: Houston, TX, USA, 2004.

83. Yin, J .; Park, HY; Datta-Gupta, A .; Raja, MJ; Choudhary, MK A hirarkis merampingkan dibantu sejarah pendekatan yang sesuai dengan update

parameter global dan lokal. J. Pet. Sci. Eng. 2011, 80, 116-130.

84. Cheng, H .; Dehghani, K .; Billiter, TC Pendekatan Terstruktur untuk Probabilistic-Assisted Sejarah Matching Menggunakan Evolutionary Algoritma:

Aplikasi Tengiz Field. Dalam Prosiding Konferensi Tahunan SPE teknis dan Pameran, Denver, CO, USA, September 1-24 2008; Society of

Petroleum Engineers: Denver, CO, USA, 2008.

85. Ariadji, T .; Sukarno, P .; Sidarto, KA; Soewono, E .; Riza, LS; David, K. Optimalisasi Vertikal Nah Penempatan Minyak Pengembangan Lapangan

Berdasarkan Dasar Reservoir Batu Properti menggunakan Algoritma Genetika.

ITB J. Eng. Sci. 2012, 44, 106-127.

86. Fahim Forouzanfar, A .; Gaoming Li, S. A Dua Tahap Nah Penempatan Optimization Metode Berdasarkan adjoint Gradient. Dalam Prosiding Konferensi

Tahunan Teknis SPE dan Pameran, Florence, Italia 20-22 September 2010.

87. Bellout, MC; Echeverría Ciaurri, D .; Durlofsky, LJ; Foss, B .; Kleppe, J. Bersama optimasi penempatan sumur minyak dan kontrol. Comput. Geosci. 2012, 16,

1061-1079.

88. Zandvliet, M .; Handels, M .; Van Essen, G .; Brouwer, D .; Jansen, JD adjoint berbasis optimasi baik penempatan di bawah kendala produksi. SPE J. 2008,

13, 392-399.
89. Handels, M .; Zandvliet, M .; Brouwer, R .; Jansen, JD adjoint Berbasis Nah-Penempatan Optimization bawah Kendala Produksi. Di Prosiding SPE

Reservoir Simulation Simposium; Society of Petroleum Engineers: Houston, TX, USA, 2007.

90. Wang, C .; Li, G .; Reynolds, AC Optimal Nah Penempatan untuk Optimasi Produksi. Di Prosiding

Pertemuan Regional Timur; Society of Petroleum Engineers: Lexington, KY, USA, 2007.
proses 2017, 5, 34 22 dari 25

91. Sarma, P .; Chen, WH; Durlofsky, LJ; Aziz, optimasi K. Produksi dengan model adjoint di bawah kontrol negara kendala jalan ketimpangan nonlinear. SPE

Reserv. Eval. Eng. 2008, 11, 326-339.

92. Zhang, K .; Li, G .; Reynolds, AC; Yao, J .; Zhang, L. penempatan Optimal baik menggunakan gradien adjoint. J. Pet. Sci. Eng. 2010, 73, 220-226.

93. Younis, RM; Aziz, K .; Tchelepi, H .; Alonso, JJ Kemajuan modern di Software dan Solusi Algoritma untuk

Simulasi Reservoir; Universitas Stanford: Stanford, CA, USA, 2011.

94. Li, X .; Zhang, D. Kerangka diferensiasi otomatis mundur untuk simulasi reservoir. Comput. Geosci.

2014, 18, 1009-1022.

95. Montes, G .; Bartolome, P .; Udias, AL Penggunaan Algoritma Genetika di Nah Penempatan Optimization. Dalam Prosiding SPE Amerika Latin dan

Karibia Engineering Conference Petroleum, Buenos Aires, Argentina, 25-28 Maret 2011; Society of Petroleum Engineers: Buenos Aires, Argentina,

2001.

96. Farshi, MM Meningkatkan Algoritma Genetika untuk Optimum Nah Penempatan. Tesis master, Stanford University, Stanford, CA, USA, 2008.

