KR102597540B1 - Flowline network optimization method considering gas well productivity using artificial neural network - Google Patents
Flowline network optimization method considering gas well productivity using artificial neural network Download PDFInfo
- Publication number
- KR102597540B1 KR102597540B1 KR1020180166996A KR20180166996A KR102597540B1 KR 102597540 B1 KR102597540 B1 KR 102597540B1 KR 1020180166996 A KR1020180166996 A KR 1020180166996A KR 20180166996 A KR20180166996 A KR 20180166996A KR 102597540 B1 KR102597540 B1 KR 102597540B1
- Authority
- KR
- South Korea
- Prior art keywords
- production
- flow line
- length
- flowline
- production well
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000004519 manufacturing process Methods 0.000 claims abstract description 253
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 31
- 230000007423 decrease Effects 0.000 claims description 20
- 238000013461 design Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 238000013211 curve analysis Methods 0.000 claims description 6
- 230000035699 permeability Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 64
- 230000006870 function Effects 0.000 description 44
- 238000002922 simulated annealing Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 11
- 239000012530 fluid Substances 0.000 description 8
- 230000000704 physical effect Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Geology (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 가스를 생산하는 생산정에 사용되는 파이프를 효율적으로 연결하여 보다 효율적으로 가스를 포집할 수 있는 인공신경망을 이용한 가스정 생산성을 고려한 플로우라인 네트워크 최적화 방법에 관한 것으로서, 각 생산정을 포함하는 저류층의 평균 압력을 산출하는 단계; 포집시설(Gathering Unit, GU)의 개수를 결정하는 단계; SA알고리즘을 이용하여 목적함수(objective function)가 최소가 되도록 플로우라인의 총 길이를 결정하는 단계; 상기 포집시설의 위치를 결정하는 단계; 및 상기 결정된 포집시설의 위치와 및 플로우라인의 길이에 대응하여 유동성을 고려하여 상기 GU의 위치와 플로우라인의 길이를 수정하는 단계;를 포함하여 구성되어 보다 효율적으로 가스를 포집할 수 있는 효과가 있다. The present invention relates to a flowline network optimization method considering gas well productivity using an artificial neural network that can collect gas more efficiently by efficiently connecting pipes used in production wells that produce gas, and includes each production well. Calculating the average pressure of the reservoir; Determining the number of gathering units (GU); Determining the total length of the flowline to minimize the objective function using the SA algorithm; Determining the location of the collection facility; And modifying the position of the GU and the length of the flow line in consideration of fluidity in response to the determined location of the collection facility and the length of the flow line. It is configured to include, and has the effect of collecting gas more efficiently. there is.
Description
본 발명은 인공신경망을 이용한 가스정 생산성을 고려한 플로우라인 네트워크 최적화 방법에 관한 것으로서, 더욱 상세하게는 가스를 생산하는 생산정에 사용되는 파이프를 효율적으로 연결하여 보다 효율적으로 가스를 포집할 수 있는 인공신경망을 이용한 가스정 생산성을 고려한 플로우라인 네트워크 최적화 방법에 관한 것이다. The present invention relates to a flowline network optimization method considering gas well productivity using an artificial neural network. More specifically, an artificial neural network that can collect gas more efficiently by efficiently connecting pipes used in production wells that produce gas. This is about a flowline network optimization method considering gas well productivity using .
천연가스자원은 근원암에서 이동한 탄화수소 혼합물로써 석유 매장량보다 풍부하다고 알려져 있다. 미국, 러시아 그리고 캐나다 순으로 많은 매장량을 가지고 있으며 2017년 기준으로 중국과 러시아가 난방 수요로 인해 전 세계의 1/4의 가스를 소비하고 있다. 또한, EU(Europe Union)에서도 원자력 의존도가 낮아지면서 가스 소비량이 증가하는 추세이다. Natural gas resources are a mixture of hydrocarbons migrated from source rocks and are known to be more abundant than oil reserves. The United States, Russia, and Canada have the largest gas reserves, in that order, and as of 2017, China and Russia consume a quarter of the world's gas due to heating demand. In addition, gas consumption is increasing in the European Union (EU) as dependence on nuclear energy decreases.
따라서, 가스 플랜트에 가스를 공급하는 플로우라인 네트워크 설계가 중요하다. 플로우라인 네트워크 설계의 중요성은 가스생산계획에 있어서 여러 개의 생산정을 효율적으로 연결하기 위함이다. 또한, 플로우라인 설비 자체에 막대한 비용이 발생하며 적절하지 못한 계획을 세울 때 추가적인 비용이 발생할 수 있으므로 효율적인 설계가 중요하다. 잘못된 플로우라인 설계는 가스 플랜트를 설계한 회사에 큰 손해를 발생시킬 수 있다. Therefore, the design of the flowline network that supplies gas to the gas plant is important. The importance of flowline network design is to efficiently connect multiple production wells in gas production planning. In addition, efficient design is important because the flow line facility itself incurs enormous costs and additional costs may arise when improper planning is made. Incorrect flowline design can cause great damage to the company that designed the gas plant.
플로우라인 네트워크 설계는 생산 계획이 있는 여러 개의 생산정을 네트워크 형식으로 연결하여 포집시설(Gathreing Unit ; 이하, GU로 칭함)에서 포집한 후 계약조건에 맞게 판매 플로우라인으로 연결하도록 구성된다. 이때 GU의 위치나 개수에 따라서도 비용 차이 때문에 포집 시설의 개수와 위치 또한 중요하다. Flowline network design is designed to connect multiple production wells with production plans in a network format, collect them at a collection unit (hereinafter referred to as GU), and then connect them to a sales flowline in accordance with the contract conditions. At this time, the number and location of collection facilities are also important due to cost differences depending on the location or number of GUs.
따라서 생산성을 분석한 후에 실제 생산계획을 수립할 때 장기적인 계획을 세워야 효율적인 플로우라인과 포집시설의 개수 위치를 적절하고 효율적으로 설계할 수 있다. Therefore, when establishing an actual production plan after analyzing productivity, a long-term plan must be made to design the number and location of efficient flow lines and collection facilities appropriately and efficiently.
특히, 육상 생산정에서 생산계획을 설계할 때 플로우라인 네트워크 설계를 적절하게 하는 것이 중요하다. 이는 육상 생산정을 설계 시 생산설비 비용 중 플로우라인과 GU가 많은 비중을 차지하기 때문이다. 이때, 각 생산정과 연결되는 플로우라인과 GU는 단순히 짧은 거리로 연결하는 것이 아니다. 각 생산정마다 생산 가능한 능력을 분석하고 설계해야 하며, 이에 따라 GU의 개수나 위치를 고려해야 한다. In particular, when designing a production plan in an onshore production well, it is important to design the flowline network appropriately. This is because the flow line and GU account for a large portion of the production facility costs when designing an onshore production well. At this time, the flow line and GU connected to each production well are not simply connected over a short distance. The production capacity of each production well must be analyzed and designed, and the number and location of GUs must be considered accordingly.
일반적인 플로우라인 네트워크 설계 프로그램의 경우 엔지니어가 시나리오를 구성하지만, 생산 유동성이 일어나지 않는다면 새로운 시나리오 재설계를 반복적으로 해야 한다는 문제점이 있다. 그리고 GU 개수와 위치는 생산정의 개수와 물성들과 연관성이 있는데 설계과정에서 연관성을 찾아 개수를 산출하기에는 어려움이 많다.In the case of a typical flowline network design program, engineers construct scenarios, but there is a problem that new scenarios must be redesigned repeatedly if production fluidity does not occur. In addition, the number and location of GUs are related to the number and physical properties of production wells, but it is difficult to find the correlation and calculate the number during the design process.
1950년대에 육상가스 정에서 생산할 때는 얕은 심도에 여러 지역을 시추하여 터미널로 연결하여 운송하는 방식이었다. 하지만 기술의 발달로 인해 과거에 생산되고 있는 생산정보가 깊은 층에서도 가스가 발견하였고 이를 운송하기 위해선 터미널로 직접 연결하는 것보다 여러 개의 생산정에서 나온 가스를 포집하여 하나의 플로우라인으로 연결하는 것이 비용 절감에 있어서 탁월하다고 판단하였고 1980년대에 들어 GU 투자비용이 35~40%까지 증가하였다.In the 1950s, when producing gas from onshore gas wells, the method was to drill several areas at shallow depths, connect them to terminals, and transport them. However, due to the development of technology, gas was discovered even in deep layers where production information was produced in the past, and in order to transport it, it was better to collect gas from multiple production wells and connect them to a single flow line rather than connecting directly to the terminal. It was judged to be excellent in cost reduction, and GU investment costs increased by 35-40% in the 1980s.
플로우라인의 유동 시스템을 해석하는 방법은 크게 다음의 2가지로 분류된다.Methods for analyzing the flow system of a flow line are broadly classified into the following two types.
1. 경험식모델(empirical correlation), 1. Empirical correlation,
2. 유동 역학 모델(hydrodynamic model)2. Hydrodynamic model
경험식 모델은 실험관계식을 이용해서 나온 결과를 이용하므로 적용할 수 있는 범위가 실험 규모로 국한되며, 유체의 상변화 등의 물리적 현상을 적절히 묘사하지 못하는 문제점을 지니고 있고 유동 역학 모델은 균질 유동 모델(homogeneous model), 드리프트 럭스 모델(drift-flux model), 이상 유체 모델(two-fluid) 등으로 분류되며, 균질유동 모델은 Weymouth 방정식을 이용하여 관내 유체를 단상으로 가정하여 적용하였다.Empirical models use results obtained using experimental relations, so their applicability is limited to the experimental scale and have the problem of not adequately describing physical phenomena such as phase changes in fluids, and fluid dynamics models are homogeneous flow models. It is classified into homogeneous model, drift-flux model, and two-fluid model, and the homogeneous flow model was applied using the Weymouth equation, assuming that the fluid in the pipe was a single phase.
가스전 네트워크를 구성하기 위해서는 파이프 내 유동을 분석해야 하는데 분석 중 유동 민감도 분석이 중요하다. 생산정 유동 플로우라인 방정식은 크게 1. 웨이모스(Weymouth), 2. 팬핸들(Panhandle), 3. 미국가스협회(American Gas Association, AGA) 방정식이 대표적이다.In order to construct a gas field network, the flow within the pipe must be analyzed, and flow sensitivity analysis is important during the analysis. Representative production well flow line equations are 1. Weymouth, 2. Panhandle, and 3. American Gas Association (AGA) equations.
