Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
SPE 95456
Desain Efisien Studi Simulasi Reservoir untuk Pengembangan dan Optimasi
S. Kalla, SPE, dan CD White, SPE, Louisiana State U.
Hak Cipta 2005, Perhimpunan Insinyur Perminyakan
Makalah ini disiapkan untuk dipresentasikan pada Konferensi dan Pameran Teknis Tahunan SPE
2005 yang diadakan di Dallas, Texas, AS, 9 – 12 Oktober 2005.
Makalah ini dipilih untuk dipresentasikan oleh Komite Program SPE setelah meninjau informasi
yang terkandung dalam proposal yang diajukan oleh penulis. Isi makalah, sebagaimana
disajikan, belum ditinjau oleh Society of Petroleum Engineers dan dapat dikoreksi oleh penulis.
Materi, sebagaimana disajikan, tidak mencerminkan posisi apa pun dari Society of Petroleum
Engineers, pejabatnya, atau anggotanya. Makalah yang dipresentasikan pada pertemuan SPE
tunduk pada tinjauan publikasi oleh Komite Editorial Society of Petroleum Engineers. Dilarang
memperbanyak, mendistribusikan, atau menyimpan secara elektronik setiap bagian dari
makalah ini untuk tujuan komersial tanpa persetujuan tertulis dari Society of Petroleum
Engineers. Izin untuk mereproduksi dalam bentuk cetak dibatasi untuk proposal tidak lebih dari
300 kata; ilustrasi tidak boleh disalin. Proposal harus berisi pengakuan yang jelas tentang di
mana dan oleh siapa makalah itu disajikan. Tulis Pustakawan, SPE, PO Box 833836, Richardson,
TX 75083-3836, AS, faks 01-972-952-9435.
Abstrak
Studi pengembangan mengkaji pentingnya parameter
geologi, teknik, dan ekonomi untuk merumuskan dan
mengoptimalkan rencana produksi. Jika ada banyak faktor,
studi ini sangat mahal kecuali jika simulasi berjalan dipilih
dan dianalisis secara efisien.
Desain eksperimental dan model respons dapat meningkatkan
efisiensi studi, dan telah banyak diterapkan dalam rekayasa reservoir.
Untuk memperkirakan respons reservoir minyak dan gas nonlinier
secara akurat, desain harus mempertimbangkan faktor di lebih dari
dua tingkat, bukan hanya nilai tinggi dan rendah. Namun, desain
bertingkat memerlukan banyak simulasi, terutama jika banyak faktor
yang dipertimbangkan. Desain faktorial parsial dan desain campuran
lebih efisien daripada faktorial penuh, tetapi desain faktorial parsial
bertingkat sulit untuk dirumuskan dan belum digunakan dalam
rekayasa reservoir.
Array ortogonal dan array hampir ortogonal menyediakan
properti desain yang diperlukan dan dapat menangani banyak faktor.
Array ini menjangkau ruang desain dengan proses yang lebih sedikit,
dapat dimanipulasi dengan mudah, dan sesuai untuk eksperimen
komputer.
Metode yang diusulkan telah diterapkan pada model sumur gas
dengan water coning. Sebelas geologi divariasikan sambil
mengoptimalkan tiga faktor rekayasa (total empat belas faktor).
Sebuah array hampir ortogonal ditentukan dengan tiga tingkat untuk
delapan faktor dan empat tingkat untuk enam faktor geologi dan
teknik yang tersisa. Desain yang diusulkan membutuhkan 36
simulasi dibandingkan dengan 4 6 × 38 = 26.873.856 berjalan penuh
desain faktorial.
Permukaan respons kriged dapat memperkirakan hubungan
antara parameter dan respons; ini dibandingkan dengan
permukaan regresi polinomial. Permukaan respons polinomial
digunakan untuk mengoptimalkan panjang penyelesaian, tekanan kepala
tabung, dan diameter tabung untuk sumur penetrasi sebagian di reservoir
gas dengan sifat yang tidak pasti.
Dibandingkan dengan faktorial penuh dan parsial, desain array yang
hampir ortogonal meningkatkan fleksibilitas, membutuhkan lebih sedikit
simulasi, dan menghasilkan model respons yang lebih akurat. Dengan
demikian, susunan ortogonal memungkinkan pengoptimalan yang lebih
efisien dan penilaian sensitivitas dan ketidakpastian secara langsung.
Kompleksitas Studi Waduk
Studi reservoir memerlukan integrasi sifat geologi reservoir,
strategi pengeboran dan produksi, dan parameter ekonomi.
Integrasi itu kompleks, karena parameter seperti
permeabilitas, harga gas, dan saturasi fluida tidak pasti.
Ketidakpastian permeabilitas, misalnya, dapat disebabkan oleh
prediksi di lokasi yang tidak diketahui dari data seismik yang
tidak tepat. Jarangnya data sumur yang tepat, data seismik
yang tidak tepat, dan ketidakpastian korelasi spasial membuat
estimasi di sebagian besar lokasi reservoir menjadi tidak pasti.
Dalam keputusan eksplorasi dan produksi, alternatif seperti
penempatan sumur, strategi drainase, pengangkatan buatan, dan
investasi modal harus dievaluasi. Studi pengembangan memeriksa
alternatif ini dan parameter geologi, teknik, dan ekonomi yang
tidak pasti untuk merumuskan dan mengoptimalkan rencana
produksi.1 Akibatnya, studi reservoir mungkin memerlukan banyak
simulasi untuk mengevaluasi efek variabel pada ukuran kinerja
reservoir seperti nilai sekarang bersih dan waktu terobosan.
Meskipun pertumbuhan memori dan kecepatan komputasi
eksponensial, komputasi solusi akurat masih mahal, sehingga
mungkin tidak layak untuk mempertimbangkan semua model
alternatif.
Dengan demikian, simulasi berjalan harus dipilih dan
dianalisis seefisien mungkin. Sebuah metode statistik yang
disebut desain eksperimen mengatasi masalah ini. Desain
eksperimental dan model respons telah diterapkan dalam
teknik dan sains2-4 ke
• Minimalkan biaya komputasi dengan memilih rangkaian simulasi
yang lebih kecil namun representatif secara statistik untuk
memprediksi respons (misalnya, pemulihan)
• Mengurangi kesalahan yang diharapkan yang disebabkan oleh penggunaan model
simulasi yang tidak optimal
• Evaluasi sensitivitas faktor terhadap respons menggunakan analisis
sensitivitas
• Menerjemahkan ketidakpastian dalam faktor input menjadi ketidakpastian dalam
kinerja yang diprediksi menggunakan analisis ketidakpastian
2 SPE 95456
• Perkirakan nilai informasi untuk memfokuskan sumber daya pada
pengurangan ketidakpastian dalam faktor-faktor yang paling signifikan akan
mengurangi ketidakpastian dan membantu optimalisasi faktor-faktor
rekayasa
Merancang dan Menganalisis Studi Reservoir
Desain eksperimental dan model respons menggunakan interpolasi
untuk meminimalkan jumlah simulasi yang diperlukan untuk tingkat
akurasi dan inferensi tertentu. Dengan menggunakan hasil simulasi,
interpolasi memprediksi kombinasi tanggapan untuk faktor
reservoir tidak disimulasikan.
Kombinasi faktor yang disimulasikan harus terpilih
untuk mengisi ruang multidimensi. Tugas kritis memilih
kombinasi faktor disebut desain eksperimen atau
desain eksperimental.
Desain eksperimental. Serangkaian eksperimen dan kombinasi faktor
yang terkait disebut desain. Idealnya, desain harus mencakup ruang
faktor sepenuhnya dengan kemungkinan berjalan sesedikit mungkin;
desain yang baik juga akan menyederhanakan perhitungan model
respon.
Desain klasik dari statistik eksperimental bersifat ortogonal dan
dapat diputar.6 Desain tersebut dimaksudkan untuk memperoleh
model dan sensitivitas perkiraan. Di sisi lain, Monte Carlo dan metode
terkait adalah metode pengambilan sampel (juga disebut desain dalam
literatur karena mereka juga merupakan kumpulan eksperimen);
mereka dimaksudkan untuk memperkirakan statistik respons daripada
memodelkan respons.7
Dalam aplikasi statistik, desain faktorial dua tingkat klasik atau
ruang yang mengisi hypercube Latin11 desain (metode pengambilan
sampel yang dapat digunakan sebagai desain untuk kriging) sering
digunakan. Untuk memperkirakan respons reservoir minyak dan gas
nonlinier secara akurat, desain harus mempertimbangkan faktor pada
lebih dari dua tingkat, bukan hanya nilai tinggi dan rendah seperti