97. Bukhamsin, AY; Farshi, MM; Aziz, K. Optimalisasi Multilateral Nah Desain dan Lokasi di Lapangan Nyata Menggunakan Algoritma Genetika

berkelanjutan. Dalam Prosiding SPE / DGS Saudi Arabia Bagian Teknis Simposium dan Pameran, Al-Khobar, Arab Saudi, April 4-7 2010; SPE:

Al-Khobar, Arab Saudi 2010.

98. Emerick, AA; Silva, E .; Messer, B .; Almeida, L .; Szwarcman, D .; Pacheco, M .; Vellasco, M. Nah Penempatan Optimization Menggunakan Genetic

AlgorithmWith Nonlinear Kendala. Dalam Prosiding SPE Reservoir Simulation Simposium, The Woodlands, TX, USA, 02-04 Februari 2009; SPE: The

Woodlands, TX, USA, 2009.

99. Bouzarkouna, Z .; Ding, DY; Auger, A. Sebagian Dipisahkan Meta-Model dengan Evolution Strategi untuk Yah Penempatan Optimization. Dalam

Prosiding 73 EAGE Conference & Exhibition Memasukkan SPE EUROPEC, Wina, Austria, 23-26 Mei 2011; pp. 1-9.

100. Eberhart, RC; Kennedy, J. A New Optimizer Menggunakan Particle Swarm Teori. Dalam Prosiding Keenam Simposium Internasional Micro Machine

dan Ilmu Manusia, New York, NY, USA, 4-06 Oktober 1995; pp. 39-43.

101. Onwunalu, JE; Durlofsky, LJ Penerapan algoritma optimasi partikel swarm untuk menentukan optimumwell lokasi dan jenis. Comput. Geosci. 2010, 14, 183-198.

102. Cheng, G .; An, Y .; Wang, Z .; Zhu, K. Oil Well Penempatan Optimization Menggunakan Niche Particle Swarm Optimization. Dalam Prosiding

Konferensi 2012 Kedelapan Internasional tentang Komputasi Intelijen dan Keamanan, Guangzhou, Cina, 17-18 November 2012; pp. 61-64.

103. Brits, R .; Engelbrecht, AP; Van den Bergh, F. A niching Particle Swarm Optimizer. Dalam Prosiding 4 Asia-Pasifik Konferensi Simulasi Evolusi dan

Pembelajaran, Singapura, 18-22 November 2002; pp. 692-696.

104. Nwankwor, E .; Nagar, A .; Reid, D. Hybrid evolusi diferensial dan segerombolan partikel optimasi untuk penempatan baik optimal. Comput. Geosci. 2013,

17, 249-268.
105. Ding, S .; Jiang, H .; Li, J .; Tang, Optimasi G. penempatan baik oleh kombinasi metode dimodifikasi partikel swarm algoritma optimasi dan peta

kualitas. Comput. Geosci. 2014, 18, 747-762.

106. Min, B .; Park, C .; Kang, J .; Ahn, T .; Chung, S .; Kim, S. Optimal Injector Penempatan Ditambah Multi-tujuan genetik Algorithmwith Simulator

Hitam-minyak di Air banjir yang Project. Dalam Prosiding 73 EAGE Conference & Exhibition, Wina, Austria, 23-26 Mei tahun 2011.

107. Beckner, B .; Xong, X. Perencanaan Pembangunan bidang Menggunakan Simulated Annealing-Optimal Ekonomi Nah Penjadwalan

dan Penempatan; Laporan teknikal; Society of Petroleum Engineers (SPE), Inc .: Dallas, TX, USA, 1995.
108. Parashar, M .; Klie, H .; Catalyurek, U .; Kurc, T .; Bangerth, W .; Matossian, V .; Saltz, J .; Wheeler, Aplikasi MF teknologi grid diaktifkan untuk

memecahkan masalah optimasi dalam studi waduk data-driven.

Masa Depan Gener. Comput. Syst. 2005, 21, 19-26.

