Тематический рубрикатор статей

Георесурсы T.25.№4.2023
Стр.
Скачать статью

Построение адаптивных гидродинамических моделей пониженного порядка на основе метода POD-DEIM

Д.С. Волосков, Д.А. Коротеев

Оригинальная статья

DOI https://doi.org/10.18599/grs.2023.4.4

69-81
rus.

open access

Under a Creative Commons license

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.

 

гидродинамическое моделирование, модели пониженного порядка, оптимизация разработки, адаптация к историческим данным

 

  • 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
  • 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
  • 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
  • Fanchi J. R. (2018). Principles of applied reservoir simulation (Fourth edition). Gulf Professional Publishing, Elsevier. https://doi.org/10.1016/C2017-0-00352-X
  • 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
  • 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
  • He J., Sætrom J., Durlofsky L.J. (2011). Enhanced linearized reduced-order models for subsurface flow simulation. Journal of Computational Physics, 230(23), pp. 8313–8341. https://doi.org/10.1016/j.jcp.2011.06.007
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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.
  • Monteagudo J.E.P., Firoozabadi A. (2004). Control-volume method for numerical simulation of two-phase immiscible flow in two- and three-dimensional discrete-fractured media. Water Resources Research, 40(7). https://doi.org/10.1029/2003WR002996
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  • 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
  •  

Дмитрий Сергеевич Волосков – инженер-исследователь, Сколковский институт науки и технологий
Россия, 121025, Москва, Большой бульвар 30, стр. 1
e-mail: dmitry.voloskov@skoltech.ru

Дмитрий Анатольевич Коротеев – кандидат физ.-мат. наук, профессор, Сколковский институт науки и технологий
Россия, 121025, Москва, Большой бульвар, 30, стр. 1

 

Для цитирования:

Волосков Д.С., Коротеев Д.А.(2023). Построение адаптивных гидродинамических моделей пониженного порядка на основе метода POD-DEIM. Георесурсы, 25(4), c. 69–81. https://doi.org/10.18599/grs.2023.4.4

For citation:

Voloskov D.S., Koroteev D.A. (2023). Construction of adaptive reduced-order reservoir models based on POD‑DEIM approach. Georesursy = Georesources, 25(4), pp. 69–81. https://doi.org/10.18599/grs.2023.4.4

© 2024 Коллектив авторов