Построение адаптивных гидродинамических моделей пониженного порядка на основе метода POD-DEIM
https://doi.org/10.18599/grs.2023.4.4
Аннотация
Предложен метод построения адаптивных гидродинамических моделей пониженного порядка POD-DEIM для задач оптимизации разработки и адаптации к историческим данным, основанный на адаптации базисов ортогональных разложений к изменяющейся конфигурации модели. Метод предполагает использование информации, содержащейся в базисах исходной модели, и дополнение их новыми компонентами вместо построения последующих моделей с нуля. Применение адаптации базисов позволяет существенно снизить вычислительные затраты на построение моделей пониженного порядка и открывает возможность применения подобных моделей для задач, требующих множественных расчетов моделей с различными конфигурациями. В работе реализована модель POD-DEIM для задачи двухфазной фильтрации и рассмотрены примеры адаптации данной модели к изменениям конфигурации скважин и геологических свойств коллектора. Предложен обобщенный подход применения моделей POD-DEIM в комбинации с методом адаптации базисов для решения оптимизационных задач, таких как оптимизация разработки, выбор оптимальных расположения, геометрии и режима скважин, а также адаптация гидродинамических моделей к историческим данным.
Ключевые слова
гидродинамическое моделирование,
модели пониженного порядка,
оптимизация разработки,
адаптация к историческим данным
При поддержке: Работа поддержана Министерством науки и высшего образования Российской Федерации по соглашению № 075-10-2022-011 в рамках программы развития НЦМУ
Об авторах
Д. С. Волосков
Сколковский институт науки и технологий
Россия
Россия
Дмитрий Сергеевич Волосков – инженер-исследователь
121025, Москва, Большой бульвар 30, стр. 1
Д. А. Коротеев
Сколковский институт науки и технологий
Россия
Россия
Дмитрий Анатольевич Коротеев – кандидат физ.-
мат. наук, профессор
121025, Москва, Большой бульвар, 30, стр. 1
Список литературы
1. Cardoso M. A. (2010). Use of Reduced-Order Modeling Procedures for Production Optimization. SPE Journal, 15(2010), pp. 426–435. https://doi.org/10.2118/119057-PA
2. Chaturantabut S., Sorensen D.C. (2010). Nonlinear Model Reduction via Discrete Empirical Interpolation. SIAM Journal on Scientific Computing, 32(5), pp. 2737–2764. https://doi.org/10.1137/090766498
3. Efendiev Y., Gildin E., Yang Y. (2016). Online Adaptive Local-Global Model Reduction for Flows in Heterogeneous Porous Media. Computation, 4(2), 22. https://doi.org/10.3390/computation4020022
4. Fanchi J. R. (2018). Principles of applied reservoir simulation (Fourth edition). Gulf Professional Publishing, Elsevier. https://doi.org/10.1016/C2017-0-00352-X
5. Fraces C.G., Papaioannou A., Tchelepi H. (2020). Physics Informed Deep Learning for Transport in Porous Media. Buckley Leverett Problem. ArXiv:2001.05172. http://arxiv.org/abs/2001.05172
6. Gasmi C. F., Tchelepi H. (2021). Physics Informed Deep Learning for Flow and Transport in Porous Media. ArXiv:2104.02629. http://arxiv.org/abs/2104.02629
7. He J., Sætrom J., Durlofsky L.J. (2011). Enhanced linearized reducedorder models for subsurface flow simulation. Journal of Computational Physics, 230(23), pp. 8313–8341. https://doi.org/10.1016/j.jcp.2011.06.007
8. Illarionov E., Temirchev P., Voloskov D., Kostoev R., Simonov M., Pissarenko D., Orlov D., Koroteev D. (2022). End-to-end neural network approach to 3D reservoir simulation and adaptation. Journal of Petroleum Science and Engineering, 208, 109332. https://doi.org/10.1016/j.petrol.2021.109332
9. Jansen J.D., Durlofsky L.J. (2017). Use of reduced-order models in well control optimization. Optimization and Engineering, 18(1), pp. 105–132. https://doi.org/10.1007/s11081-016-9313-6
10. Jin Z.L., Liu Y., Durlofsky L.J. (2020). Deep-learning-based surrogate model for reservoir simulation with time-varying well controls. Journal of Petroleum Science and Engineering, 107273. https://doi.org/10.1016/j.petrol.2020.107273
11. Kani J.N., Elsheikh A.H. (2017). DR-RNN: A deep residual recurrent neural network for model reduction. ArXiv:1709.00939. http://arxiv.org/abs/1709.00939
12. Kani J.N., Elsheikh A.H. (2018). Reduced-Order Modeling of Subsurface Multi-phase Flow Models Using Deep Residual Recurrent Neural Networks. Transport in Porous Media, (126), pp. 713–741 https://doi.org/10.1007/s11242-018-1170-7
13. Kunisch K., Volkwein S. (2003). Galerkin Proper Orthogonal Decomposition Methods for a General Equation in Fluid Dynamics. SIAM Journal on Numerical Analysis, 40(2), pp. 492–515.