109. Bangerth, W .; Klie, H .; Wheeler, MF; Stoffa, PL; Sen, algoritma optimasi MK On untuk masalah penempatan sumur minyak waduk. Comput. Geosci. 2006,

10, 303-319.
110. Afshari, S .; Aminshahidy, B .; Pishvaie, MR Penerapan algoritma pencarian harmoni ditingkatkan dalam optimasi penempatan baik menggunakan

simulasi merampingkan. J. Pet. Sci. Eng. 2011, 78, 664-678.

111. Kraaijevanger, J .; Egberts, PJP; Valstar, JR; Buurman, HW Optimal Water fl ood Desain Menggunakan Metode adjoint.

Dalam Prosiding SPE Reservoir Simulation Simposium, Houston, TX, USA,

26-28 Februari 2007; Society of Petroleum Engineers: Houston, TX, USA, 2007.
proses 2017, 5, 34 23 dari 25

112. Liu, X .; Reynolds, A. Gradient berbasis optimasi multi-tujuan dengan aplikasi untuk fl air optimasi banjir yang. Comput. Geosci. 2015, 20, 677-693.

113. Zangl, G .; Hermann, R. Air fl ood Pola Optimization Menggunakan Algoritma Genetika dengan Multi-tank Material Balance. Dalam Prosiding Konferensi

Tahunan SPE teknis dan Pameran, Houston, TX, USA, September 26-29 2004; Society of Petroleum Engineers: Houston, TX, USA, 2004.

114. Guan, XJ; Wei, LX; Yang, Optimasi JJ dari rencana operasi untuk sistem injeksi air dalam minyak lapangan menggunakan algoritma genetika hibrida. Acta

Pet. Dosa. 2005, 3, 026.

115. Safarzadeh, MA; Motealleh, M .; Moghadasi, J. Sebuah novel, injeksi berdasarkan merampingkan-ef metode peningkatan fi siensi menggunakan algoritma

genetika multi-tujuan. J. Pet. Explor. Melecut. Technol. 2015, 5, 73-80.

116. Yang, D .; Zhang, Q .; Gu, optimasi Y. Terpadu dan kontrol dari sistem operasi produksi-injeksi untuk reservoir hidrokarbon. J. Pet. Sci. Eng. 2003, 37, 69-81.

117. Khan, H .; Saputelli, LA; Ranjan, P .; Carvajal, GA; Knabe, SP; Wang, F. Multi-Tujuan Dibatasi fl Air Optimization banjir di Carbonate ketat. Dalam

Prosiding SPE Reservoir Karakterisasi dan Simulasi Konferensi dan Pameran, Abu Dhabi, UAE, 16-18 September 2013. Society of Petroleum

Engineers: Abu Dhabi, UEA, 2013.

118. Wang, YX; Liu, CL; Wang, YF; Zhou, Optimasi SH dalam sistem injeksi air minyak lapangan berdasarkan algoritma semut swarmmethod

koloni-partikel. J. Daqing Pet. Inst. 2010, 2, 014.

119. Oliveira, DF; Reynolds, A. Sebuah adaptif algoritma multiskala hirarkis untuk estimasi kontrol baik yang optimal. SPE J. 2014, 19, 909-930.

120. Everitt, TA; Jennings, J. Sebuah ditingkatkan perhitungan fi nite-perbedaan kartu dinamometer downhole untuk pompa pengisap-batang. SPE Prod.

Eng. 1992, 7, 121-127.

121. Gibbs, S. Peninjauan metode untuk desain dan analisis instalasi batang memompa. J. Pet. Technol. 1982,

34, 2-931.
122. Ehimeakhe, VM Menghitung Pompa Fillage untuk Well Control Menggunakan Titik Transfer Location. Dalam Prosiding Regional Meeting SPE Timur,

Morgantown, Virginia Barat, Amerika Serikat, 13-15 Oktober 2010; Society of Petroleum Engineers: Morgantown, Virginia Barat, Amerika Serikat, 2010.

123. Krug, D .; Nelsen, S .; Allison, J. Regenerative Hidrolik Angkat System. US Patent 8.562.308, 22 Oktober 2013.

124. Emerick, AA; Portella, RCM Optimization Produksi Dengan Cerdas Wells. Dalam Prosiding Amerika Latin & Karibia Petroleum Engineering Conference,

Buenos Aires, Argentina, April 15-18 2007; Society of Petroleum Engineers: Buenos Aires, Argentina, 2007.