Weymouth 방정식은 일반적인 플로우라인 유동 방정식에 적합하다. 특히 여러 개의 생산정을 시추하여 근거리 네트워크를 구성하는 데 적합하다. 그리고 육상가스전은 근거리로 네트워크를 구성하는 것이 일반적인데, 그 이유는 장거리로 구성을 하면 플로우라인의 길이가 늘어나게 되고 이는 비용의 증가로 이어진다. 플로우라인의 길이가 늘어나면 생산정에서 터미널 지점까지의 압력 손실이 일어나고 이로 인해 가스를 운송할 수 없을 수도 있다. The Weymouth equation is suitable for general flowline flow equations. It is especially suitable for forming a short-distance network by drilling multiple production wells. In addition, it is common for onshore gas fields to be networked over short distances, but if they are configured over long distances, the length of the flow line increases, which leads to an increase in costs. Increasing the length of the flowline can result in pressure loss from the production well to the terminal point, which may make it impossible to transport the gas.
2000년도 이전에는 복잡한 구조와 변수들이 있는 플로우라인 네트워크를 경험적으로 구현하였지만, 컴퓨터의 보급과 성능향상으로 인해 광역최적화 기법을 사용하여 쉽게 구현할 수 있게 되었다. 광역최적화 기법에는 대표적으로 simulated annealing(SA), genetic algorithm(GA), metropolis algorithm 등이 있는데, GA는 광역탐색이 가능해 지역 해(local minimum)가 많이 존재하는 문제에서도 뛰어난 성능을 가지고 있지만 다른 최적화 기법과 비교하여 수행 횟수가 많아 시간이 오래 걸린다는 단점이 있다. Before 2000, flowline networks with complex structures and variables were implemented empirically, but with the spread of computers and improved performance, it became possible to easily implement them using global optimization techniques. Representative global optimization techniques include simulated annealing (SA), genetic algorithm (GA), and metropolis algorithm. GA is capable of wide-area search and has excellent performance even in problems with many local minimums, but other optimization techniques Compared to , it has the disadvantage of taking a long time due to the large number of executions.
SA는 담금질을 통하여 강철을 단련하는 과정을 묘사한 알고리즘으로 변형온도(transformation temperature)까지 가열된 강철을 냉각시키면서 안정된 결정구조를 갖는 것과 목적함수의 값이 최소가 되는 최적 설계를 특성으로 만들어진 알고리즘이다.SA is an algorithm that describes the process of tempering steel through quenching. It is an algorithm created with the characteristics of having a stable crystal structure while cooling steel heated to the transformation temperature and optimal design that minimizes the value of the objective function. .
Jeff(2005)는 플로우라인 네트워크를 광역최적화 기법을 이용하여 만들었으며, Zahang(2015)는 CBM 광구에서 경제적 효율성을 증대시키기 위해 주위 생산정과 지리적 구조를 고려한 플로우라인 네크워크를 설계하였다. 하지만 1개의 GU를 입력 자료로 여러 개의 생산정을 연결하였고, 본 발명은 범위가 좁은 지역에는 활용할 수 있지만, 범위가 넓은 지역에는 여러 개의 GU가 필요할 수 있으므로 적합하지 않은 한계점이 있다.Jeff (2005) created a flowline network using regional optimization techniques, and Zahang (2015) designed a flowline network considering surrounding production wells and geographical structure to increase economic efficiency in the CBM mine area. However, one GU is used as input data to connect multiple production wells, and although the present invention can be used in a narrow area, it has a limitation in that it is not suitable for a wide area because multiple GUs may be needed.
Mohaghegh(2011)는 탄화수소 유체 생산량과 저류층 특성 및 운영 조건 인자들 사이의 상관관계를 도출하기 위해 인공지능과 데이터 마이닝의 패턴인식 분석기법을 이용한 인공지능 기반의 저류층 모사 예측모델을 제안하였는데, 위 방법을 응용하여 연관성을 분석하면 GU 개수를 산출할 수 있을 거라고 예상하였다. Mohaghegh (2011) proposed an artificial intelligence-based reservoir simulation prediction model using pattern recognition analysis techniques of artificial intelligence and data mining to derive correlations between hydrocarbon fluid production and reservoir characteristics and operating condition factors. It was expected that the number of GUs could be calculated by applying and analyzing the correlation.
따라서 본 발명은 전술한 종래기술의 문제점을 해결하기 위한 것으로서, 본 발명의 목적은 가스를 생산하는 생산정에 사용되는 파이프를 효율적으로 연결하여 보다 효율적으로 가스를 포집할 수 있는 인공신경망을 이용한 가스정 생산성을 고려한 플로우라인 네트워크 최적화 방법을 제공하기 위한 것이다. Therefore, the present invention is intended to solve the problems of the prior art described above, and the purpose of the present invention is to efficiently connect pipes used in production wells that produce gas and collect gas more efficiently using an artificial neural network. The purpose is to provide a flowline network optimization method considering productivity.
또한, 본 발명은 포집시설의 위치 및 개수를 머신러닝 기법인 인공신경망(ANN)을 통해 산출하고 광역최적화 기법인 SA를 사용하여 포집시설의 위치와 플로우라인 길이를 최소화하는 초기 네트워크 모델에 유체유동 가능 여부를 판단하기 위해 웨이모스 방정식(Weymouth equation)을 변환하여 생산정별 목표 운송량과 노달분석 결과자료를 비교하여 그 차이를 플로우 라인 길이로 환산하고 목적함수에 반영하여 모든 생산정에서 유동이 가능한 플로우라인 모델을 개발함으로써 보다 효율적이고 최적의 플로우라인을 설계할 수 있는 인공신경망을 이용한 가스정 생산성을 고려한 플로우라인 네트워크 최적화 방법을 제공하기 위한 것이다. In addition, the present invention calculates the location and number of collection facilities through artificial neural network (ANN), a machine learning technique, and uses SA, a wide-area optimization technique, to calculate the fluid flow in an initial network model that minimizes the location of collection facilities and flow line length. To determine whether it is possible, convert the Weymouth equation and compare the target transportation volume for each production well with the nodal analysis result data, convert the difference into flow line length, and reflect it in the objective function to create a flow that can flow in all production wells. The purpose is to provide a flowline network optimization method considering gas well productivity using an artificial neural network that can design a more efficient and optimal flowline by developing a line model.
상술한 목적을 달성하기 위한 본 발명의 인공신경망을 이용한 가스정 생산성을 고려한 플로우라인 네트워크 최적화 방법은, The flowline network optimization method considering gas well productivity using the artificial neural network of the present invention to achieve the above-described purpose is,
각 생산정을 포함하는 저류층의 평균 압력을 산출하는 단계; Calculating the average pressure of the reservoir including each production well;
포집시설(Gathering Unit, GU)의 개수를 결정하는 단계; Determining the number of gathering units (GU);
SA알고리즘을 이용하여 목적함수(objective function)가 최소가 되도록 플로우라인의 총 길이를 결정하는 단계; Determining the total length of the flowline to minimize the objective function using the SA algorithm;
상기 포집시설의 위치를 결정하는 단계; 및Determining the location of the collection facility; and
상기 결정된 포집시설의 위치와 및 플로우라인의 길이에 대응하여 유동성을 고려하여 상기 GU의 위치와 플로우라인의 길이를 수정하는 단계를 포함하여 구성된다. It includes the step of modifying the position of the GU and the length of the flow line in consideration of fluidity in response to the determined location of the collection facility and the length of the flow line.
상기 생산정을 포함하는 저류층의 평균 압력을 산출하는 단계는, The step of calculating the average pressure of the reservoir containing the production well is,
상기 저류층의 타겟필드(target field)의 데이터를 입력받는 단계;Receiving data of a target field of the reservoir;
각 생산정의 초기가스매장량(initial gas in place; 이하, IGIP로 칭함)을 산출하는 단계; Calculating the initial gas in place (hereinafter referred to as IGIP) of each production well;
DCA(decline curve analysis)를 이용하여 일일계약생산량(MDCQ)를 산출하는 단계; 및Calculating daily contract production quantity (MDCQ) using decline curve analysis (DCA); and
IGIP와 p/z의 그래프로 나타내고 상기 그래프 상에 생산감퇴곡선을 생성하여 상기 DCA로 산출한 누적생산량을 상기 생산감퇴곡선에 입력하고 평균압력을 산출하며 상기 생산정의 생산가능량을 산출하는 단계;를 포함하여 구성될 수 있다. A step of plotting IGIP and p/z, creating a production decline curve on the graph, inputting the cumulative production amount calculated by the DCA into the production decline curve, calculating the average pressure, and calculating the production capacity of the production well; It can be configured to include.
GU의 개수를 결정하는 단계는, The step of determining the number of GUs is:
플로우라인 설치할 현장의 생산정 자료를 입력받는 단계; 및Step of receiving production well data at the site where the flow line is to be installed; and
상기 생산정 자료를 입력으로 하여 최적의 포집시설의 개수를 인공신경망(ANN: Artificial Neural Network)을 이용하여 시뮬레이션하는 단계;를 포함하여 구성된다. It includes a step of simulating the optimal number of collection facilities using the production well data as input using an artificial neural network (ANN).
상기 생산정 자료는, 저류층의 투수성(permeability), 저류층의 압력(pressure), 생산정의 두께(Net pay thickness), 생산량(production rate), 영역 정보(Area)를 포함하여 구성될 수 있다. The production well data may include reservoir permeability, reservoir pressure, net pay thickness, production rate, and area information.
상기 포집시설(Gathering Unit, GU)의 위치를 결정하는 단계는, The step of determining the location of the gathering unit (GU) is,
각 생산정에서 노달분석을 통해 계산한 최적생산유량 qg과 생산량 재분배 과정을 통해 할당한 목표운송유량 qij를 각 생산정마다 비교하는 단계; 및A step of comparing the optimal production flow rate q g calculated through nodal analysis at each production well and the target transportation flow rate q ij allocated through the production redistribution process for each production well; and
소정의 생산정에 대하여 최적생산유량 qg가 목표운송유량 qij미만인 경우 상기 GU의 위치를 상기 해당 생산정 방향으로 △q만큼 이동시키는 단계;를 포함하여 구성될 수 있다. If the optimal production flow rate q g for a given production well is less than the target transportation flow rate q ij , the step of moving the position of the GU by △q in the direction of the corresponding production well.
상기 플로우라인의 길이를 결정하는 단계는, The step of determining the length of the flow line is,
상기 GU 개수를 입력받는 단계; 및receiving the number of GUs; and
상기 GU의 위치를 변화시키면서 총 플로우 라인의 길이가 최소가 되도록 상기 총 플로우라인의 길이를 계산하는 단계;를 포함하여 구성될 수 있다.It may be configured to include; calculating the length of the total flow line so that the total length of the flow line is minimized while changing the position of the GU.