dalam desain faktorial dua tingkat.12 Desain tingkat tinggi dapat
menghubungkan respons dan faktor secara lebih akurat dengan
menggunakan efek tingkat tinggi dalam regresi polinomial. Namun,
desain bertingkat meningkatkan beban komputasi karena
membutuhkan lebih banyak simulasi; ini sangat penting jika banyak
faktor yang dipertimbangkan.
Alternatif untuk desain faktorial penuh multilevel
mencakup faktorial parsial dan variasi jumlah level yang
digunakan per faktor (desain level campuran). Sayangnya,
desain faktorial parsial multilevel campuran sulit untuk
dirumuskan dan belum digunakan dalam rekayasa reservoir.
Array ortogonal dan array hampir ortogonal memberikan
properti desain yang diinginkan dan dapat menangani banyak
parameter.13, 14 Array ini menjangkau ruang desain dengan proses
yang lebih sedikit, dapat dimanipulasi dengan mudah, dan sesuai
untuk analisis eksperimen komputer. Array ortogonal tingkat
campuran juga dapat dihasilkan, dan mereka adalah desain yang
baik untuk studi simulasi reservoir (Array Ortogonal, nanti).
Seleksi Desain Eksperimental. Dalam eksperimen komputer yang mencakup
ruang desain sambil menyederhanakan konstruksi permukaan respons adalah
faktor penentu untuk memilih desain. Poin desain yang direplikasi (seperti dalam
CCD dan banyak desain Box-Behnken) tidak memberikan akurasi ekstra dalam
eksperimen komputer atau memungkinkan perkiraan kesalahan yang lebih baik.
Desain tiga atau lima tingkat
seperti CCD dan Box-Behnken mungkin memerlukan proses
sebanyak dua tingkat desain faktorial penuh jika ada lebih dari
sekitar 5 faktor Desain penyaringan Plackett-Burman harus
digunakan hanya jika situasi pembaur diketahui (atau dapat
dianggap tidak penting ).
Masalah desain lainnya adalah memilih desain jenuh,
yang menghitung n koefisien regresi dari n berjalan. Garpu
    k   
faktor dan Q interaksi  Q , ada n =1 + k + q
    2  
koefisien yang akan diestimasi. Secara umum, desain jenuh
sulit didapat dari desain CCD dan Box-Behnken.
Array Ortogonal. Array ortogonal menawarkan pendekatan
alternatif. Array ortogonal adalah bentuk umum dari sampling
hypercube Latin.23 Array ortogonal berbagi properti tertentu yang
diinginkan dengan hypercubes Latin sambil memungkinkan
properti statistik tambahan yang diinginkan untuk
diimplementasikan. Yang paling penting adalah bahwa di bawah
model tertentu mereka secara universal optimal untuk estimasi
beberapa atau semua efek yang muncul dalam model.
Array ortogonal (OA) adalah struktur kombinatorial yang
memiliki bilangan bulat non-negatif sebagai elemen. Sejak
diperkenalkan, matriks desain ini telah banyak digunakan dalam
statistik, terutama untuk desain eksperimental.24
Array ortogonal adalah n×k kumpulan elemen dalam n
baris dan k kolom di mana Sayath kolom memiliki SSaya tingkat. NS
n×k array memiliki semua set T kolom dengan jumlah baris
yang sama dengan permutasi elemen yang sama. Sifat desain
mirip dengan desain faktorial fraksional, yang menunjukkan
bahwa desain OA adalah desain faktorial fraksional; misalnya,
desain Plaket-Burman adalah OA. Sebuah OA dicampur jika
tingkat faktor yang berbeda (atau kolom) berbeda. Makalah ini
menggunakan notasi OA dari Hedayatdkk.24
Untuk desain campuran notasi diikuti
isOA (n, k , s k1 S k2 K S k3 ), di mana k = k1 + k 2 +K + k Q .
Di Sini, n harus sama denganλ ST di mana λ disebut indeks array
ortogonal. Array kekuatant >2 membutuhkan ukuran sedang n dan
karenanya tampaknya kurang praktis saat ini tetapi desain
kekuatan yang lebih tinggi menghasilkan model yang lebih baik.
Kekuatan terkait dengan resolusi dan sifat proyeksi desain24.
Kekuatan sama dengan resolusi dikurangi satu. Kekuatan yang
lebih tinggi berarti resolusi yang lebih tinggi dan efek yang
membingungkan serta interpretasi yang lebih sederhana.
Terkadang OA yang tersedia untuk serangkaian faktor dan
kombinasi level dapat memiliki jumlah yang sangat besar
eksperimen. Misalnya, OA (18 , 9 , 21 3 8 , 2) mungkin
dicari, tetapi hanya OA (36,14, 36 4 8 , 2) saat ini tersedia. Di dalam
beberapa kasus, untuk satu set level dan faktor tidak ada OA,
misalnya, OA (36 ,14 , 3 6 4 8 , 2) . Dalam kondisi seperti itu hampir
orthogonal array (NOA) dapat digunakan. Misalnya, desain
NOA (36,14, 3 6 4 8 , 2 ) dan NOA (18 , 9 , 2 1 3 8 , 2) adalah
mungkin. Juga, jumlah run dapat dikurangi dengan
penggunaan desain yang hampir ortogonal daripada desain
OA. Dalam desain NOA, kolom tidak ortogonal, yang akan
menyebabkan korelasi koefisien regresi. Pada penelitian ini
digunakan algoritma untuk menghitung desain OA dan NOA
berdasarkan optimalitas A.14
SPE 95456
Manfaat OA/NOA
• Banyak faktor yang dapat dipelajari di seluruh wilayah yang
direntang oleh faktor kontrol.
• Penghematan besar dalam upaya eksperimental dihasilkan
dari penurunan jumlah simulasi.
• Analisisnya mudah karena kolomnya ortogonal (hanya OA). OA
• adalah desain adaptif. Mengubah nilai faktor dapat
menyempurnakan desain OA, kolom (faktor) dapat dihilangkan,
dan kolom baru dapat ditambahkan. Proses sebelumnya secara
efisien digunakan kembali.24
• Rentang luas dari jumlah faktor dan tingkat per faktor dapat
digunakan, terutama dengan NOA.
• Desain penyaringan yang sangat baik dapat dihasilkan oleh dua
desain jenuh tingkat.
Model Permukaan Respon. Hubungan antara variabel input dan
respon output dapat direpresentasikan dengan menggunakan
model polinomial. Fungsi respon yang diasumsikan adalah
y = f (x1 , x2 Kxk) + ε
di mana kamu adalah nilai yang diharapkan dari respon dan x1 , x2Kxk
adalah parameter masukan. Metode ini membutuhkan pendekatan
yang sesuai untukF, umumnya merupakan model orde kedua dari
membentuk15
k k k Σβ aku j
y = β0 +ΣβSaya xsaya + Σβx Σ
2
ii saya +
saya =1 saya =1 saya =1 j> saya
Pesanan yang lebih tinggi atau urutan yang lebih rendah dari xSaya dapat diambil
untuk meniru respons y. Ketika mempertimbangkan orde pertama atau orde kedua
orde model vektor koefisien β terdiri dari set parameter yang
tidak diketahui, β dapat diperkirakan dengan menjalankan
eksperimen dan mentabulasi faktor (input) dan respons
(output). Set parameter dapat diperkirakan dengan analisis
regresi. Metode kuadrat terkecil biasanya digunakan untuk
memperkirakan koefisien regresi.16
Kriging diperiksa sebagai teknik interpolasi untuk membangun
model respon dalam makalah ini. Kriging menggunakan kombinasi
linear bobot pada titik yang diketahui untuk diinterpolasi, mirip dengan
rata-rata bobot jarak terbalik tetapi memperlakukan pengelompokan
atau redundansi data dengan lebih efektif.17 Kriging menggunakan
variogram (atau, setara, fungsi autokovarians atau autokorelasi).18
Variogram atau autokorelasi mendefinisikan kontinuitas suatu faktor
dengan lag atau jarak pisah dalam arah tertentu. Kriging memiliki
beberapa sifat penting:
• Prediksi Kriging adalah kombinasi linear tertimbang dari
pengamatan; ini membuat aplikasi berulang dari perkiraan
kriged secara komputasi menjadi efisien
• Bobot titik data di sekitarnya bergantung pada seberapa
dekat titik data lainnya. Artinya, kriging menganggap
redundansi.
• Sebagian besar metode kriging mengasumsikan stasioner
orde kedua (harapan prediksi dan varians tidak bergantung
pada lokasi titik prediksi).
• Kriging adalah interpolator yang “tepat”; perkiraan yang
diinterpolasi sama dengan pengamatan (tidak benar untuk
polinomial tak jenuh). Properti ini diinginkan untuk
eksperimen komputer, yang tidak memiliki kesalahan acak,
seperti yang ditunjukkan oleh Sacksdkk.26
3