125. Humphries, TD; Haynes, RD; James, LA Simultan dan pendekatan sekuensial untuk optimasi gabungan penempatan baik dan kontrol. Comput. Geosci. 2014,

18, 433-448.
126. Humphries, TD; Haynes, RD Bersama optimasi penempatan baik dan kontrol untuk jenis baik nonkonvensional. J. Pet. Sci. Eng. 2015, 126, 242-253.

127. Sun, Z .; Xin, Y .; Sun, Q .; Ma, R .; Zhang, J .; Lv, S .; Cai, M .; Wang, H. Numerik Simulasi Proses depressurization dari Gas Alam Hydrate Reservoir:

Sebuah Mencoba di Optimalisasi Faktor Operasional Lapangan dengan Beberapa Wells dalam Geologi Model Real 3D. energi 2016, 9, 714.

128. Drouven, MG; Grossmann, IE Multi-periode perencanaan, desain dan model strategis untuk, pengembangan shale gas berkualitas sensitif jangka

panjang. AIChE J. 2016, doi: 10,1002 / aic.15174.

129. Drouven, MG; Cafaro, DC; Grossmann, IE Stochastic Programming Model untuk Optimal Shale Nah Pembangunan dan Refracturing Perencanaan

bawah Ketidakpastian. AIChE J. 2016, doi: 10,1002 / aic.15804.

130. Tavallali, M .; Karimi, saya .; Halim, A .; Baxendale, D .; Teo, K. Nah penempatan, desain infrastruktur, alokasi fasilitas, dan perencanaan produksi di

multireservoir ladang minyak fi dengan jaringan fasilitas permukaan. Ind. Eng. Chem. Res. 2014, 53, 11.033-11.049.

131. Brouwer, D .; Jansen, J. Dinamis optimalisasi fl air banjir yang dengan sumur pintar menggunakan teori kontrol optimal. SPE J. 2004, 9, 391-402.

132. Sarma, P .; Aziz, K .; Durlofsky, LJ Pelaksanaan adjoint Solusi untuk Optimal Pengendalian

sumur pintar. Dalam Prosiding SPE Reservoir Simulation Simposium, The Woodlands, TX, USA,

31 Jan-2 Feburary 2005; Society of Petroleum Engineers: The Woodlands, TX, USA, 2005.

133. Forouzanfar, F .; Reynolds, AC; Li, Optimasi G. dari lokasi baik dan penyelesaian untuk sumur vertikal dan horizontal menggunakan algoritma optimasi

turunan bebas. J. Pet. Sci. Eng. 2012, 86, 272-288.

proses 2017, 5, 34 24 dari 25

134. Sefat, MH; Salahshoor, K .; Jamialahmadi, M .; Vahdani, H. Pengembangan Teknik untuk Optimalisasi Air- Proses flooding di Petroleum Waduk

Menggunakan Algoritma Genetika dan pengganti Modeling Approach. Sumber energi Bagian A Pemulihan Util. Mengepung. efek 2014, 36, 1175-1185.

135. Isebor, OJ; Durlofsky, optimasi LJ Biobjective untuk pengembangan lapangan minyak umum. J. Pet. Sci. Eng. 2014,

119, 123-138.
136. Isebor, OJ; Durlofsky, LJ; Ciaurri, DE A metodologi derivatif bebas dengan pencarian lokal dan global untuk optimasi gabungan dibatasi dari lokasi baik

dan kontrol. Comput. Geosci. 2014, 18, 463-482.

137. Lei, Y .; Li, S .; Zhang, X .; Zhang, Q .; Guo, L. Optimal Pengendalian Polimer Banjir Berdasarkan Prinsip Maksimum. J. Appl. Matematika. 2012, 2012, 987.975.