상기 플로우라인의 길이를 수정하는 단계는, The step of modifying the length of the flow line is,
각각의 시추공에 생산량 재분배(rate allocation)를 통해 산출된 유량을 입력하고 정두압력을 계산하여 노달분석을 수행하는 단계;Entering the flow rate calculated through rate allocation to each borehole and calculating the wellhead pressure to perform nodal analysis;
상기 노달분석을 통해 계산된 유량의 결과값과 목표운송유량의 차이를 계산하는 단계; calculating the difference between the flow rate result calculated through the nodal analysis and the target transportation flow rate;
상기 목표운송유량의 차이를 플로우라인 길이로 환산하는 단계; Converting the difference in the target transport flow rate into a flow line length;
각 생산정에 대하여 유동이 형성되어 있는 지의 여부를 판단하는 판단단계; A judgment step of determining whether flow is formed for each production well;
상기 판단단계에서의 판단결과 상기 생산정에 유동이 형성되지 않는 경우 목적함수에 변경된 길이를 가산하고, 플로우라인의 길이를 계산하는 단계; If flow is not formed in the production well as a result of the determination in the determination step, adding the changed length to the objective function and calculating the length of the flow line;
상기 판단단계에서의 판단결과 유동이 형성되는 경우 상기 생산정에 유동이 형성되는 플로우라인 네트워크를 구축하는 단계;를 포함하여 구성될 수 있다. If flow is formed as a result of the determination in the determination step, it may be configured to include the step of constructing a flow line network through which flow is formed in the production well.
상기 목적함수(objective function)는 다음의 수학식으로 표시되도록 구성될 수 있다. The objective function can be configured to be expressed as the following equation.
+CL(Converted Length) +CL(Converted Length)
여기서, xwel은 생산정의 x좌표 위치, xGU는 포집시설의 x좌표 위치, ywel은 생산정의 y좌표 위치, yGU는 포집시설의 y좌표 위치를 나타냄. Here, x wel represents the x-coordinate location of the production well, x GU represents the x-coordinate location of the collection facility, y wel represents the y-coordinate location of the production well, and y GU represents the y-coordinate location of the collection facility.
상기 노달분석은, 상기 생산정의 설계 시 평균압력의 자료를 입력하여 상기 생산정의 생산가능량을 산출하도록 구성될 수 있다. The nodal analysis may be configured to calculate the production capacity of the production well by inputting average pressure data when designing the production well.
상기 노달분석은, 설계지역의 지질학적 자료를 이용하여 초기가스매장량(initial gas in place ; IGIP)을 산출하여 상기 생산정의 생산가능량을 산출하도록 구성될 수 있다. The nodal analysis can be configured to calculate the production potential of the production well by calculating initial gas in place (IGIP) using geological data of the design area.
상기 목적함수에 추가되는 변환된 길이(Converted Length)는 다음의 수학식으로 구하도록 구성되는 것인 가스생산정의 플로우라인 네트워크 최적화 방법.A gas production well flowline network optimization method in which the converted length added to the objective function is configured to be obtained by the following equation.
여기서, Δp는 최적생산유량 qg으로부터 목표운송유량 qij를 감산한 차이값이고, pb는 플로우라인의 기저압력(base pressure), Tb는 플로우라인의 기저온도(base temperture), 는 플로우라인의 평균온도이며, 는 유입지점에서의 온도(T1), 유출지점에서의 온도(T2)의 평균값으로 나타내고, 는 플로우라인에서의 평균압축도이며, 유입압력인 p1에서의 가스압축도 z1, 유출압력인 p2에서의 가스압축도 z2의 평균값으로 나타내고, γg는 가스 중력(gas gravity)을 나타내고, D는 플로우라인의 직경을 나타냄. Here, Δp is the difference value obtained by subtracting the target transport flow rate q ij from the optimal production flow rate q g , pb is the base pressure of the flow line, T b is the base temperature of the flow line, is the average temperature of the flow line, is expressed as the average value of the temperature at the inlet point (T 1 ) and the temperature at the outlet point (T 2 ), is the average compression degree in the flow line, and is expressed as the average value of gas compression degree z 1 at the inlet pressure p 1 and gas compression degree z 2 at the outflow pressure p 2 , and γ g is the gas gravity. and D represents the diameter of the flow line.
따라서 본 발명의 인공신경망을 이용한 가스정 생산성을 고려한 플로우라인 네트워크 최적화 방법은 가스를 생산하는 생산정에 사용되는 파이프를 효율적으로 연결하여 보다 효율적으로 가스를 포집할 수 있는 효과가 있다. Therefore, the flowline network optimization method considering gas well productivity using the artificial neural network of the present invention has the effect of collecting gas more efficiently by efficiently connecting pipes used in production wells that produce gas.
또한, 본 발명의 인공신경망을 이용한 가스정 생산성을 고려한 플로우라인 네트워크 최적화 방법은 포집시설의 개수를 머신러닝기법인 ANN을 사용하여 산출하고, 광역최적화 기법인 SA를 사용하여 포집시설의 위치와 플로우라인 길이를 최소화하는 초기 네트워크 모델에 유체유동 가능 여부를 판단하기 위해 웨이모스 방정식(Weymouth equation)을 변환하여 생산정별 목표 운송량과 노달분석 결과자료를 비교하여 그 차이를 플로우 라인 길이로 환산하고 목적함수에 반영하여 모든 생산정에서 유동이 가능한 플로우라인 모델을 개발함으로써 보다 효율적이고 최적의 플로우라인을 설계할 수 있는 효과가 있다. In addition, the flowline network optimization method considering gas well productivity using the artificial neural network of the present invention calculates the number of collection facilities using ANN, a machine learning technique, and uses SA, a wide-area optimization technique, to determine the location of the collection facilities and flowline. In order to determine whether fluid flow is possible in the initial network model that minimizes the length, the Weymouth equation is converted, the target transportation volume for each production well is compared with the nodal analysis result data, the difference is converted to flow line length, and the objective function is calculated. By developing a flowline model that allows flow in all production wells, it is possible to design a more efficient and optimal flowline.
도 1은 본 발명의 일 실시예에 따른 가스전 지대에 플로우라인 네트워크가 설치된 지역을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따라 생산정의 플로우라인 네트워크 최적화하는 과정을 나타낸 순서도.
도 3은 본 발명의 일 실시예에 따른 도 2의 저류층의 평균 압력을 산출하는 과정을 나타낸 순서도.
도 4는 본 발명의 일 실시예에 따른 도 2의 포집시설의 개수를 결정하는 단계를 나타낸 순서도.
도 5는 본 발명의 일 실시예에 따른 도 2의 플로우라인의 길이를 결정하는 과정을 나타낸 순서도.
도 6은 본 발명의 일 실시예에 따른 도 4의 포집시설의 개수를 설정하기 위한 ANN 모델의 구조를 나타낸 도면.
도 7은 본 발명의 일 실시예에 따른 노달분석 중 생산감퇴곡선을 이용하여 DCA로 생산정의 평균압력을 산출하는 것을 나타낸 그래프.
도 8은 본 발명의 일 실시예에 따른 목적함수값의 트랜드를 나타낸 그래프.
도 9는 본 발명의 일 실시예에 따른 생산성 향상에 따른 목적 함수 값의 증가를 나타낸 그래프.
도 10은 본 발명의 일 실시예에 따른 플로우라인 네트워크에서 목표 운송량을 할당하는 것을 나타낸 개략도.
도 11은 본 발명의 일 실시예에 따른 생산정의 최적의 위치에서 흐름이 발생하지 않는 경우 GU의 위치를 변경하는 예를 나타낸 도면.
도 12는 본 발명의 일 실시예에 따른 도 1의 4개의 생산정에서 생산된 감소 분석을 나타낸 그래프.
도 13은 본 발명의 일 실시예에 따른 도 1의 4개의 생산정에서의 MBE(material balance equation)에 의한 IGIP를 산출하는 것을 나타낸 그래프.
도 14는 본 발명의 일 실시예에 따른 5개의 생산정에서의 평균압력 산출하는 것을 나타낸 그래프.
도 15는 본 발명의 일 실시예에 따라 생산성을 고려하지 않고 플로우라인을 최적화시키는 것을 나타낸 도면.
도 16은 본 발명의 일 실시예에 따라 생산성을 고려하여 플로우라인을 최적화시키는 것을 나타낸 도면.
도 17은 본 발명의 일 실시예에 따른 일부분의 플로우라인 필드맵을 나타낸 도면.
도 18은 본 발명의 일 실시예에 따른 플로우라인 네트워크 시나리오를 만들기 위한 인공 신경망 툴박스를 나타낸 도면.
도 19는 본 발명의 일 실시예에 따른 인공 신경망을 이용하여 도출된 결과값을 나타낸 그래프.
도 20은 본 발명의 일 실시예에 따른 전체 플로우라인 필드맵을 나타낸 도면.
도 21은 본 발명의 일 실시예에 따른 전체 생산정에서의 평균압력 산출 그래프.
도 22는 본 발명의 일 실시예에 따른 전체 생산정에서의 목적 함수값의 추세를 나타낸 그래프.
도 23은 본 발명의 일 실시예에 따른 전체 생산정에서의 플로우라인 네트워크를 최적화한 결과를 나타낸 도면. Figure 1 is a diagram showing an area where a flow line network is installed in a gas field area according to an embodiment of the present invention.
Figure 2 is a flowchart showing the process of optimizing a production well flowline network according to an embodiment of the present invention.
Figure 3 is a flow chart showing the process of calculating the average pressure of the reservoir of Figure 2 according to an embodiment of the present invention.
Figure 4 is a flowchart showing the steps of determining the number of collection facilities of Figure 2 according to an embodiment of the present invention.
Figure 5 is a flowchart showing a process for determining the length of the flow line of Figure 2 according to an embodiment of the present invention.
Figure 6 is a diagram showing the structure of an ANN model for setting the number of collection facilities of Figure 4 according to an embodiment of the present invention.
Figure 7 is a graph showing calculating the average pressure of a production well using DCA using the production decline curve during nodal analysis according to an embodiment of the present invention.
Figure 8 is a graph showing a trend of objective function values according to an embodiment of the present invention.
Figure 9 is a graph showing the increase in objective function value according to productivity improvement according to an embodiment of the present invention.
Figure 10 is a schematic diagram showing allocation of target traffic volume in a flowline network according to an embodiment of the present invention.