14. Monteagudo J.E.P., Firoozabadi A. (2004). Control-volume method for numerical simulation of two-phase immiscible flow in two- and threedimensional discrete-fractured media. Water Resources Research, 40(7). https://doi.org/10.1029/2003WR002996
15. Pacheco T.B., Silva A.F.C.D., Maliska C. (2017). Comparison of impes, sequential, and fully implicit formulations for two-phase flow in porous media with the element-based finite volume method. Rewienski M., White J. (2003). A trajectory piecewise-linear approach to model order reduction and fast simulation of nonlinear circuits and micromachined devices. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 22(2), pp. 155–170. https://doi.org/10.1109/TCAD.2002.806601
16. Tan X., Gildin E., Florez H., Trehan S., Yang Y., Hoda N. (2019). Trajectory-based DEIM (TDEIM) model reduction applied to reservoir simulation. Computational Geosciences, 23(1), pp. 35–53. https://doi.org/10.1007/s10596-018-9782-0
17. Temirchev P., Simonov M., Kostoev R., Burnaev E., Oseledets I., Akhmetov A., Margarit A., Sitnikov A., Koroteev D. (2020). Deep neural networks predicting oil movement in a development unit. Journal of Petroleum Science and Engineering, 184, 106513. https://doi.org/10.1016/j.petrol.2019.106513
18. Trehan S., Durlofsky L.J. (2016). Trajectory piecewise quadratic reduced-order model for subsurface flow, with application to PDE-constrained optimization. Journal of Computational Physics, 326, pp. 446–473. https://doi.org/10.1016/j.jcp.2016.08.032
19. Voloskov D., Pissarenko D. (2021). Adaptive POD-Galerkin Technique for Reservoir Simulation and Optimization. Mathematical Geosciences, 53, pp. 1951–1975. https://doi.org/10.1007/s11004-021-09958-6
20. Yang Y., Ghasemi M., Gildin E., Efendiev Y., Calo V. (2016). Fast Multiscale Reservoir Simulations With POD-DEIM Model Reduction. SPE Journal, 21(06), pp. 2141–2154. https://doi.org/10.2118/173271-PA
21. Young L. C. (1981). A Finite-Element Method for Reservoir Simulation. Society of Petroleum Engineers Journal, 21(01), pp. 115–128. https://doi.org/10.2118/7413-PA
Рецензия
Для цитирования:
Волосков Д.С., Коротеев Д.А. Построение адаптивных гидродинамических моделей пониженного порядка на основе метода POD-DEIM. Георесурсы. 2023;25(4):69-81. https://doi.org/10.18599/grs.2023.4.4
For citation:
Voloskov D.S., Koroteev D.A. Construction of adaptive reduced-order reservoir models based on POD‑DEIM approach. Georesursy = Georesources. 2023;25(4):69-81. (In Russ.) https://doi.org/10.18599/grs.2023.4.4
Просмотров:
126
.png){kind=logo}
Послать статью по эл. почте 