138. Van Doren, J .; Douma, SG; Wassing, LBM; Kraaijevanger, J .; De Zwart, Optimasi AH adjoint Berbasis Polimer Banjir.

Dalam Prosiding SPE Enhanced Oil Recovery Conference, Kuala Lumpur,

Malaysia, 19-21 Juli 2011; Society of Petroleum Engineers: Kuala Lumpur, Malaysia, 2011.

139. Namdar Zanganeh, M .; Kraaijevanger, J .; Buurman, H .; Jansen, J .; Rossen, W. adjoint Berbasis Optimalisasi Proses Foam EOR. Dalam

Prosiding-13 Konferensi Eropa ECMOR di Matematika Oil Recovery, Biarritz, Prancis, September 10-13 2012.

140. Mehos, GJ; Ramirez, WF Penggunaan Teori Kontrol Optimal Optimalkan Karbon Dioksida terlarut campur-Banjir Enhanced Oil Recovery. J. Pet. Sci.

Eng. 1989, 2, 247-260.

141. Shurong, L .; Yang, L .; Xiaodong, Z .; Qiang, Z. Optimal Kontrol Penyelesaian Polimer Banjir Berdasarkan Algoritma Genetika Hybrid. Dalam Prosiding

IEEE Conference 2010 tanggal 29 Cina Control (CCC), Beijing, Cina, 29-31 Juli 2010; pp. 5194-5198.

142. Hui, Z .; Yang, L .; Lin, C. Sebuah model matematika kuantitatif untuk fl polimer banjir yang variasi air-potong.

Membelai. Explor. Dev. 2010, 37, 737-742.

143. Ali Ahmadi, M .; Zendehboudi, S .; Lohi, A .; Elkamel, A .; Chatzis, I. Reservoir permeabilitas prediksi oleh jaringan saraf dikombinasi algoritma genetika

hibrida dan swarmoptimization partikel. Geophys. Prospek.

2013, 61, 582-598.

144. Sayyad, H .; Manshad, AK; Rostami, H. Penerapan algoritma optimasi hybrid saraf partikel swarm untuk prediksi MMP. Bahan bakar 2014, 116, 625-633.

145. Gates, saya .; Chakrabarty, Optimasi N. uap dibantu drainase gravitasi di McMurray waduk. J. Can. Membelai. Technol. 2006, 45, 54-62.

146. Zhao, DW; Wang, J .; Gates, ID Dioptimalkan pelarut dibantu traps flooding strategi untuk pemulihan dari reservoir minyak berat tipis. Bahan bakar 2013, 112, 50-59.

147. Yong, LJ; Liu, MJ; Hanqiao, parameter injeksi ZWJ Mengoptimalkan polimer flooding di lepas pantai ladang minyak fi dengan menggabungkan Model

pengganti dan algoritma genetika. China Offshore Oil Gas 2012, 4, 009.

148. Lei, Y .; Li, S .; Zhang, X .; Zhang, Q .; Guo, L. kontrol optimal dari polimer flooding berdasarkan mixed-integer pemrograman dinamis berulang. Int. J.

Kontrol 2011, 84, 1903-1914.

149. Ekkawong, P. Multiobjective Desain dan Optimasi Polimer Kinerja Banjir. Ph.D. Tesis, Texas A & MUniversity, College Station, TX, USA, 2013.

150. Al-Gosayir, M .; Babadagli, T .; Leung, Optimasi JYW dari Solvent Additive SAGD Aplikasi menggunakan Teknik Optimasi Hybrid. Dalam Prosiding SPE

Enhanced Oil Recovery Conference, Kuala Lumpur, Malaysia, 19-21 Juli 2011; Society of Petroleum Engineers: Kuala Lumpur, Malaysia, 2011.

151. Emera, MK; Sarma, HK Penggunaan Algoritma Genetika untuk Memprediksi Minimum miscibility Tekanan (MMP) Antara Flue Gas dan Minyak di

Desain Proyek Injeksi Gas Buang. Dalam Prosiding SPE Timur Tengah Minyak dan Gas Show dan Konferensi, Kerajaan Bahrain, 12-15 Maret 2005;

Kerajaan Bahrain Society of Petroleum Engineers: Kerajaan Bahrain 2005.