• Jauh dari data, estimasi kriged kembali ke mean,
sedangkan polinomial tampil lebih tidak menentu.
Kriging dalam ruang faktor dimensi tinggi dibandingkan dengan
permukaan regresi menggunakan bootstrap dan jackknifing19.
Simulasi yang Dirancang untuk Masalah Pengerukan Gas
Prediksi produksi dan cadangan merupakan bagian penting dari
pengembangan dan pengelolaan reservoir. Produksi reservoir gas
yang tidak memiliki akuifer terkait relatif mudah diprediksi dengan
model analitik. Namun, pemulihan gas dari reservoir penggerak
air sulit diprediksi menggunakan solusi analitik karena masuknya
air menyebabkan gas yang terperangkap dan pengerukan air.
Banyak penelitian menyebutkan hubungan yang kompleks antara
pemulihan gas, kekuatan akuifer, sifat reservoir, dan panjang
penyelesaian.34, 35 Oleh karena itu, masalah pengerukan gas dipilih
sebagai uji yang sesuai untuk desain eksperimen, simulasi, dan
model respons.
Faktor yang Dipertimbangkan. Tabel 1 menunjukkan empat
belas faktor yang diteliti dalam penelitian ini, yaitu., sebelas
variabel geologi dan tiga teknik. Faktor rekayasa (tekanan kepala
tabung, diameter tabung, dan panjang penyelesaian) bervariasi
untuk mengoptimalkan perilaku produksi. Sebagian besar faktor
nonlinier mempengaruhi respon (Permukaan Respon Polinomial,
xSaya x J
nanti; Lampiran 1). Tiga faktor rekayasa akan disesuaikan untuk
mengoptimalkan kinerja reservoir, sedangkan faktor lainnya tidak
pasti. Faktor-faktor yang diperiksa terjadi pada komponen yang
berbeda dari model simulasi reservoir: geometri reservoir, properti
reservoir, data sumur, dan kurva permeabilitas relatif.
Rentang faktor dipilih menggunakan distribusi
probabilitas faktor. Lebih banyak level dipilih untuk faktor-faktor
yang diperkirakan paling mempengaruhi respons, terutama jika
faktor-faktor signifikan ini diharapkan memiliki efek nonlinier
(Tabel 1). Kemungkinan efek nonlinier yang signifikan kadang-
kadang dapat disimpulkan dari pemahaman tentang fisika dasar
dan solusi analitis.
Model Simulasi. Model radial dengan mekanisme
penggerak air digunakan dan model terdiri dari 26 cincin
grid radial dan 110 lapisan tanpa variasi sudut.
Untuk menangkap ketidakpastian ukuran reservoir, radius
dan ketebalan divariasikan dalam model simulasi reservoir.
Panjang zona gas,H, dijaga konstan pada 100 kaki untuk semua
simulasi (Gambar 1). Porositas, densitas, dan temperatur reservoir
juga konstan. Performa tubing terintegrasi dengan performa
reservoir sehingga tekanan tubing head dan diameter tubing
dapat divariasikan dan dioptimalkan.
Ketebalan total diperluas dengan meningkatkan ketebalan
zona air. Model kedalaman reservoir adalah 5000 ft dan tidak
divariasikan. Suhu permukaan tanah adalah 60˚F dan suhu
reservoir adalah 120̊F. Porositas zona gas adalah 25 persen. Air
yang tidak dapat direduksi, saturasi gas sisa, dan rasio
permeabilitas vertikal-horizontal bervariasi dan dianggap tidak
pasti (Tabel 1).
Berat jenis gas adalah 0,65 tanpa komponen nonhidrokarbon.
Kurva permeabilitas relatif gas-air adalah untuk sistem air-basah
dan tekanan kapiler dianggap dapat diabaikan karena kontras
yang tinggi dalam densitas gas dan air dan
4 SPE 95456
permeabilitas yang relatif tinggi dipertimbangkan dalam penelitian ini.20
Produksi dibatasi oleh tekanan kepala tubing yang konstan dan
dihentikan jika lajunya lebih rendah dari 1 MMscf/hari.
Otomatisasi. Model reservoir dibangun untuk setiap titik desain.
Setiap baris dalam array desain memilikik kolom (untuk k
parameter) dan dapat digunakan untuk menyiapkan dek data
menggunakan skrip.21 Perangkat lunak atau bahasa utilitas apa pun
yang menangani string secara efisien dapat digunakan. Program
membuat dek data dan file "termasuk" yang sesuai dengann poin
desain. Variabel berkode dalam array desain diubah skalanya menjadi
parameter dengan unit yang dibaca oleh simulator (Faktor yang
Dipertimbangkan, lebih awal). Simulator komersial digunakan.22
Setelah file data disiapkan; model dijalankan menggunakan file batch.
Tanggapan seperti faktor pemulihan atau waktu terobosan diekstraksi
dari file ringkasan.
Pembangunan Model Respon dan Studi Sensitivitas
Kompleksitas respon pemulihan gas diharapkan
memerlukan model regresi orde kedua:
k =14 k =14
Σ Σ
2
kamu
= β0 + β Saya xSaya + βx+
aku aku aku
saya =1 saya =1
Model ini termasuk satu istilah efek rata-rata, empat belas utama
efek untuk empat belas variabel, empat belas istilah kuadrat untuk
empat belas suku dan 91 (k (k - 1) 2) istilah interaksi.
Desain faktorial dua tingkat penuh untuk empat belas faktor akan
memiliki 214 (16.384) berjalan. Desain yang digunakan disini adalah desain
campuran dengan tiga (delapan faktor) dan empat (enam faktor) tingkat
faktor. Faktorial penuh untuk desain seperti itu akan lebih mahal
dengan jumlah run yang dipasang ke 3 8 × 4 6 = 26.873.856 lari.
Bahkan faktorial fraksional harus difraksinasi untuk mengurangi
run. Fraksinasi ad hoc dapat membuat pengganggu yang
kompleks dan sifat desain yang tidak diinginkan. Array ortogonal
dan array hampir ortogonal dapat membagi desain
kontrol dari presisi dan ketangguhan. A
dengan
) dipilih untuk masalah saat ini.
NOA (36,14, 3 6 4 8 , 2
Karena desain NOA yang dipertimbangkan di sini memiliki 36
run, derajat kebebasan akan memungkinkan kita hanya
memperkirakan 36 suku dalam model respons. Efek utama dan
istilah kuadrat dianggap menghasilkan permukaan regresi;
interaksi dua suku dan lebih tinggi akan dikacaukan dengan
koefisien yang diperkirakan.
Permukaan Regresi Polinomial. Regresi linier berganda
cocok dengan model permukaan respons untuk empat belas
faktor dan berbagai respons. Transformasi skor normal dari
respons meningkatkan kecocokan. Efek utama dan efek
kuadrat diperoleh (29 koefisien regresi).
Model orde kedua turunan yang tidak memiliki istilah
interaksi untuk faktor pemulihan ditunjukkan pada Lampiran
1. Koefisien faktor menentukan signifikansi faktor tersebut
karena faktor tersebut diskalakan. Permukaan respon
memberikan sensitivitas faktor (Gambar 2). Semakin curam
permukaannya, semakin sensitif faktor yang sesuai dengan
respons. Koefisien kuadrat lebih kecil dibandingkan
dengan koefisien efek utama. Untuk pemulihan gas faktor
yang paling penting adalah permeabilitas, saturasi air awal,
dan faktor koreksi non-Darcy. Pentingnya non-Darcy
faktor sangat penting, karena efek ini terjadi adalah tingkat mode,
dan efek ini sering diabaikan (atau diwakili menggunakan kulit non-
Darcy yang disamakan, yang tidak memiliki efek setara pada gas
coning).20, 25
R 2 untuk model ini ditunjukkan pada Tabel 2 tinggi tetapi
karena derajat kebebasannya kecil untuk model (jumlah
koefisien yang ditafsirkan tinggi) R2 menyesuaikan \tidak terlalu tinggi. Dalam
penelitian, model cocok dengan derajat kebebasan yang rendah; ini
mungkin itu R2 adj akan menjadi kecil. Tapi regresi
koefisien dan F menunjukkan kesesuaian yang baik.
Menghasilkan Permukaan Kriging. Interpolasi juga dilakukan dengan
menggunakan simple kriging. Membiarkanx = (x1 ….x36)T menunjukkan vektor
input dan kamu menunjukkan respon (pemulihan gas). Kemudian
y (x ) = F (x )+ z (x )
di mana F(x) diasumsikan konstan dan z(x) adalah acak
fungsi dengan mean nol, varians2 z dan korelasi R(xSaya, xJ)
antara dua z nilai pada vektor masukan xSaya dan xJ; ini dua k-
vektor dimensi pada titik yang berbeda Saya dan J.26 Di sini,
k =14Σ β aku j xSaya x ji = bentuk asumsi dari fungsi korelasi R(xSaya, xJ) adalah
Σ
(x - ) 
( )   2
36
Σ x
J Saya
1 j > saya R x Saya
, x = exp  - k =1 θk k kJ
   