Figure 11 is a diagram showing an example of changing the position of the GU when flow does not occur at the optimal position of the production well according to an embodiment of the present invention.
Figure 12 is a graph showing the reduction analysis of production from the four production wells of Figure 1 according to an embodiment of the present invention.
Figure 13 is a graph showing calculation of IGIP by MBE (material balance equation) in the four production wells of Figure 1 according to an embodiment of the present invention.
Figure 14 is a graph showing average pressure calculation in five production wells according to an embodiment of the present invention.
Figure 15 is a diagram showing optimization of the flow line without considering productivity according to an embodiment of the present invention.
Figure 16 is a diagram showing optimization of the flow line in consideration of productivity according to an embodiment of the present invention.
Figure 17 is a diagram showing a partial flow line field map according to an embodiment of the present invention.
Figure 18 is a diagram showing an artificial neural network toolbox for creating a flowline network scenario according to an embodiment of the present invention.
Figure 19 is a graph showing results derived using an artificial neural network according to an embodiment of the present invention.
Figure 20 is a diagram showing an entire flow line field map according to an embodiment of the present invention.
Figure 21 is a graph of average pressure calculation in all production wells according to an embodiment of the present invention.
Figure 22 is a graph showing the trend of objective function values in the entire production well according to an embodiment of the present invention.
Figure 23 is a diagram showing the results of optimizing the flowline network in the entire production well according to an embodiment of the present invention.
이하, 본 발명의 실시예를 나타내는 첨부 도면을 참조하여 본 발명을 더욱 상세히 설명한다. Hereinafter, the present invention will be described in more detail with reference to the accompanying drawings showing embodiments of the present invention.
도 1은 본 발명의 일 실시예에 따른 가스전 지대에 플로우라인 네트워크가 설치된 지역을 나타낸 도면이다. Figure 1 is a diagram showing an area where a flow line network is installed in a gas field area according to an embodiment of the present invention.
도 1을 참조하면, 플로우라인 네트워크 모델을 검증을 위해 실제 플로우라인 네트워크가 완성되어있는 지역을 선택하였다. 캘거리 지역의 가스전이며 총 3,000㎢, 32섹터로 나뉘어 있으며 그중 하나인 섹터에서 검증을 수행하였다. 한 개 섹터의 크기는 9.4㎞ * 9.4㎞이다.Referring to Figure 1, an area where the actual flowline network was completed was selected to verify the flowline network model. It is a gas field in the Calgary area and is divided into 32 sectors with a total area of 3,000㎢, and verification was performed in one of them. The size of one sector is 9.4㎞ * 9.4㎞.
본 발명에서는 생산정 생산성을 고려한 플로우라인 네트워크 모델을 개발하였다. 플로우라인 네트워크 모델 개발은 엔지니어가 네트워크 시나리오를 만들 때 고려해야 될 플로우라인 길이, GU 개수, 그리고 각 생산정과 GU 간의 유동을 보다 편리하게 구현 할 수 있기 때문에 반복적인 시나리오 작성 시간을 줄여줄 수 있다.In the present invention, a flowline network model considering production well productivity was developed. Flowline network model development can reduce repetitive scenario creation time because engineers can more conveniently implement the flowline length, number of GUs, and flow between each production well and GU, which should be considered when creating a network scenario.
본 발명에서는 현장에서의 IGIP를 산출하고 DCA(decline curve analysis)와 MBE(material balance equation)를 그래프에 도시화한 후 계산하여 평균압력을 산출하였다. 그리고 생산정의 물성과 GU와의 관계를 머신러닝 기법인 인공신경망(ANN: Artificial Neural Network)을 이용하여 산출한다. In the present invention, the average pressure was calculated by calculating the IGIP in the field and plotting DCA (decline curve analysis) and MBE (material balance equation) on a graph. And the relationship between the physical properties of the production well and GU is calculated using artificial neural network (ANN), a machine learning technique.
인공신경망 모델을 이용한 결과로 산출된 GU 개수와 생산정의 위치를 광역 최적화 기법인 SA(Simulated Annealing)를 사용하여 포집시설의 위치와 플로우라인 길이를 최소화하는 초기 네트워크 모델을 만들었다. 이후 Weymouth 방정식을 변환하여 생산정 별 목표운송유량과 노달분석 결과자료를 비교하여 그 차이를 길이로 환산하고 목적함수에 반영하여 유동성을 고려한 플로우라인 네트워크 모델을 개발하였다.The number of GUs and production well locations calculated as a result of using the artificial neural network model were used to create an initial network model that minimizes the location of the collection facility and the length of the flow line using SA (Simulated Annealing), a wide-area optimization technique. Afterwards, the Weymouth equation was converted and the target transport flow rate for each production well was compared with the nodal analysis result data, the difference was converted into length, and reflected in the objective function to develop a flowline network model that took liquidity into account.
도 2는 본 발명의 일 실시예에 따라 생산정의 플로우라인 네트워크 최적화하는 과정을 나타낸 순서도이다. Figure 2 is a flowchart showing a process for optimizing a production well flowline network according to an embodiment of the present invention.
도 2를 참조하면, 본 발명의 가스생산정의 플로우라인 네트워크 최적화 방법은 다음의 단계로 구성될 수 있다. 이는 앞서 설명한 단계와 유사하지만 보다 상세하게 설명하기 위하여 구분하여 설명하기로 한다. Referring to Figure 2, the gas production well flowline network optimization method of the present invention may consist of the following steps. This is similar to the steps described above, but will be explained separately for more detailed explanation.
먼저, S202단계에서 각 생산정을 포함하는 저류층의 평균 압력을 산출한다. First, in step S202, the average pressure of the reservoir containing each production well is calculated.
S204단계에서 포집시설의 개수를 결정한다. 포집시설의 개수는 인공신경망을 이용하여 구할 수 있다. 이에 대해서는 후술하는 도면을 참조하여 설명하기로 한다. In step S204, the number of collection facilities is determined. The number of collection facilities can be obtained using an artificial neural network. This will be explained with reference to the drawings described later.
S206단계에서 상기 설정된 GU의 갯수에 따라 플로우라인의 총 길이를 결정한다. 플로우라인의 총길이는 SA알고리즘을 이용하여 목적함수가 최소가 되는 방향으로 결정된다. In step S206, the total length of the flow line is determined according to the number of GUs set above. The total length of the flow line is determined in the direction that minimizes the objective function using the SA algorithm.
S208단계에서 상기 포집시설(Gathering Unit, GU)의 위치를 결정한다. In step S208, the location of the gathering unit (GU) is determined.
S210단계에서 상기 결정된 포집시설의 위치와 및 플로우라인의 길이에 대응하여 유동성을 고려하여 포집시설의 위치와 플로우라인의 길이를 수정한다. In step S210, the location of the collection facility and the length of the flow line are modified in consideration of fluidity in response to the determined location of the collection facility and the length of the flow line.
본 발명에서는 생산정 생산성을 고려한 플로우라인 네트워크 모델을 개발하였다. 플로우라인 네트워크 모델 개발은 엔지니어가 네트워크 시나리오를 만들 때 고려해야 될 플로우라인 길이, GU 개수, 그리고 각 생산정과 GU 간의 유동을 보다 편리하게 구현 할 수 있기 때문에 반복적인 시나리오 작성 시간을 줄여줄 수 있다는 잇점이 있다.In the present invention, a flowline network model considering production well productivity was developed. Flowline network model development has the advantage of reducing repetitive scenario creation time because engineers can more conveniently implement the flowline length, number of GUs, and flow between each production well and GU, which should be considered when creating a network scenario. there is.
도 3은 본 발명의 일 실시예에 따른 도 2의 저류층의 평균 압력을 산출하는 과정을 나타낸 순서도이다.Figure 3 is a flowchart showing the process of calculating the average pressure of the reservoir of Figure 2 according to an embodiment of the present invention.
도 3을 참조하면, S302단계에서 상기 저류층의 타겟필드 데이터를 입력받는다. 타겟필드의 데이터는 이전에 해당 필드의 생산에 대한 이력이 있는 경우에 데이터가 생산이력에 대한 데이터가 생성된다. 하지만, 생산 이력이 없는 경우에는 타겟필드 대한 데이터가 없을 수도 있다. 이 경우에는 주변의 유사한 필드의 데이터를 기준 필드데이터로 하여 입력할 수 있다. Referring to FIG. 3, target field data of the reservoir is input in step S302. Data on the target field is generated when there is a previous production history of the field. However, if there is no production history, there may be no data on the target field. In this case, data from similar fields in the surrounding area can be entered as standard field data.
S304단계에서 각 생산정의 IGIP를 산출한다. 이때, 전술한 바와 같이 타겟 필드데이터 또는 기준필드 데이터가 사용될 수 있다. In step S304, the IGIP of each production well is calculated. At this time, as described above, target field data or reference field data may be used.
S306단계에서 DCA(decline curve analysis)를 이용하여 누적생산량을 산출한다. In step S306, the cumulative production volume is calculated using decline curve analysis (DCA).
S308단계에서 IGIP와 p/z의 그래프로 나타내고 상기 그래프 상에 생산감퇴곡선을 생성하여 상기 DCA로 산출한 누적생산량을 상기 생산감퇴곡선에 입력하고 평균압력을 산출하며 상기 생산정의 생산가능량을 산출한다. In step S308, IGIP and p/z are plotted as a graph, a production decline curve is created on the graph, the cumulative production calculated by the DCA is input into the production decline curve, the average pressure is calculated, and the production potential of the production well is calculated. .
즉, 이와 같은 과정에 대한 모델 개발은 크게 4가지로 나눠져 있다.In other words, model development for this process is largely divided into four categories.
1. 저류층 평균압력 산출1. Calculation of reservoir average pressure
2. 인공신경망을 이용한 GU 개수 산출2. Calculating the number of GUs using artificial neural network
3. 초기 플로우라인 네트워크 모델 산출3. Initial flowline network model calculation
4. 유동성을 고려한 플로우라인 네트워크 모델 산출4. Calculation of flowline network model considering liquidity
즉 본 발명에서는 현장에서의 IGIP(initial gas in place)를 산출하고 DCA(decline curve analysis)와 MBE(material balance equation)를 그래프에 도시화한 후 계산하여 평균압력을 산출하였다. 그리고 생산정의 물성과 GU와의 관계를 머신러닝 기법인 인공신경망을 이용하여 산출하였다. 인공신경망을 결과로 산출된 GU 개수와 생산정의 위치를 광역 최적화 기법인 SA를 사용하여 포집시설의 위치와 총 플로우라인 길이의 합이 최소화하는 초기 네트워크 모델을 만들었다. 이후 Weymouth 방정식을 변환하여 생산정 별 목표운송유량과 노달분석 결과자료를 비교하여 그 차이를 길이로 환산하고 목적함수에 반영하여 유동성을 고려한 플로 우라인 네트워크 모델을 개발하였다. That is, in the present invention, the average pressure was calculated by calculating the IGIP (initial gas in place) at the site, calculating the decline curve analysis (DCA) and material balance equation (MBE) on a graph. And the relationship between the physical properties of the production well and GU was calculated using artificial neural network, a machine learning technique. Using SA, a wide-area optimization technique, the number of GUs and production well locations calculated as a result of the artificial neural network was used to create an initial network model that minimizes the sum of the location of the collection facility and the total flow line length. Afterwards, the Weymouth equation was converted and the target transport flow for each production well was compared with the nodal analysis result data, the difference was converted into length, and reflected in the objective function to develop a flow line network model that took liquidity into account.