152. Dehghani, SM; Sefti, MV; Ameri, A .; Kaveh, NS Minimummiscibility tekanan prediksi berdasarkan pada algoritma genetika saraf hibrida. Chem. Eng.

Res. Des. 2008, 86, 173-185.

153. Chen, S .; Li, H .; Yang, D .; Tontiwachwuthikul, P. Optimal desain parametrik untuk air bolak-gas (WAG) proses dalam CO 2- larut flooding waduk. J.

Can. Membelai. Technol. 2010, 49, 75-82.

154. Sen, R. Bioteknologi dalam pemulihan minyak bumi: The mikroba EOR. Prog. Energi membakar. Sci. 2008, 34,

714-724.

155. Horowitz, B .; Guimarães, LJDN; Dantas, V .; Afonso, SMB A yang efisien algoritma optimasi global yang bersamaan diterapkan strategi injeksi

polymer. J. Pet. Sci. Eng. 2010, 71, 195-204.

proses 2017, 5, 34 25 dari 25

156. Jones, DR A taksonomi metode optimasi global yang didasarkan pada permukaan respon. J. Glob. Optim. 2001,

21, 345-383.
157. Dixon, T .; Yamaji, K .; van t Veld, K .; Mason, CF; Leach, A. Ekonomi CO 2 Pengasingan melalui

Enhanced Oil Recovery. Energi Proc. 2013, 37, 6909-6919.

158. Jahangiri, HR; Zhang, D. Ensemble berdasarkan co-optimalisasi penyerapan karbon dioksida dan enhanced oil recovery. Int. J. Greenh. gas Kontrol 2012,

8, 22-33.
159. Chen, Y .; Oliver, DS Ensemble Berbasis Closed-loop Optimasi Terapan untuk Brugge Field. SPE Reserv.

Eval. Eng. 2010, 2013, 56-71.

160. Rwechungura, RW; Suwartadi, E .; Dadashpour, M .; Kleppe, J .; Foss, BA The Norne Lapangan Kasus-A Unik Perbandingan Studi Kasus. SPE Intell.

Energi Conf. Exhib. 2013, doi: 10,2118 / 127.538-MS.

161. Rwechungura, R .; Bhark, E .; Miljeteig, OT; Suman, A .; Kourounis, D .; Foss, B .; Hoierand, L .; Kleppe, J. Hasil Pertama Norne Lapangan Kasus

Sejarah Matching dan Optimasi Pemulihan Menggunakan Produksi dan Data Seismik 4D. Dalam Prosiding Konferensi Tahunan SPE teknis dan

Pameran, San Antonio, TX, USA, 8-10 Oktober 2012; Society of Petroleum Engineers: San Antonio, TX, USA, 2012.

162. Chen, Y .; Oliver, DS Sejarah pencocokan dari model lapangan penuh Norne dengan halus ensemble berulang.

SPE Reserv. Eval. Eng. 2014, 17, 244-256.

163. Suman, A .; Fernández-Martínez, JL; Mukerji, T. Bersama Pembalikan dari Time-Lapse Seismik dan Data Produksi untuk Norne Field. Dalam Prosiding

Pertemuan 2011 SEG Tahunan, San Antonio, TX, USA, September 18-23 2011; Masyarakat Ahli Geofisika Eksplorasi: San Antonio, TX, USA, 2011.

164. Hedengren, JD; Shishavan, RA; Powell, KM; Edgar, TF nonlinear modeling, estimasi dan kontrol prediktif di APMonitor. Comput. Chem. Eng. 2014, 70, 133-148.

165. Cao, F. Pengembangan Dua Tahap Arus Ditambah. Ph.D. Disertasi, University of Texas di Austin, Austin, TX, USA, 2014.

©c 2017 oleh penulis; lisensi MDPI, Basel, Swiss. Artikel ini adalah artikel akses terbuka didistribusikan di bawah persyaratan
dan ketentuan Creative Commons Atribusi (CC-BY) lisensi (http://creativecommons.org/licenses/by/4.0/).