di mana θ adalah k-vektor rentang korelogram eksponensial, dan
NS xSaya k dan
x J adalah
k kth komponen titik sampel xSaya dan
xJ. Karena jumlah run yang sedikit (N = 36) dan dimensi
masalah yang tinggi (k = 14) , isotropik sederhana
model (θsaya = ,∀Saya) dianggap. Sacks dan Welch5 membuat sebuah
asumsi serupa. isotropikθ diperkirakan oleh
meminimalkan perbedaan antara yang diprediksi dan yang diperkirakan
R(xSaya, xJ) menggunakan kemungkinan maksimum untuk semua perbedaan
faktor (yaitu, pasangan titik dalam desain)27, 28. Dari model yang dipasang,
prediktor tak bias linier terbaik dapat dibangun dengan:29
∧ ∧ ∧
+ R T ( x R) -1   kamu
y=β   - β 10  
0
   
di mana r(x) adalah n x 1 vektor korelasi dengan titik yang tidak
diketahui Saya dan poin desain yang diberikan oleh R(xSaya, x). Radalah
matriks korelasi dari titik-titik desain dan ∧ β 0 adalah yang paling sedikit
perkiraan kuadrat dari β0 (Gambar 3). Meneliti ketergantungan
pemulihan pada permeabilitas absolut dan saturasi air bawaan,
karena saturasi air bawaan meningkat, pemulihan akan rendah,
seperti yang diharapkan. Namun, efeknya adalahbukan linier
sebagai analisis volumetrik sederhana akan menyiratkan. Selain itu,
perubahan kecekungan sepanjang Sw sumbu menunjukkan bahwa metode
kriging dapat menghasilkan bentuk permukaan yang model kuadrat
tidak bisa. Selain itu, kesalahan pemasangan pada semua data sampel
identik dengan nol, yang masuk akal untuk serangkaian eksperimen
komputer.
Perbandingan Model Regresi. Model polinomial dan kriging untuk
pemulihan gas dievaluasi menggunakan bootstrap dan jackknifing,
masing-masing19. Metode ini memperkirakan kesalahan standar untuk
rata-rata sederhana. Di sini, contoh bootstrap dari
10.000 residu model polinomial menghasilkan estimasi kesalahan
standar 0,038. Jackknifing model kriging dari pemulihan gas
memperkirakan kesalahan standar model ini 0,142.
SPE 95456
Kesalahan standar untuk polinomial lebih kecil daripada
model kriged. Ini menyiratkan bahwa model polinomial lebih
baik untuk analisis sensitivitas dan optimasi. Hasil ini antara
lain karena koefisien bilangan yang digunakan untuk kriging
lebih kecil daripada model polinomial, terutama dengan
asumsi isotropi pada empat belas dimensi. Penggunaan model
korelasi anisotropik yang lebih rinci dapat meningkatkan hasil
kriging.
Ketidakpastian Respon Reservoir
Ketidakpastian faktor mempengaruhi keandalan fungsi respon
dan proses optimasi dalam simulasi reservoir. Analisis
ketidakpastian memperkirakan respon rata-rata dan standar
deviasi. Ketidakpastian dapat disebabkan oleh31
• kesalahan pengukuran dalam faktor-faktor seperti permeabilitas dan
permeabilitas relatif
• kesalahan upscaling dalam memperkirakan properti efektif
• memperkirakan properti reservoir di lokasi reservoir yang bias
dan sangat sedikit
• aproksimasi dan penyederhanaan dalam bangunan model
Kekokohan Estimasi Ketidakpastian. Penilaian ketidakpastian
dalam suatu model sering dilakukan dengan menggunakan
simulasi Monte Carlo. Analisis ini menerjemahkan ketidakpastian
yang ditentukan dalam faktor menjadi ketidakpastian dalam
respons dengan berbagai faktor dan respons komputasi secara
acak. Skema pengambilan sampel Quasi-Monte Carlo seperti
urutan Hammersley (HSS) dan Latin hypercubes (LHS) mengurangi
ukuran sampel yang diperlukan sambil mempertahankan banyak
sifat yang diinginkan dari simulasi Monte Carlo.10 Analisis Monte
Carlo dengan simulasi aliran skala halus akan sangat mahal,
karena jumlah sampel Monte Carlo yang dibutuhkan sekitar 104 ke
105 untuk masalah yang cukup kompleks.1
Untuk simulasi stokastik masalah reservoir gas saat ini
menggunakan urutan Hammersley sebesar 1.000 realisasi.
Simulasi kuasi-Monte Carlo menggunakan permukaan respons
dari desain NOA. Faktor-faktor yang tidak pasti diambil dari
distribusi probabilitas yang ditentukan; distribusi faktor dapat
diperkirakan dengan menggunakan data historis dan analog dan
pengetahuan tentang fisika yang mengendalikan faktor tersebut
(misalnya, proses pengendapan dan digenetik yang
mengendalikan permeabilitas). Distribusi yang disimpulkan
mungkin seragam, normal, lognormal, dan segitiga.
Simulasi ini mengungkapkan berbagai kemungkinan hasil
untuk respon (di sini, pemulihan gas) dan kemungkinan
terjadinya.
Estimasi Ketidakpastian Menggunakan Desain Berbeda. Untuk
menguji keandalan perkiraan momen pertama dan kedua respons
oleh NOA (36 ,14 , 3 6 4 8 , 2) analisis ketidakpastian diulang
menggunakan permukaan respon dari NOA (72 ,14 , 3 6 4 8 , 2)
dan NOA (108 ,14 , 3 6 4 8 , 2) . Desain NOA 108-run adalah
dihasilkan dengan menambahkan desain NOA 36-run dan 72-run,
karena ortogonal array adalah desain adaptif (menambahkan dua
desain yang dipilih dengan cermat menghasilkan desain ketiga dengan
properti statistik yang baik). Permukaan respons dari NOA 72-run
mengandung efek utama dan kuadratik seperti pada model 36-run dan
juga mencakup interaksi faktor rekayasa (kepala tubing
5
tekanan, diameter tubing, dan panjang penyelesaian). Permukaan
respons yang dihasilkan oleh NOA dengan 108 run mengandung
efek desain 72 run ditambah interaksi faktor-faktor yang
mendominasi seperti yang ditentukan dari sebelumnya, desain
yang lebih kecil (ukuran akuifer, saturasi air bawaan, dan
permeabilitas relatif air).
Model respons dari semua desain memprediksi
perolehan gas rata-rata yang serupa (Tabel 3, Gambar 4).
Perkiraan varians desain 36-run kurang dari estimasi varians 108-
run, desain tetapi rata-rata semua desain secara statistik tidak
dapat dibedakan pada tingkat kepercayaan 0,05 dalam pemulihan
gas rata-rata. Namun, perbedaan dalam standar deviasi
menunjukkan bahwa ekstrem diperkirakan jauh berbeda,
terutama antara 36 titik dan desain sampel yang lebih padat.
Karena estimasi risiko merupakan penggunaan penting dari
pemodelan reservoir, beberapa pemeriksaan konvergensi harus
dilakukan untuk model respon, seperti halnya Monte Carlo
konvensional memerlukan tes konvergensi.
Hasil Tes Konvergensi Quasi-Monte Carlo. Eksperimen
numerik membandingkan rata-rata sampel, simpangan
baku, dan kemiringan dari sampel independen Monte
Carlo, LHS, dan HSS dengan 5, 10, 50, 100, 500, dan
1000 run. HSS dan LHS dibandingkan dengan Monte
Carlo untuk distribusi yang berbeda termasuk distribusi
seragam, segitiga, normal, log-normal, dan beta. Pada
Gambar 5, distribusi input adalah distribusi beta dan
properti yang diperhatikan adalah varians. LHS dan HSS
mencapai karakteristik yang dibutuhkan dalam putaran
yang lebih sedikit daripada Monte Carlo. Karakteristik
penting lainnya adalah bahwa ketika jumlah run
meningkat, HSS dan LHS konvergen ke nilai aktual
secara monoton, tetapi di Monte Carlo properti yang
diestimasi berosilasi di sekitar nilai yang diharapkan,
sehingga sulit untuk mendeteksi konvergensi. Untuk
kasus dengan hanya 30 atau 50 titik sampel,