도 4는 본 발명의 일 실시예에 따른 도 2의 포집시설의 개수를 결정하는 단계를 나타낸 순서도이다.Figure 4 is a flowchart showing the steps for determining the number of collection facilities of Figure 2 according to an embodiment of the present invention.
도 4를 참조하면, 먼저, S402단계에서 플로우라인 설치할 현장의 생산정 자료를 입력받는다. Referring to Figure 4, first, in step S402, production well data at the site where the flow line is to be installed is input.
S404단계에서 포집시설의 개수를 결정한다. 설계 시나리오를 만들기 위해서는 GU 개수 선정이 필수적이다. 왜냐하면, GU 개수와 위치에 따라 플로우라인 총 길이가 달라지기 때문이다. 일반적으로 개수를 선정할 때는 많은 요소들을 고려하는데, 특히 GU와 생산정 물성 간의 관계를 고려하는 것이 중요하다. In step S404, the number of collection facilities is determined. To create a design scenario, selecting the number of GUs is essential. This is because the total length of the flow line varies depending on the number and location of GUs. In general, many factors are considered when selecting the number, and it is especially important to consider the relationship between GU and production well physical properties.
GU 개수를 선정하기 위해선 먼저 대상 가스전 주위에 존재하는 유가스전을 분석해야한다. 이전에 설계된 필드를 분석하면 GU 개수와 생산정간의 연관성을 분석할 수 있기 때문이다. 하지만 이런 연관성 분석에는 복잡한 변수들이 많이 있어 쉽지가 않다. 따라서 본 발명에서는 인공신경망 기법을 이용하여 GU 개수를 산출하였다.In order to select the number of GUs, the oil gas fields that exist around the target gas field must first be analyzed. This is because by analyzing previously designed fields, the relationship between the number of GUs and production wells can be analyzed. However, this correlation analysis is not easy because there are many complex variables. Therefore, in the present invention, the number of GUs was calculated using an artificial neural network technique.
도 6은 본 발명의 일 실시예에 따른 도 4의 포집시설의 개수를 설정하기 위한 ANN 모델의 구조를 나타낸 도면이다. Figure 6 is a diagram showing the structure of an ANN model for setting the number of collection facilities of Figure 4 according to an embodiment of the present invention.
도 6을 참조하면, 먼저 주위 생산 현장자료를 수집하고 생산정에서 생산과 관련이 있는 요소들을 수집하였다. 그리고 지역의 GU 개수를 수집하고, 이렇게 수집된 자료를 인공신경망 기법으로 산출하게 되는데 입력층에는 생산정의 자료를, 출력층에는 GU 개수를 입력하고 수행한다. 여기서 주의해야 할 점은 설계할 필드의 크기와 인근 필드의 크기를 같게 맞춰서 분석해야 한다. 왜냐하면, 크기가 다를 경우 GU의 개수와 생산정의 상관관계가 달라지기 때문에 크기를 같게 맞춘 다음 분석을 해야 한다.Referring to Figure 6, first, data from the surrounding production site was collected and elements related to production were collected from the production well. Then, the number of GUs in the region is collected, and the collected data is calculated using artificial neural network techniques. Production definition data is input to the input layer and the number of GUs is input to the output layer. What you need to be careful about here is that the size of the field to be designed must be equal to the size of the nearby fields. Because if the sizes are different, the correlation between the number of GUs and production wells varies, so the sizes must be set to the same before analysis.
주위의 자료를 이용하여 인공신경망 모델이 만들어지면 이를 설계 시나리오에서 산출된 입력 자료를 인공신경망 모델 구조에 넣어 GU 개수를 산출한다. 생산정 자료는 저류층의 투수성(permeability), 저류층의 압력(pressure), 생산정의 두께(Net pay thickness), 생산량(production rate), 영역 정보(Area) 등를 포함하여 구성될 수 있다. 즉, 도 6과 같은 인공신경망을 이용하여 상기 생산정 자료를 입력으로 하여 최적의 포집시설의 개수를 시뮬레이션하여 GU의 개수를 결정한다. When an artificial neural network model is created using the surrounding data, the input data calculated from the design scenario is put into the artificial neural network model structure to calculate the number of GUs. Production well data may include reservoir permeability, reservoir pressure, net pay thickness, production rate, area information, etc. That is, the number of GUs is determined by simulating the optimal number of collection facilities using the production well data as input using an artificial neural network as shown in FIG. 6.
도 5는 본 발명의 일 실시예에 따른 도 2의 플로우라인의 길이를 결정하는 과정을 나타낸 순서도이다. Figure 5 is a flowchart showing a process for determining the length of the flow line of Figure 2 according to an embodiment of the present invention.
도 5를 참조하면, S502단계에서 전술한 과정(S404단계)에서 결정된 GU 개수를 입력받는다. Referring to FIG. 5, in step S502, the number of GUs determined in the above-described process (step S404) is input.
S504단계에서 상기 GU의 위치를 변화시키면서 총 플로우라인의 길이가 최소가 되도록 상기 총 플로우라인의 길이를 계산한다. In step S504, the total flow line length is calculated to minimize the total flow line length while changing the position of the GU.
S506단계에서 초기 플로우라인 네트워크 시나리오가 완성이 되면 각각의 시추공에 생산량 재분배(rate allocation)를 통해 산출된 유량을 입력하고 정두압력을 계산하여 노달분석을 수행한다. When the initial flowline network scenario is completed in step S506, the flow rate calculated through rate allocation is input to each borehole, the wellhead pressure is calculated, and nodal analysis is performed.
S508단계에서 상기 노달분석을 통해 계산된 유량의 결과값과 목표운송유량의 차이를 계산한다. In step S508, the difference between the result of the flow rate calculated through the nodal analysis and the target transport flow rate is calculated.
S510단계에서 상기 목표운송유량의 차이를 플로우라인 길이로 환산한다. In step S510, the difference in target transport flow rate is converted into flow line length.
S512단계에서 상기 길이로 환산된 각각의 생산정에 대하여 유동이 형성되어 있는 지의 여부를 판단한다. In step S512, it is determined whether flow is formed for each production well converted to the length.
S512단계에서 판단하여 상기 생산정이 유동이 형성되지 않는 경우에는 목적함수에 변경된 길이를 가산하고, 상기 변경된 길이가 가산된 변경된 플로우라인의 길이를 계산한다(S514단계). 즉 목적함수에 변경된 길이를 가산하여 이를 다시 계산한다. If it is determined in step S512 that flow is not formed in the production well, the changed length is added to the objective function, and the length of the changed flow line to which the changed length is added is calculated (step S514). In other words, the changed length is added to the objective function and recalculated.
S512단계에서 판단하여 상기 모든 생산정에 대하여 유동이 생성되는 경우에는 목적함수인 총 플로우라인 길이 합의 최솟값을 산출할 때 모든 생산정에서 최적생산유량이 목표운송유량보다 큰 플로우라인 네트워크를 구축한다(S516단계). If it is determined in step S512 that flow is generated for all production wells, a flowline network is constructed where the optimal production flow rate is greater than the target transport flow rate in all production wells when calculating the minimum value of the sum of the total flow line lengths, which is the objective function ( Step S516).
SA알고리즘을 이용한 최적해를 도출하고자 할 때 목적함수가 증가되는 해를 배제하도록 했다. When trying to derive an optimal solution using the SA algorithm, solutions that increase the objective function were excluded.
본 발명에서는 SA 알고리즘을 매트랩을 이용하여 플로우 라인 네트워크 모델을 개발하였다. SA 알고리즘은 광역최적화기법 중 하나로써 목적함수가 최소값을 찾아가는 기법이다. 목적함수는 플로우라인의 총 길이의 합이며 입력 값으로는 GU의 개수가 되며, 초기 플로우라인 네트워크는 GU의 위치를 변화시키면서 총 플로우 라인의 길이가 최소가 되게 한다. 초기 플로우라인 네트워크 시나리오가 완성이 되면 각각의 시추공에 생산량 재분배(rate allocation)를 통해 산출된 유량을 입력하고 정두압력을 계산하여 노달분석을 수행한다. S506단계에서 수행되는 노달분석은 IPR과 TPR이 만나는 지점에서의 값인데 이 값은 생산정에서 생산 가능량을 나타낸다. 노달분석에서 가장 중요한 인자는 평균압력을 산출하는 것이다. In the present invention, a flow line network model was developed using the SA algorithm using MATLAB. The SA algorithm is one of the global optimization techniques and is a technique in which the objective function finds the minimum value. The objective function is the sum of the total length of the flow line, and the input value is the number of GUs, and the initial flow line network changes the position of the GU to minimize the total length of the flow line. Once the initial flowline network scenario is completed, the flow rate calculated through rate allocation is input to each borehole, the wellhead pressure is calculated, and nodal analysis is performed. The nodal analysis performed in step S506 is the value at the point where IPR and TPR meet, and this value represents the production potential in the production well. The most important factor in nodal analysis is calculating the average pressure.
설계를 시작할 때 평균압력의 자료가 있다면 모델에 입력 할 수 있는 데 만약 없을 경우에는 다른 방법으로 산출해야 된다. 먼저 설계지역의 지질학적 자료를 이용하여 초기가스매장량(IGIP)을 산출해야 한다. 이는 시추공에서 취득된 코어의 분석실험 결과나 시추공의 물리검층 자료로부터 도출된 저류층 변수들을 이용하여 부피를 계산하는 방법이다. If you have average pressure data when starting the design, you can input it into the model. If not, it must be calculated using another method. First, the initial gas reserves (IGIP) must be calculated using geological data of the design area. This is a method of calculating volume using reservoir variables derived from analytical test results of cores acquired from a borehole or physical log data from a borehole.