Hypercube Latin sangat efisien dalam mengisi ruang satu
dimensi tetapi deret Hammersley menggunakan perbedaan
dalam penempatan n poin di k-hypercube dimensi secara
efisien. Properti multi-dimensi sangat penting dan kumpulan
poin Hammersley mengisi hyperspace tidak seperti Monte
Carlo dan hypercube Latin. Kalgnanam dan Diwekar10
memberikan perbandingan kinerja sampling HSS dengan LHS
dan Monte Carlo. Ditemukan bahwa teknik HSS setidaknya
3-100 kali lebih cepat daripada teknik LHS dan Monte Carlo.
Pengoptimalan di bawah Ketidakpastian
Permukaan respons dapat digunakan dengan teknik optimasi
konvensional. Meskipun faktor nonlinier mempengaruhi
respon, fungsi polinomial (permukaan respon)
optimasi cepat dan sering akurat. Optimalisasi faktor rekayasa
dapat mencakup ketidakpastian dalam faktor geologi.
Di sini, fungsi tujuan adalah permukaan respons untuk
pemulihan gas yang diperoleh dengan regresi dari NOA 36-
lari. Ketepatan solusi optimal bergantung pada akurasi
permukaan respons, dan akurasi permukaan respons
bergantung pada pilihan desain dan parameter desain seperti
level dan jumlah run. Di bagian ini pilihan desain 36-lari untuk
6 SPE 95456
menghasilkan permukaan respons untuk optimasi dibenarkan dengan
membandingkan optima yang diperoleh dengan 36, 72, dan 108-run desain
NOA.
Perumusan Fungsi Tujuan. Optimalisasi pemulihan gas di
bawah ketidakpastian memaksimalkan nilai yang diharapkan
dari respons ini dengan mengubah faktor rekayasa c, c∈x .21
F (c ) = ∫ F (c, )D()…….. (1)
-
Ω berjalan untuk eksperimen yang mahal, kumpulan data yang langka, 10n untuk
di mana -F (C ) adalah nilai yang diharapkan dari pemulihan gas yang
adalah fungsi dari faktor rekayasa saja C, diperoleh dengan
mengintegrasikan faktor-faktor yang tidak pasti ; ω∈ x , c
dan ω tidak berpotongan. DiferensialD() adalah sendi
kepadatan probabilitas dari faktor-faktor yang tidak pasti. Formulasi ini
(Persamaan 1) mengakui bahwa sifat reservoir seperti: kv / kH
jarang tepat; dengan merata-ratakan semua faktor yang tidak
pasti, ini memasukkan ketidakpastian ke dalam fungsi tujuan dan
mencakup nonlinier dalam semua hubungan faktor-respons. Ini
juga dapat mengatur permukaan objektif dan menghilangkan
ekstrem lokal yang tidak berarti.
Metode dan Hasil Optimasi. Jika Persamaan 1 diselesaikan
secara analitis, -F (C ) adalah persamaan orde dua tanpa
interaksi karena tidak ada istilah interaksi yang dinilai dalam
36 desain NOA. Faktor yang tidak pasti mempengaruhi tujuan
fungsi -F jika faktor-faktor yang tidak pasti berinteraksi dengan
faktor-faktor rekayasa. Karena efek kuadrat diperkirakan dalam
-F untuk permukaan respons ini adalah a
desain 36-lari,
parabola di luar angkasa C, dan mungkin memiliki optimum dalam
ruang faktor (tidak mungkin untuk model linier). Dalam studi ini,
F diperoleh dengan mengintegrasikan numerik F atas yang tidak pasti
- ditunjukkan pada bagian di atas, Latin Hypercube Sampling
ruang faktor menggunakan sampel Hammersley dan optimasi
faktor teknik menggunakan regresi nonlinier.
Optima dari 36 run dan 108 run mendekati ketiga faktor
tersebut tetapi 72 run menyimpang dari kedua model. Semua
desain memiliki optima di sekitar panjang penyelesaian penuh,
diameter tabung rata-rata sekitar 2 inci, dan tekanan kepala
tabung rendah. Hasilnya dapat dianalisis lebih lanjut
menggunakan desain lain dengan faktor teknik dan beberapa
faktor ketidakpastian penting (ukuran akuifer, saturasi air bawaan,
dan permeabilitas relatif air) di wilayah yang optimal. Rentang
awal yang tinggi untuk faktor-faktor yang dipilih untuk penelitian
ini dan sejumlah faktor membuat hampir tidak mungkin bagi
desain untuk secara tepat menemukan optima kecuali kisaran
tersebut secara adaptif disempurnakan di sekitar yang optimal.
Diskusi
Kinerja desain atau teknik pengambilan sampel tergantung pada
ukuran sampel. Semakin besar sampel, semakin akurat model
responsnya. Tetapi di luar beberapa ambang batas jumlah run,
akurasinya tidak meningkat secara signifikan. Pertanyaan umumnya
adalah: “Berapa banyak run yang ideal untuk kasus tertentu?”.
Jawabannya tergantung pada seberapa kompleks sistemnya dan
seberapa mahal biayanya. Sebagai kompleksitas sistem
meningkat, kumpulan data sampel harus lebih padat. Untuk masalah yang
memakan waktu, lebih baik menggunakan sampel yang lebih sedikit. Untuk
desain, polinomial orde kedua memiliki k = (n + 1 )(n + 2) / 2
koefisien untuk memperkirakan dan jumlah percobaan harus
setidaknya k. raksasa dkk.,32, 33 menemukan bahwa untuk regresi yang
cukup akurat, pedoman empiris yang berguna adalah sekitar 1,5k
berjalan untuk 5-10 variabel, 3k berjalan untuk 10-20 variabel, dan 4,5k
berjalan untuk 20-30 variabel.
Untuk Hypercubes Latin, Chen dan Simpson28 disarankan 3n
eksperimen yang cukup mahal, dan 3(n + 1)(n + 2) / 2 untuk
kumpulan data besar yang khas untuk eksperimen berbiaya rendah.
Hubungan ini masuk akal dan dapat diperiksa silang dengan titik sampel
seperti pada Sacksdkk.5 Hubungan ini akan sangat berguna sebagai bagian
dari antarmuka perangkat lunak.
Desain tertentu untuk jumlah putaran yang sama dapat dipilih
menggunakan D-Optimalitas atau kriteria lainnya.15 Sekumpulan dari
titik yang memaksimalkan x T X , adalah himpunan titik yang
meminimalkan varians prediksi maksimum dan juga himpunan
titik yang meminimalkan varians dari parameter yang
diestimasi.
Analisis Ketidakpastian.Pengambilan sampel untuk
penilaian ketidakpastian membutuhkan jumlah model yang
cukup besar berjalan dengan masukan sampel secara acak.
Analisis risiko stokastik membutuhkan ribuan simulasi,
terutama jika ada banyak variabel yang tidak pasti dan
distribusi respons yang akurat diperlukan. Untuk sistem
yang kompleks, biaya menjalankan begitu banyak simulasi
bisa sangat mahal. Tetapi model harus menilai berbagai
kemungkinan situasi; asumsi data yang salah dapat
menyebabkan keputusan yang buruk dan dapat berakibat
serius. Metode Monte Carlo yang dimodifikasi yang
(LHS) menggunakan pengambilan sampel bertingkat untuk
mengurangi jumlah run yang diperlukan. Urutan
Hammersley adalah alternatif deterministik yang efisien
untuk Monte Carlo yang benar dan acak.
Urutan Hammersley memiliki sifat dispersi yang lebih baik tetapi
jumlah titik yang akan dihasilkan harus ditentukan secara apriori.
Urutan perbedaan rendah (quasirandom) digunakan dalam integrasi
numerik, simulasi dan optimasi. Mereka seperti bilangan acak
terdistribusi seragam tanpa kemandirian statistik, dan dirancang untuk
memberikan lebih banyak keseragaman dalam ruang multidimensi.
Oleh karena itu, mereka seringkali lebih efisien daripada bilangan acak
dalam metode Monte Carlo multidimensi atau metode Monte Carlo
yang dimodifikasi. Sifat menarik lainnya dari HSS adalah bahwa korelasi
yang dibangun antara kolom mendekati nol tetapi dalam bahasa Latin