도 7은 본 발명의 일 실시예에 따른 노달분석 중 생산감퇴곡선을 이용하여 DCA로 생산정의 평균압력을 산출 하는 것을 나타낸 그래프이다. Figure 7 is a graph showing calculating the average pressure of the production well using DCA using the production decline curve during nodal analysis according to an embodiment of the present invention.
도 7을 참조하면, 생산감퇴곡선분석법(DCA)을 이용하여 MDCQ를 산출하였다. 이 방법은 생산이 진행된 후 생산감퇴 단계에 있는 저류층에 대해 간편하게 현장에서 적용되는 방법이다. 이후 IGIP와 p/z가 0일 때 그래프로 나타내면 생산감퇴곡선이 되며 여기에서 DCA로 산출한 MDCQ를 입력하면 평균압력을 산출할 수 있다. Referring to Figure 7, MDCQ was calculated using production decline curve analysis (DCA). This method is easily applied on-site to reservoirs that are in the production decline stage after production has progressed. Afterwards, when IGIP and p/z are 0, if graphed, it becomes a production decline curve, and by entering the MDCQ calculated by DCA here, the average pressure can be calculated.
산출된 평균압력을 모델에 입력하면, 노달분석을 통해 계산된 유량은 생산정에서 압력에 따른 최대 생산량이 되며, 생산량 재분배를 통해 산출된 목표운송유량의 차이를 플로우라인 길이로 환산 후 유동이 흐르지 않을 시에는 목적함수에 변환된 길이를 가산하여 플로우라인 네트워크 시나리오를 만든다.When the calculated average pressure is entered into the model, the flow rate calculated through nodal analysis becomes the maximum production volume according to pressure in the production well, and the difference in target transportation flow rate calculated through production redistribution is converted to flow line length and the flow stops flowing. If not, create a flowline network scenario by adding the converted length to the objective function.
본 발명에서 개발한 플로우라인 네트워크 모델은 매트랩을 이용하여 개발하였다. 먼저 대상 현장에 존재하는 생산정 위치를 입력을 해야 되는데 입력방법은 n개의 (x, y)의 형태로 n행 2열의 행렬을 입력한다. 이후 GU의 개수를 임의 초기위치에 입력을 하고 이를 최적해 탐사시작 지점으로 설정하였다. 생산정과 마찬가지로 2열의 행렬로 입력을 하며, 입력된 GU와 생산정의 거리가 플로우라인 길이가 된다. The flowline network model developed in the present invention was developed using MATLAB. First, the location of the production well at the target site must be entered. The input method is to input a matrix with n rows and 2 columns in the form of n numbers (x, y). Afterwards, the number of GUs was entered into a random initial position, optimized, and set as the exploration start point. Like the production well, it is input as a two-column matrix, and the distance between the input GU and the production well becomes the flow line length.
이 길이의 총합이 목적함수(Objective function)가 되며 이는 수학식 1로 나타낼 수 있다. The total of these lengths becomes the objective function, which can be expressed in Equation 1.
상기 수학식 1을 이용하여 GU와 생산정 간의 거리를 갱신함으로써 GU 위치를 결정하여 초기 플로우라인 네트워크 모델을 만들게 된다. By updating the distance between the GU and the production well using Equation 1 above, the GU location is determined to create an initial flowline network model.
도 8은 본 발명의 일 실시예에 따른 목적함수값의 트랜드를 나타낸 그래프이고, 도 9는 본 발명의 일 실시예에 따른 생산성 향상에 따른 목적 함수 값의 증가를 나타낸 그래프이다. Figure 8 is a graph showing a trend of the objective function value according to an embodiment of the present invention, and Figure 9 is a graph showing an increase in the objective function value according to productivity improvement according to an embodiment of the present invention.
도 8 및 도 9를 참조하면, 종료조건의 종류에는 총 5가지가 있는데 최대연산횟수(max iteration), 목적함수 값 허용오차(function tolerance), 최대목적함수 평가횟수 (max function evaluations), 최대연산시간(max time) 그리고 제한된 목적함수 값(objective limit)이 있다. 이 중 본 발명에서는 최대 연산회수를 종료조건으로 하여 모델을 개발하였다. 본 발명을 수행하기 위한 모델에서는 최대 연산회수를 3,000번으로 설정하였으며, 초기 플로우라인 네크워크를 먼저 수행한 이유는 생산량까지 고려하여 수행을 하게 되면 최대 6배 정도의 시간이 걸려 선행적으로 초기 플로우라인 네트워크 모델을 구성하였다. Referring to Figures 8 and 9, there are a total of five types of termination conditions: maximum number of operations (max iteration), objective function value tolerance (function tolerance), maximum number of objective function evaluations (max function evaluations), and maximum operation. There is a time (max time) and a limited objective function value (objective limit). Among these, the present invention developed a model with the maximum number of calculations as the termination condition. In the model for performing the present invention, the maximum number of calculations was set to 3,000, and the reason why the initial flowline network was performed first was that if it was performed considering the production volume, it would take up to 6 times more time, so the initial flowline network was preemptively performed. A network model was constructed.
일반적으로 가스전에서 생산계획을 수립하고 난 후 생산계획을 완료하고 난 후 공급자와 계약자간의 생산량 계약을 해야 되는데 일반적으로 일일최대계약생산량(Maximum Daily Contract Quantity:MDCQ)로 한다. In general, after establishing a production plan in a gas field and completing the production plan, a production contract must be made between the supplier and the contractor, which is generally based on the Maximum Daily Contract Quantity (MDCQ).
도 10은 본 발명의 일 실시예에 따른 플로우라인 네트워크에서 목표 운송량을 할당하는 것을 나타낸 개략도이다. Figure 10 is a schematic diagram showing allocation of target traffic volume in a flowline network according to an embodiment of the present invention.
도 10을 참조하면, 생산계획을 하는 시점에는 MDCQ를 알 수 없으므로 주위에 생산이 진행되고 있는 지역의 MDCQ를 고려하여 설정한다. 본 발명에서는 주위에 생산이 진행되고 있는 지역의 MDCQ를 초기 플로우라인 네트워크에 입력하여 각 생산정에서의 목표 운송량을 할당하였다.Referring to Figure 10, since the MDCQ is not known at the time of production planning, it is set by considering the MDCQ of the surrounding area where production is in progress. In the present invention, the MDCQ of the surrounding production area is input into the initial flowline network to allocate the target transportation volume from each production well.
i 번 포집시설에서 요구되는 목표운송유량은 전체 생산정 개수 중 i 번 포집시설에 연결되어있는 생산정 개수의 비율에 따라 MDCQ를 나누어 할당하였다. 목표운송유량을 나누어 할당하는 것에 대한 것은 수학식 2에 나타나 있다. The target transport flow required at capture facility i was allocated by dividing MDCQ according to the ratio of the number of production wells connected to capture facility i among the total number of production wells. Dividing and allocating the target transportation flow is shown in Equation 2.
i번 포집시설에 연결된 j번 생산정에서 요구되는 목표운송유량 qij는 저류층 투과도(k)와 저류층 두께(h)의 곱인 플로우 용량(flow capacity, kh)에 따라 다르게 할당하였다. 즉, i번 포집시설에 연결된 생산정들의 kh 값의 합과 i번 포집시설에 연결된 j번 생산정의 kh 값 비율로 각 생산정마다 다르게 할당하였으며, 이를 수학식으로 나타내면 다음의 수학식 3과 같다. The target transport flow rate q ij required from production well j connected to collection facility i was allocated differently depending on the flow capacity (kh), which is the product of reservoir permeability (k) and reservoir thickness (h). In other words, each production well was assigned differently based on the ratio of the sum of the kh values of the production wells connected to the i collection facility and the kh value of the j production well connected to the i collection facility. This is expressed in a mathematical equation as shown in Equation 3 below: .
상기 설명된 과정을 통해 각 생산정에 목표운송유량(qij)를 할당하였으며 그 총합은 수학식 4의 MDCQ가 된다. MDCQ, qij의 단위는 mmscf/d이다.Through the process described above, a target transport flow rate (q ij ) was assigned to each production well, and the total becomes MDCQ in Equation 4. The unit of MDCQ, q ij is mmscf/d.
여기서, GU 압력은 GU에서의 압력을 계산할 때 가스유량 gh는 MDCQ 값이된다. 유입압력인 p1은 포집시설에서의 압력이며 유출압력 p2는 수신 터미널(received terminal)에서의 압력이다. 플로우라인 길이 L은 초기 플로우라인 네트워크의 포집시설과 수신터미널 간의 거리이다.Here, the gas flow rate g h becomes the MDCQ value when calculating the pressure in the GU. The inlet pressure, p 1 , is the pressure at the collection facility, and the outlet pressure, p 2 , is the pressure at the receiving terminal. The flowline length L is the distance between the collection facility and the receiving terminal of the initial flowline network.
여기서, GU 압력은 포집시설에서의 압력을 계산할 때 가스유량 gh는 목표운송유량 MDCQ 값이 된다. 유입압력인 p1은 포집시설에서의 압력이며 유출압력 p2는 포집시설에서의 압력이다. 플로우라인 길이 L은 초기 플로우라인 네트워크의 각각의 포집시설과 포집시설의 거리이다.Here, when the GU pressure is calculated at the collection facility, the gas flow rate g h becomes the target transport flow rate MDCQ. The inlet pressure, p 1 , is the pressure in the collection facility, and the outlet pressure, p 2 , is the pressure in the collection facility. The flowline length L is the distance between each collection facility in the initial flowline network.
여기서, 정두압력을 계산할 때 가스유량 gh는 목표운송유량 MDCQ 값이 된다. 유입압력인 p1은 정두압력이며 유출압력 p2는 포집시설에서의 압력이다. 플로우라인 길이 L은 초기 플로우라인 네트워크의 각 생산정과 해당 생산정에 연결된 포집시설의 거리이다. Here, when calculating the head pressure, the gas flow rate g h becomes the target transport flow rate MDCQ. The inlet pressure, p 1 , is the head pressure, and the outlet pressure, p 2 , is the pressure at the collection facility. The flowline length L is the distance between each production well in the initial flowline network and the collection facility connected to that production well.