hypercubes korelasi yang signifikan biasanya ada di antara kolom,
menurunkan efisiensi pengambilan sampel dan membuat pemodelan
yang benar dari faktor berkorelasi menjadi lebih sulit.30 Akibatnya,
metode pengambilan sampel Hammersley dapat menjangkau k-ruang
dimensi dengan sampel yang relatif kecil tetapi masih representatif
untuk pengambilan sampel, dan memudahkan pemodelan korelasi.
Pemulihan Gas Kumulatif yang Optimal. Hasil optimasi pemulihan
gas menunjukkan bahwa permukaan respons yang dihasilkan oleh
NOA 36-run adalah desain yang efisien untuk optimasi, karena
SPE 95456
estimasi optimum dengan desain ini sangat mendekati hasil untuk
NOA dengan 108 run. Hasil optimasi pemulihan gas ini menunjukkan
bahwa sumur gas dengan sifat reservoir kerucut dan tidak pasti harus
memiliki penyelesaian melalui seluruh zona pembayaran dan tekanan
kepala tabung dijaga serendah mungkin untuk menghasilkan gas
sebanyak mungkin untuk pemulihan gas yang lebih tinggi (bukan
untuk NPV optimum, dibahas di bagian berikutnya).
Tekanan kepala tubing diskalakan ke reservoir awal
tekanan, sehingga nilai optimum adalah fungsi dari PSaya. Batas
untuk tekanan kepala bisa berupa pembatasan fasilitas dan pasir
produksi. Karena ini bukan input untuk simulasi, batas rentang
harus dipilih dengan hati-hati untuk memodelkan efek tersebut.
Diameter tabung yang lebih tinggi dioptimalkan untuk diameter di
mana pemulihan akan tinggi. Diameter yang lebih tinggi
memberikan masalah pemuatan terutama di bawah perambahan
air dan diameter yang lebih rendah mungkin memberikan
pemulihan yang lebih rendah. Hasilnya berbeda jika biaya
penanganan air, kompresi, dan tubing dimasukkan dalam fungsi
tujuan (Optimasi NPV, di bawah).
Distribusi faktor juga mempengaruhi optimasi dan
analisis ketidakpastian secara signifikan. Model distribusi
yang masuk akal sangat penting untuk hasil yang berarti.
Misalnya, evaluasi ketidakpastian alternatif menggunakan
semua distribusi faktor yang digeser ke kiri (menggunakan
distribusi segitiga). Menggunakan permukaan respons
yang dihasilkan oleh 108 run NOA dan pengambilan
sampel ulang dari distribusi faktor ini, ketidakpastian dan
hasil optimasi berubah. Cadangan rata-rata meningkat dari
41 persen menjadi 52 persen dan standar deviasi
meningkat dari 17,7 menjadi 26,9. Diameter tabung
optimal berubah dari 2 inci menjadi 2,3 inci (dua faktor lain
yang dapat dikontrol memiliki optimal yang sama seperti
sebelumnya). Analisis efek distribusi faktor tersebut dapat
digunakan untuk membenarkan sumber daya untuk data
tambahan. Sebagai contoh,
Optimasi NPV. Dalam pengembangan gas dan minyak, faktor
ekonomi seperti discount factor dan harga gas memiliki pengaruh
yang signifikan terhadap kelangsungan proyek. Faktor-faktor ini
menentukan tingkat pengembalian investasi dan juga
memberikan strategi penipisan cadangan. Faktor ekonomi harus
dipertimbangkan yang mengoptimalkan parameter produksi dan
lebih penting daripada pemulihan gas kumulatif adalah nilai
sekarang bersih (NPV) yang harus dioptimalkan. Biaya tabung,
biaya pembuangan air (Cw ), harga bensin (CG ) dan biaya
pemompaan gas dapat mengubah kondisi operasi yang optimal.
Mempertimbangkan biaya pembuangan air membuat penyelesaian
interval penuh kurang menarik, karena mereka meningkatkan produksi air
dan dapat menurunkan NPV bahkan jika pemulihan gas lebih tinggi untuk
penyelesaian interval penuh (Gambar 10). Optimalisasi NPV memberikan
panjang penyelesaian di mana pemulihan gas tinggi
(bergantung kepada CG dan tingkat diskon) dan juga biaya untuk air
pengobatan rendah (tergantung pada Cw dan tingkat diskon). Demikian
pula, biaya tubing, yang merupakan fungsi dari panjang dan diameter
tabung, dapat mengubah optimal pada Tabel 4. Biaya tabung tidak
dipengaruhi oleh tingkat diskonto karena merupakan investasi
awal. Fungsi tujuan untuk analisis ekonomi adalah permukaan
respon NPV yang diperoleh dengan regresi dengan NOA 36-run.
Biaya pengolahan air dan tingkat diskonto tahunan diasumsikan
7
masing-masing menjadi 20 sen/bbl dan 10 persen. Harga gas adalah
$4/MCF. Inflasi tahunan dalam pengolahan gas dan air diasumsikan
tiga persen. Biaya tubing dimasukkan dalam NPV, tetapi biaya tubing
saja untuk kedalaman subjek tidak secara signifikan mempengaruhi
keputusan karena biayanya kecil (kurang dari 0,1%) dibandingkan
dengan pendapatan. Namun, mengingat ketergantungan biaya
pengeboran dan penyelesaian untuk lubang sumur berdiameter lebih
besar kemungkinan akan mempengaruhi optimalisasi NPV. Plot garis
fungsi tujuan dan diameter tubing ditunjukkan pada Gambar 12.
Demikian pula, kompresi membutuhkan investasi dan biaya bahan
bakar kompresi dapat mempengaruhi
perkiraan faktor optimal, terutama Ptf. Pengaruh tekanan tubing head
terhadap fungsi objektif pada gambar 11 menunjukkan bahwa
tekanan kepala tabung terendah lebih disukai (tinggi Ptf,D berarti rendah
Ptf) untuk NPV yang lebih tinggi (juga untuk pemulihan gas) tetapi
kendala produksi praktis seperti produksi pasir dan kompresi
biaya membatasi tekanan kepala tabung yang lebih rendah.
Tekanan dan permeabilitas tidak memiliki efek kuadrat pada
respon NPV (Gambar 6) tidak seperti respon pemulihan gas (Gambar 2,
3). Tanggapan yang berbeda sensitif terhadap faktor yang berbeda;
fakta ini memperumit analisis sensitivitas. Faktor-faktor yang
mengendalikan NPV adalah permeabilitas, bentuk kurva permeabilitas
relatif, dan titik akhir permeabilitas relatif. Dukungan akuifer
meningkatkan NPV tetapi mobilitas air yang sangat tinggi dapat
menghambat nilai reservoir (bentuk pelana pada Gambar
7). Nilai rata-rata cadangan adalah 94 MM$ dan standar deviasi
adalah 22 MM$ (Gambar 8).
Pemulihan gas dan NPV berkorelasi ( = 0,77 ; Gambar 9).
Namun, untuk pemulihan gas tertentu ada banyak kemungkinan nilai
NPV. 36 titik desain yang digunakan untuk mendapatkan permukaan
respons juga ditunjukkan pada gambar 9. Untuk pemulihan gas rata-
rata 45 persen (gas di tempat,G, konstan untuk semua model), NPV
rata-rata 90 MM$ dengan standar deviasi 15 MM$. Penyebaran pada
Gambar 9 juga menyiratkan bahwa peringkat model dalam NPV tidak
akan sama dengan pemulihan gas; itu
adalah, praktik umum penamaan model sebagai "the" P10 model
mungkin menyesatkan jika lebih dari satu tanggapan dipertimbangkan.
Faktor rekayasa optimum ditunjukkan pada Tabel 5. Panjang
penyelesaian berbeda dari optimum yang diberikan pada Tabel 4 di mana
pemulihan gas kumulatif dioptimalkan. Tekanan kepala tabung yang
optimal tidak berubah dan diameter tabung sedikit berubah. Panjang
penyelesaian yang lebih rendah menurunkan tingkat gas tetapi
menurunkan produksi air dan dengan demikian biaya pembuangan.
Analisis optimasi lebih lanjut dapat mencakup desain yang
disempurnakan dengan tiga faktor utama yang tidak pasti, diameter
tabung mulai dari 1,5 hingga 2,5 inci, tekanan kepala dengan tinggi
((P - P P
Saya tf) / Saya ), panjang lihat
dmtn
seorang rekan pei (HP ) dari 0,5 menjadi 1.
Kesimpulan
Desain eksperimental membantu memeriksa perilaku
reservoir jika dipengaruhi oleh banyak faktor dalam rentang
yang luas. Rentang faktor, tingkat faktor, dan jumlah proses
dipilih tergantung pada kompleksitas model dan sifat
ketergantungan antara faktor dan respons.
Ketidakpastian dapat dinilai secara efisien menggunakan
desain eksperimental. Array ortogonal dan array hampir
ortogonal lebih efisien daripada faktorial penuh, hiperkubus
Latin, dan desain faktorial parsial lainnya. Mereka secara
signifikan mengurangi jumlah lari dibandingkan dengan
8 SPE 95456
desain tradisional seperti komposit pusat dan desain Box-Behnken. Analisis
ketidakpastian menggunakan sampling Monte Carlo dapat ditingkatkan dan
varians yang lebih baik dan prediksi rata-rata dari tanggapan dapat
diperoleh dengan menjalankan lebih sedikit menggunakan sampling
Hammersley. Pengambilan sampel Monte Carlo dan hypercube Latin yang
dimodifikasi dapat menjadi efisien dengan beberapa faktor, tetapi
Hammersley lebih baik dalam masalah dimensi tinggi.
Permukaan respons menganalisis sensitivitas respons
produksi terhadap variasi faktor. Model polinomial klasik atau
kriging berdimensi tinggi dapat digunakan untuk membuat model
respons. Boot strapping dan jackknifing memberikan perkiraan
kesalahan untuk model ini. Dalam studi saat ini, regresi polinomial
terbukti lebih baik daripada kriging untuk permukaan respons
menurut uji kesalahan kuadrat rata-rata. Estimasi kriging dapat
ditingkatkan dengan tidak mengasumsikan isotropi dalam ruang
faktor atau dengan kriging residual ke polinomial orde rendah.
Permukaan respons untuk NOA 36-lari dapat menghubungkan
respons seperti NPV atau pemulihan gas dengan parameter produksi
secara akurat. Permukaan respons memungkinkan studi optimasi,
sensitivitas, dan ketidakpastian dilakukan lebih cepat dan mudah
daripada simulasi reservoir numerik lengkap. Dengan demikian,
permukaan respons dapat menjadi alternatif yang masuk akal untuk
model numerik yang lebih mahal.
Biaya pengolahan air dan nilai sekarang bersih mengurangi
panjang penyelesaian optimal dari interval penuh untuk sumur gas,
dibandingkan dengan mengoptimalkan pemulihan gas saja.
Ucapan Terima Kasih
Pekerjaan ini didukung oleh Landmark Graphics dan Unocal. Kami juga
berterima kasih kepada Dr. Miguel Armenta atas bantuannya dalam
merumuskan model reservoir, Dr. Feng Wang atas bantuannya dengan
pemodelan respons, Dr. Hong Tang atas bimbingan MatLab, dan Dr. Ozan
Arslan atas penyediaan perangkat lunak dan saran otomatisasi.
Tata nama
PSaya tekanan awal (psia) tekanan kepala
Ptf tabung (psia) pemulihan gas akhir
GP (MMscf) gas awal di tempat (MMscf)
G pemulihan gas akhir tanpa dimensi
GpD zona gas berlubang (ft)
H 22. Peluncur Teknologi CMG, Versi 2002,1, Revisi 4, Grup
HT ketebalan zona gas (ft)
CG harga gas ($/Mscf)
Cw biaya pengolahan air ($/bbl)
HP pecahan penyelesaian (jam/jamT)
Referensi
1. Narayanan, K., Cullick, AS, Bennett, M.: “Keputusan Pengembangan
Lapangan Lebih Baik dari Multi-Skenario, Reservoir Interdependen,
Sumur, dan Simulasi Fasilitas”, SPE 79703 (2003) Putih, CD, Wills, BJ,
2. Narayanan, K. , Dutton, SP: "Mengidentifikasi Kontrol pada Perilaku
Reservoir menggunakan Simulasi yang Dirancang", SPE 62971 (2000)
3. Peng, CY, Gupta, R.: “Desain Eksperimental dan Metode Analisis
dalam Pemodelan Deterministik Berganda untuk Kuantifikasi
Kurva Distribusi Probabilitas Hidrokarbon Di Tempat”, SPE 87002
(2004)
4. Peake, WT, Abadah, M., Skander, L.: “Penilaian Ketidakpastian
menggunakan Desain Eksperimental: Waduk Minagish Oolite”
SPE 91820 (2005)
5. Sacks, J., Welch, WJ, Mitchell, TJ, Wynn, HP: "Desain dan
Analisis Eksperimen Komputer", Ilmu Statistik
(1989), 4(4), 409-435
6. Kotak, GEP, Pemburu, WG, Pemburu, JS: “Statistik untuk
Eksperimen: Pengantar Desain, Analisis Data, dan
Pembuatan ModelJohn Wiley & Sons (1978)
7. Sandor, Z., Andras, P.: “Metode Pengambilan Sampel Alternatif
untuk Mengestimasi Probabilitas Normal Multivariat”, Jurnal
Ekonometrika (2004), 120, 2, 207-234
8. Halton, JH: "Tentang Efisiensi Barisan Kuasi-Acak Tertentu dari
Poin dalam Mengevaluasi Integral Multi-Dimensi",
Matematika Numerische (1960), 2, 84–90
9. Sobol, IM: “Tentang Distribusi Poin dalam Kubus dan
Evaluasi Perkiraan Integral”, Matematika Komputasi
dan Fisika Matematika (1967), 7, 86-112.
10. Kalagnanam, JR, Diwekar, UM: “Teknik Pengambilan Sampel yang
Efisien untuk Kontrol Kualitas Off-Line”, Teknologi (1997),
39, 308 – 319
11. Aslett, R., Buck, R, J., Duvall, S, G.: “Optimasi Sirkuit melalui
Eksperimen Komputer Berurutan: Desain Penyangga Output”,
Statistik Terapan (1998), 47, 31-48
12. Box, GEP, Hunter, JS: “Desain Faktorial Pecahan 2(kp)”,
Bagian I, Teknologi (1961), 3, 311-351
13. Hedayat, AS, Sloane, NJA, John Stufken.: “Array
Ortogonal: Teori dan Aplikasi”, Seri Springer, New York
(1999)
14. Xu, H.: “Algoritma untuk Membangun Array Ortogonal dan Hampir-
Ortogonal dengan Level Campuran dan Run Kecil”,
Teknologi (2002), 44, 356-368
15. Myers, RH, Montgomery, DC: “Metodologi Permukaan
Respons: Optimasi Proses dan Produk Menggunakan
Eksperimen yang Dirancang”, New York: Wiley (1995)
16. Montgomery, DC: “Pengantar Analisis Regresi Linier
”, Wiley, New York (2001)
17. Goovaerts, P.: “Geostatistik untuk Evaluasi Sumber Daya Alam”, New
York: Oxford (1997)
18. Deutsch, CV, Jurnal, AG: “GSLIB: Pustaka Perangkat Lunak
Geostatistik dan Panduan Pengguna”, New York: Oxford (1998)
19. Efron, B., Tibshirani, R, J, “Pengantar Bootstrap”, New
York: Chapman & Hall (1993)
20. Armenta, M., Putih. CD, Wojtanowicz. AK: “Optimalisasi Panjang
Penyelesaian di Sumur Gas”, Konferensi Perminyakan
Internasional Kanada 192 (2003)
21. White, CD, Royer, SA: "Desain Eksperimental sebagai
Kerangka Studi Reservoir" SPE 79676 (2003)
Pemodelan Komputer, 1978-2002
23. McKay. MD, Conover. WJ, Beckman. RJ: “Perbandingan Tiga
Metode Pemilihan Nilai Variabel Output dalam Analisis
Output dari Kode Komputer”teknometrik
(1979), 21, 239-245
24. Hedayat, AS, Sloane, NJA, John Stufken.: “Array
Ortogonal: Teori dan Aplikasi”, Seri Springer, New York
(1999)
25. Armenta, M.:“Mekanisme dan Pengendalian Aliran Air ke
Sumur di Reservoir Gas dengan Penggerak Air Bawah”
Disertasi PhD, Louisiana State University, 2003
26. Sacks, J., Schiller, SB, Welch, W. J: "Desain untuk Eksperimen
Komputer", Teknologi (1989), 31,41-47
27. Simpson, WT, Mauery, MT, Korte, JJ, Mistree, F.:
“Perbandingan Respon Permukaan dan Model Kriging
untuk Optimasi Desain Multidisiplin”, ASME (1997)
28. Jin. R., Chen. W., Simpson, WT: "Studi Perbandingan Teknik
Metamodeling di bawah Beberapa Kriteria Pemodelan",
AIAA (2000), 4801
29. Pemodelan Informatika dan Matematika, 2002, Desain dan
SPE 95456 9