각 생산정에서 노달분석을 통해 계산한 최적생산유량 qg와 생산량 재분배 과정을 통해 할당한 목표운송유량 qij를 각 생산정마다 비교했다. 그 차이가 음수인 생산정은 생산성이 낮아 목표운송유량 만큼 생산할 수 없는 생산정이다. 이를 개선하는 방법으로, GU의 위치를 현재 연결된 생산정에 가까워지도록 한다면 정두압력인 phf가 낮아지게 된다. 그 결과, 저류층 압력과 정두압력 차가 증가하여 생산정에서 생산량이 증가하게 된다. 이러한 방법 모델에 반영하기 위해 다음의 수학식 5와 같이 그 유량 차이(저류층과 정두압의 차이) 만큼 Weymouth 방정식을 통해 플로우라인 길이로 환산하여 목적함수 값에 가산하였다. The optimal production flow rate q g calculated through nodal analysis at each production well and the target transportation flow rate q ij assigned through the production redistribution process were compared for each production well. A production well with a negative difference is a production well that cannot produce as much as the target transportation flow due to low productivity. As a way to improve this, if the location of the GU is moved closer to the currently connected production well, the wellhead pressure, p hf , will be lowered. As a result, the difference between reservoir pressure and wellhead pressure increases, resulting in increased production from the production well. In order to reflect this method in the model, the flow rate difference (difference between reservoir and static pressure) was converted to flow line length through the Weymouth equation and added to the objective function value, as shown in Equation 5 below.
여기서, Δp는 최적생산유량 qg으로부터 목표운송유량 qij를 감산한 차이값이고, pb는 플로우라인의 기저압력(base pressure), Tb는 플로우라인의 기저온도(base temperture), 는 플로우라인의 평균온도이며, 는 유입지점에서의 온도(T1), 유출지점에서의 온도(T2)의 평균값으로 나타내고, 는 플로우라인에서의 평균압축도이며, 유입압력인 p1에서의 가스압축도 z1, 유출압력인 p2에서의 가스압축도 z2의 평균값으로 나타내고, γg는 가스 중력(gas gravity)을 나타내고, D는 플로우라인의 직경을 나타냄. Here, Δp is the difference value obtained by subtracting the target transport flow rate q ij from the optimal production flow rate q g , p b is the base pressure of the flow line, T b is the base temperature of the flow line, is the average temperature of the flow line, is expressed as the average value of the temperature at the inlet point (T 1 ) and the temperature at the outlet point (T 2 ), is the average compression degree in the flow line, and is expressed as the average value of gas compression degree z 1 at the inlet pressure p 1 and gas compression degree z 2 at the outflow pressure p 2 , and γ g is the gas gravity. and D represents the diameter of the flow line.
수학식 5에서의 수정된 플로우라인 길이를 수학식 1의 목적함수에 적용시키면, 즉, 수정된 목적 함수는 총 플로우라인 길이와 변환된 길이의 합으로 표현될 수 있다. 이때, Δq = qg ― qij(Δq는 최적생산유량 qg으로부터 목표운송유량 qij를 감산한 차이값)이다. If the modified flowline length in Equation 5 is applied to the objective function in Equation 1, that is, the modified objective function can be expressed as the sum of the total flowline length and the converted length. At this time, Δq = q g - q ij (Δq is the difference value obtained by subtracting the target transportation flow rate q ij from the optimal production flow rate q g ).
한편, 전술한 목적함수에 사용되는 입력데이터는 다음의 표 1과 같다. Meanwhile, the input data used for the above-mentioned objective function is shown in Table 1 below.
GU)Initial coordinates of the collection facility
GU)
received terminal)Coordinates of the receiving terminal
received terminal)
terminal)Pressure of received terminal
terminal)
received terminal)Temperature of the received terminal
received terminal)
(2nd column)(2st column의 생산정 속성)Wells.property
(2nd column)(production well attribute of 2nd column)
meterWells.TPR.TubingDia
meter
thsWells.TPR.TubingLeng
ths
이 과정을 통해 특정 조건 시 인위적으로 목적함수를 증가시켜 SA 알고리즘을 이용한 최적해를 도출하고자 할 때 목적함수가 증가되는 해를 배제하도록 했다. 즉, 목적함수인 총 플로우라인 길이 합의 최솟값을 산출할 때 모든 생산정에서 최적생산유량이 목표운송유량보다 큰 플로우라인 네트워크를 구축하도록 하였다. 그리고 입력데이터는 전술한 표 1과 같다. Through this process, when attempting to derive an optimal solution using the SA algorithm by artificially increasing the objective function under certain conditions, solutions in which the objective function is increased are excluded. In other words, when calculating the minimum value of the total flowline length sum, which is the objective function, a flowline network in which the optimal production flow rate is greater than the target transport flow rate in all production wells was constructed. And the input data is as shown in Table 1 above.
도 11은 본 발명의 일 실시예에 따른 생산정의 최적의 위치에서 흐름이 발생하지 않는 경우 GU의 위치를 변경하는 예를 나타낸 도면이다. Figure 11 is a diagram showing an example of changing the position of the GU when flow does not occur at the optimal position of the production well according to an embodiment of the present invention.
도 11을 참조하면, 전술한 글로벌 최적화 알고리즘인 SA를 이용하여 플로우라인 네트워크 시나리오를 만들 때, 포집시설(GU) 개수와 플로우라인 길이의 합이 최적화되는지에 대한 검증을 수행하였다. 편의를 위하여 생산정의 위치가 중심으로부터 동, 서, 남, 북 방향으로 동일한 거리에 위치해 있을 때, 플로우라인 길이의 합이 최소가 되는 GU 위치는 그 중심이다(도 11 (a)). 만약 특정 생산정이 흐르지 않는다면 포집시설(GU)위치는 그 생산정에 가깝게 위치해야 한다(도 11 (b)). 가정된 문제를 SA 알고리즘을 통해 최적화하고자 할 때 해결할 수 있는지 검증해보았다. 특정 생산정이 흐르지 않는 상황에서 그 위치와 반대 방향으로 후보해(candidate solution)가 이동하면, 목적함수에 가중치를 추가 하도록 하였다. 그 결과, SA알고리즘이 목적함수 값이 최소가 되면서 흐르지 않는 생산정 방향으로 GU 위치를 연산하여 이동하는 결과를 나타냈다.Referring to FIG. 11, when creating a flowline network scenario using SA, the global optimization algorithm described above, it was verified whether the sum of the number of collection facilities (GU) and the flowline length was optimized. For convenience, when the location of the production well is located at the same distance from the center in the east, west, south, and north directions, the GU location where the sum of the flow line lengths is minimum is the center (Figure 11 (a)). If a particular production well is not flowing, the collection unit (GU) location should be located close to that production well (Figure 11 (b)). We verified whether the assumed problem can be solved when optimizing it through the SA algorithm. If a candidate solution moves in the direction opposite to the location in a situation where a specific production well is not flowing, weights are added to the objective function. As a result, the SA algorithm calculated and moved the GU location in the direction of the non-flowing production well while minimizing the objective function value.
한편, 도 1을 참조하면, 먼저, 도 1의 섹터에서 한 부분을 선택하였다. 총 9개의 가스 생산정을 가지고 있으며 생산정 4개에 1개의 포집시설(GU)이 있고 5개의 생산정이 1개의 포집시설(GU)로 포집되는 지역이다. 기본적으로 생산설계를 구성할 때는 같은 시점에서 생산되는 생산정을 이용하여 설계해야 하지만 실제 현장자료를 분석하게 되면 뚜렷하게 같은 시점에서 생산을 시작하여 포집시설(GU)과 연결한 현장자료를 찾기가 쉽지 않다. 왜냐하면, 초기 가스 생산정에서 먼저 생산을 하고 난 후 생산이 진행되면서 주위에 있는 가스정에서 생산이 시작된 후 연결하여 터미널(terminal)로 수송했기 때문이다. 그리고 육상 가스전에서 1차적으로 만들어진 플로우라인 네트워크에 신규로 개발된 가스정을 연결하여 수송하는 방식을 많이 사용하기 때문이기도 하다.Meanwhile, referring to FIG. 1, first, one part of the sector in FIG. 1 was selected. It has a total of 9 gas production wells, and is an area where 4 production wells have 1 gas collection facility (GU), and 5 production wells are collected by 1 gas collection facility (GU). Basically, when constructing a production design, it must be designed using production wells produced at the same point in time, but when analyzing actual field data, it is easy to find field data that clearly starts production at the same point in time and is connected to the collection facility (GU). not. This is because production was first performed in the initial gas production well, and then as production progressed, production began in surrounding gas wells and then were connected and transported to the terminal. This is also because the method of transporting newly developed gas wells by connecting them to the flowline network primarily created in onshore gas fields is often used.
따라서 이 지역의 9개 생산정은 각각 포집시설(GU) 1개에 연결된 각각의 생산정은 동일한 시점에서 생산하기 시작했기 때문에 모델 적용에서는 총 9개의 생산정이 같은 시점에서 생산이 시작되었다고 가정하고 수행하였다. 9개의 생산정의 위치를 엑셀을 이용하여 좌표로 변환을 하였다.Therefore, since each of the nine production wells in this area, each connected to one collection facility (GU), started producing at the same point in time, the model application was performed on the assumption that a total of nine production wells started producing at the same point in time. The locations of the 9 production wells were converted to coordinates using Excel.
이후 생산정에서의 각각의 생산능력을 산출해야 하는데 이를 위해서는 생산이 진행된 어떤 시점에서 평균압력이 필요하다. 하지만 이 지역의 평균압력 자료가 없어 다른 방법으로 평균압력을 산출하였다. 일반적으로는 하나의 IGIP를 산출하여 이 지역의 대표적인 값을 입력하지만 이 지역은 앞서 설명한 데로 2개의 포집시설(GU)에 포집되어 있는 생산정의 시점이 달라 각각의 저류층 인자들을 입력하여 IGIP를 산출하고 각각의 평균압력을 산출하여 모델에 적용하였다. 표 2에는 초기 가스 입력 위치 데이터(initial gas in place input data)를 나타내고 있다. Afterwards, the production capacity of each production well must be calculated, and for this, the average pressure at a certain point in time when production progresses is required. However, since there was no average pressure data for this area, the average pressure was calculated using another method. In general, one IGIP is calculated and the representative value of this region is input, but as explained above, this region is captured at two capture facilities (GU) at different production well points, so each reservoir factor is input to calculate the IGIP. Each average pressure was calculated and applied to the model. Table 2 shows initial gas in place input data.
도 12는 본 발명의 일 실시예에 따른 도 1의 4개의 생산정에서 생산된 감소 분석을 나타낸 그래프이고, 도 13은 본 발명의 일 실시예에 따른 도 1의 4개의 생산정에서의 MBE(material balance equation)에 의한 IGIP를 산출하는 것을 나타낸 그래프이며, 도 14는 본 발명의 일 실시예에 따른 5개의 생산정에서의 MBE에 의한 IGIP를 산출하는 것을 나타낸 그래프이다. Figure 12 is a graph showing the reduction analysis of production from the four production wells of Figure 1 according to an embodiment of the present invention, and Figure 13 is a graph showing the MBE (MBE) from the four production wells of Figure 1 according to an embodiment of the present invention. It is a graph showing calculation of IGIP by material balance equation, and Figure 14 is a graph showing calculation of IGIP by MBE in five production wells according to an embodiment of the present invention.