Analisis Eksperimen Komputer, Versi 2.0

30. Iman, RL, Conover, WJ: “A Distribution-Free Approach to
Inducing Rank Correlation between Input Variables”,
Komunikasi dalam Statistik (1982), Bl1 (3), 311-334
31. Narayanan, K.: “Aplikasi untuk Permukaan Respon dalam
Rekayasa Reservoir”, Tesis MS, Universitas Texas di Austin,
1999
32. Giunta, AA, Wojtkiewicz, SF, Eldred, MS: "Ikhtisar Desain
Modern Metode Eksperimen untuk Simulasi Komputer"
AIAA (2003), 0649
33. Giunta, AA, Watson, LT: “Perbandingan Teknik Pemodelan
Pendekatan: Polinomial versus Interpolasi
Model”, AIAA (1998), 4758
34. McMullan, JH, Bassiouni, ZA: “Optimasi Penyelesaian
Sumur Gas dan Praktik Produksi”, SPE 58983 (2000)
35. Valajak, M., Novakovic, D., Bassiouni, ZA: “Kelayakan Fisik
dan Ekonomis Waterflooding pada Reservoir Gas Tekanan
Rendah”, SPE 69651 (2001)

Lampiran 1 Model Sensitivitas

G pD = -0,53 + 0,21PID + 0,52Khd .34SwcD - 0,02S gcD + 0,08K rgD

+ 0,06KrwD + 0,06nwD - 0.18n gD + 0,04PtfD + 0,06DtD + 0,08Viklan

- 0,28K zD - 0,22H pD - 0,40BD + 0.11P2 ID + 0,05K 2 hd + 0,20S 2 toilet

- 0,02S 2 gcD + 0,06K 2 rgD + 0,01K 2 rwD + 0.27n 2 wD - 0,04n 2 gD

+ 0.14P2 tfD - 0.18D2 tD + 0,04V 2 ad + 0,23K 2 zD + 0,04H 2 pD

- 0.36B2 D

di mana G pD = G P / G
10 SPE 95456

Tabel

Simbol Parameter tingkat Nilai Level

PSaya Tekanan Awal (psia) 3 2000 2500 3000

KH Permeabilitas Horisontal (md) 3 1 10 100

Stoilet Saturasi Air Connate 3 0.1 0,3 0,5

Sgc Saturasi Gas Kritis 3 0.1 0.2 0,3

Krg Titik Akhir Gas 3 0.6 0.8 1.0

Krw Titik Akhir Air 3 0.2 0,3 0.4

nw Eksponen Inti Air 3 2 3 4

nG Eksponen Inti Gas 3 1 2 3

Β Koreksi Koefisien Non-Darcy 4 0.1 1 10 100

VA Ukuran Akuifer (ft) 4 100 600 1100 1600

Kz Rasio Anisotropi 4 0.1 0,3 0.6 1.0

HP Rasio Panjang Penyelesaian 4 0.1 0.4 0,7 1.0

Ptf Tekanan Kepala Tabung ((PSaya - Ptf) / PSaya ) 4 0.4 0,5 0.6 0,7

DT Diameter Tabung (dalam) 4 1.5 2.0 3.0 4.0

Tabel 1. Faktor-faktor yang Dipertimbangkan dalam Masalah Reservoir Gas

Statistik Regresi

R2 0,9464

R2adj 0,7322

F 4.418 pada 28 dan 7 DF

P(F) 0,0243

Tabel 2. Statistik Regresi untuk Pemulihan Gas

SPE 95456 11

Desain Berarti Standar Deviasi

NOA(36, 14, 3648, 2) 46 11

NOA(72, 14, 3648, 2) 44 21

NOA(108, 14, 3648, 2) 41 180

Tabel 3. Statistik Simulasi Monte Carlo untuk Pemulihan Gas

Desain
H P (jam / jamT )
Ptf (psi) D (TSaya
n )

NOA(36, 14, 3648, 2) 1.0 0,3PSaya 2.1

NOA(72, 14, 3648, 2) 1.0 0.38PSaya 1.5

NOA(108, 14, 3648, 2) 1.0 0,3PSaya 2.0

Tabel 4. Pemulihan Gas Optimal

Desain H P (jam / jamT ) Ptf (psi) DT (di dalam)

NOA(36, 14, 3648, 2) 0,57 0,3PSaya 2.3

Tabel 5. Net Present Value Optimal

12 SPE 95456

Angka

Sehat
Re 50

45
Gas H
HP
40

Pemulihan Gas
35
LW
30

Air 25

175
Rw kaki
20

26
0,65

0,57

0,48

4
0,40

0.32
k (md)

0,23

0,151
Sw (fraksi)
Gambar 1. Sketsa Model Reservoir Radial
Gambar 3. Sensitivitas Pemulihan Gas terhadap
Saturasi dan Permeabilitas Air (HyperKriging)

0.9

0.8
80
0,7
75
Probabilitas Kumulatif

0.6
70
0,5
Pemulihan Gas

MCData 36
65 0.4 MCData 72
60 0,3 MCData 108

55 2995
0.2
50 0.1

45 P (psi) 0
0 20 40 60 80 100
40 Pemulihan Gas (persen)
1 2 5 1505
10 21 46 Gambar 4. Hasil Simulasi Monte Carlo menggunakan
99
Desain NOA yang berbeda
k (md)

Gambar 2. Sensitivitas Pemulihan Gas terhadap Tekanan

dan Permeabilitas (Regresi Polinomial)
SPE 95456 13

0,018

0,016
50

0,014 45
40
Perbedaan

NPV ($ juta)
0,012
35
0,01 MC 30 0.4
LHS
HSS
25

)
0,008

an
Mengharapkan
20

cah
( pe
0,006
15
5 205 405 605 805 1005

K rw
Berlari 2 0.2
3
nw 4
Gambar 5. Menipu vergence of Variance untuk Teknik
Pengambilan Sampel yang Berbeda

Gambar 7. Sensitivitas NPV terhadap Air Relatif

Parameter Permeabilitas (Polinomial
Regresi)

90
150
80
130
70

110 60
NPV ($ juta)

50
90
Frekuensi

2995 40
70
30
50 20
P (psi)
30 10

1 2 5 1505 0
10 21 46 99 20 40 60 80 100 120 140 160

k (md) NPV ($ Juta)

Gambar 8. Hasil Simulasi Monte Carlo untuk NPV

Gambar 6. Sensitivitas NPV terhadap Tekanan
menggunakan NOA (36, 14, 3846, 2)
dan Permeabilitas (Regresi Polinomial)
14 SPE 95456

100000
200

90000
180
1000 Sampel pada Permukaan
80000
Respon 36 Poin Desain
160

70000
140

60000
120

Fungsi objektif
50000
NPV ($ Juta)

100

40000
80

60 30000

40 20000

20 10000
Optimal

0 0
0 10 20 30 40 50 60 70 80 90 0 0.1 0.2 0,3 0.4 0,5 0.6 0,7 0.8 0.9 1

Pemulihan Gas (persen) Ptf Tanpa dimensi

Gambar 11. Sensitivitas Fungsi Objektif terhadap Tubing

Gambar 9. Korelasi antara NPV dan Gas
Tekanan Kepala
Pemulihan

70000 80000

68000 70000

66000
60000

64000

50000
62000
Fungsi objektif

Fungsi objektif

60000 40000

58000
30000

56000
20000
54000

Optimal 10000
52000 Optimal

50000 0

0 0.1 0.2 0,3 0.4 0,5 0.6 0,7 0.8 0.9 1 0 0.1 0.2 0,3 0.4 0,5 0.6 0,7 0.8 0.9 1

HP Tanpa dimensi DT Tanpa dimensi

Gambar 10. Sensitivitas Fungsi Tujuan terhadap Gambar 12. Sensitivitas Fungsi Objektif terhadap Tubing
Panjang Penyelesaian Diameter