도 12 내지 도 14를 참조하면, 먼저 IGIP를 산출한 결과 각각 931mmscf(도 15), 2666mmscf(도 16)가 산출되었고 이후 9개 생산정의 월별 생산량을 하나의 생산자료 그래프로 도시한 후 누적생산 량을 산출하였다. Referring to Figures 12 to 14, as a result of first calculating the IGIP, 931 mmscf (Figure 15) and 2666 mmscf (Figure 16) were calculated, respectively. Afterwards, the monthly production of 9 production wells was plotted in one production data graph and the cumulative production amount was calculated. was calculated.
4개를 포집하고 있는 지역의 평균압력은 542psi로 산출되었고 생산정이 5개에서는 510psi로 산출되었다. 이 결과를 앞서 만든 플로우라인 네트워크 모델에 입력하였다. 그리고 GU 개수 값은 인공신경망 기법이 아닌 실제 GU의 개수인 2개를 입력하였다. The average pressure in the four collecting areas was calculated to be 542 psi, and in the five production wells it was calculated to be 510 psi. These results were input into the flowline network model created earlier. And the number of GUs was entered as 2, which is the actual number of GUs, not the artificial neural network technique.
전술한 바와 같이 본 발명의 효율성을 검증하기 위한 결과자료는 9개의 생산정과 2개의 포집시설을 입력 자료로 한 모델을 이용하였다. 모델의 최적화 과정을 확인하기 위해 매 연산마다 개선되는 목적함수의 값을 그래프로 도식화하였다. 목적함수가 지속적으로 감소하는 것은 포집시설의 위치가 이동할 때마다 총 플로우라인 길이가 감소하는 것을 의미하고, 목적함수가 수렴하는 것을 통해 최적의 플로우라인 네트워크가 구축됨을 확인하였다.As described above, a model with 9 production wells and 2 collection facilities as input data was used as the result data to verify the efficiency of the present invention. In order to check the model's optimization process, the value of the objective function, which is improved for each operation, was diagrammed in a graph. The continuous decrease in the objective function means that the total flowline length decreases whenever the location of the collection facility moves, and it was confirmed that the optimal flowline network was constructed through the convergence of the objective function.
전체 4,315회의 연산을 통해 최적해를 도출하였으며 반복횟수 3,000번까지는 플로우라인 길이와 포집시설의 최적화를 수행하였다.The optimal solution was derived through a total of 4,315 calculations, and optimization of the flow line length and collection facility was performed up to 3,000 iterations.
도 15는 본 발명의 일 실시예에 따라 생산성을 고려하지 않고 플로우라인을 최적화시키는 것을 나타낸 도면이고, 도 16은 본 발명의 일 실시예에 따라 생산성을 고려하여 플로우라인을 최적화시키는 것을 나타낸 도면이다. Figure 15 is a diagram showing optimizing the flow line without considering productivity according to an embodiment of the present invention, and Figure 16 is a diagram showing optimizing the flow line considering productivity according to an embodiment of the present invention. .
도 15 및 도 16을 참조하면, 첫 번째는 오직 플로우라인 길이와 2개의 포집시설의 위치를 이용하여 최적화를 수행한 모델와 생산성을 고려한 플로우라인 네트워크 모델을 비교하였다. 그 결과 두 개의 결과 중 우측에 1개의 포집시설에 연결되어 있는 생산정 4개는 길이 및 포집시설의 위치는 동일하였다. 하지만 좌측 1개의 포집시설에 연결되어있는 생산정에서는 포집시설의 위치가 다르게 나타났다. 즉 오직 플로우라인 길이와 포집시설의 위치를 이용하여 최적화시켰을 때와 다르게 유동성까지 함께 고려하였을 때 9번 생산정에서 흐르지 않는다고 판단되어 포집시설의 위치가 9번 생산정 쪽으로 가까이 위치시켜 9개의 생산정 전체에서 생산이 가능한 결과가 도출되었다. 그리고 실제 현장자료와 비교를 했을 경우 각각의 포집시설이 연결되어 한 지점에서 모여 터미널로 이동하지만 실제 현장에서는 4개가 모여진 포집시설이 먼저 생산이 되고 나머지 지역이 이후 생산이 되었는데 2개의 포집시설이 한 지점으로 모이지 않고 먼저 시작된 지점으로 연결한 이유는 먼저 생산된 지점에서 생산하면서 점점 압력이 떨어졌기 때문에 나중에 생산된 지점에서 처음 지점으로 연결하여 원활히 터미널로 이동시키기 위해 연결한 것으로 분석된다. 여기서, 적색의 9개의 엑스(x)는 생산정을 나타내고, 청색의 2개의 동그라미(o)는 포집시설을 나타내며, 녹색의 사각형(ㅁ)은 터미널(terminal)을 나타내고, 적색의 사각형(ㅁ)은 플랜트(plant)를 나타낸다. Referring to Figures 15 and 16, the first was compared between a model optimized using only the flowline length and the locations of two collection facilities and a flowline network model considering productivity. As a result, among the two results, the four production wells connected to the one collection facility on the right had the same length and the location of the collection facility. However, in the production well connected to the one collection facility on the left, the location of the collection facility was different. In other words, unlike when optimizing only the flow line length and the location of the collection facility, when fluidity was also considered, it was determined that there was no flow from production well No. 9, so the location of the collection facility was located close to production well No. 9, so that nine production wells were installed. Overall, productionable results were obtained. And when compared with actual field data, each collection facility is connected and gathers at one point and moves to the terminal. However, in the actual field, the four collection facilities were produced first and the remaining areas were produced later, with two collection facilities producing one The reason for connecting to the first point instead of gathering to the point is that the pressure gradually dropped as production was produced at the first point, so it is analyzed that the connection was made to move from the point produced later to the first point to move smoothly to the terminal. Here, the nine red represents a plant.
도 17은 본 발명의 일 실시예에 따른 일부분의 플로우라인 필드맵을 나타낸 도면이다. Figure 17 is a diagram showing a partial flow line field map according to an embodiment of the present invention.
도 17을 참조하면, 두 번째는 실제 현장에 플로우라인 길이의 합과 본 발명에서 만든 결과물의 플로우라인 길이의 합을 비교하여 보았다. 그 결과 실제 현장의 총 길이는 9.5㎞로 산출되었으며, 모델의 플로우라인의 총 길이는 9.7㎞로 약 2%로의 오차가 발생하였다. 이는 실제 계획했을 때 생기는 변수를 고려하면 수렴할 수 있는 결과라고 보인다. Referring to Figure 17, the second comparison was made between the sum of the flow line lengths in the actual field and the sum of the flow line lengths of the result produced in the present invention. As a result, the total length of the actual site was calculated to be 9.5 km, and the total length of the model's flow line was 9.7 km, resulting in an error of about 2%. This appears to be a result that can be converged considering the variables that arise during actual planning.
도 15 내지 도 17에서 살펴본 바와 같이 1개의 섹터에서 한 부분을 적용하여 유동성을 고려한 시나리오를 도출하였다. As seen in Figures 15 to 17, a scenario considering liquidity was derived by applying one part from one sector.
도 18은 본 발명의 일 실시예에 따른 플로우라인 네트워크 시나리오를 만들기 위한 인공 신경망 툴박스가 도시되어 있고, 도 19는 본 발명의 일 실시예에 따른 인공 신경망을 이용하여 도출된 결과값을 나타낸 그래프이며, 도 20은 본 발명의 일 실시예에 따른 전체 플로우라인 필드맵을 나타낸 도면이다. Figure 18 shows an artificial neural network toolbox for creating a flowline network scenario according to an embodiment of the present invention, and Figure 19 is a graph showing results derived using an artificial neural network according to an embodiment of the present invention. , Figure 20 is a diagram showing the entire flow line field map according to an embodiment of the present invention.
도 18 내지 도 20을 참조하면, 실제 현장 규모를 적용한 시나리오를 만들어 분석하였다. 도 20에 도시된 시나리오 대상 지역은 캘거리 육상가스전이다. 이 지역의 플로우라인 네트워크 시나리오를 만들기 위해 필수적인 요소인 포집시설의 개수를 인공신경망을 이용하여 산출하였다.Referring to Figures 18 to 20, a scenario applying the actual field scale was created and analyzed. The scenario target area shown in Figure 20 is the Calgary onshore gas field. The number of collection facilities, an essential element to create a flowline network scenario in this region, was calculated using an artificial neural network.
인공신경망의 학습속도와 예측은 학습 데이터의 구성방식 외 학습 반복횟수, 학습률, 초기 연결 강도, 은닉층 수 및 노드 등에 의해서 결정된다. 학습률은 신경망의 구조 및 응용 목적에 따라 달라지는데 학습률이 높으면 최적 가중치를 지나쳐 갈 수 있고 너무 작으면 학습속도가 느리고 지역 최적 가중치에 갇히는 문제가 발생한다. 이를 방지하기 위해서 모멘텀이 있는데 이는 지역 최종점으로 수렴하는 문제를 줄여주며 학습시간을 줄여주는 역할을 한다. 인공신경망으로 포집시설의 개수를 학습하여 결과를 나타내기 위해서는 학습데이터와 검증 데이터 그리고 유용성을 판단할 수 있는 데이터가 있어야 한다. 본 발명을 위한 인공신경망은 31개의 자료를 이용하여 학습하였다. 입력자료는 생산정에서 도출할 수 있는 투과도, 압력, 유효생산 두께, 크기, 공극률 등이며 각각의 자료는 그 섹터를 대표하는 하나의 값으로 선정하였다. 결과자료는 각각의 포집시설의 개수를 입력하였다(도 18).The learning speed and prediction of an artificial neural network are determined by the number of learning repetitions, learning rate, initial connection strength, number of hidden layers, and nodes in addition to the way the learning data is structured. The learning rate varies depending on the structure and application purpose of the neural network. If the learning rate is high, it may exceed the optimal weight, and if it is too small, the learning rate is slow and problems of being stuck in the local optimal weight occur. To prevent this, there is momentum, which reduces the problem of converging to a local final point and reduces learning time. In order to learn the number of collection facilities using an artificial neural network and display the results, there must be learning data, verification data, and data that can judge usefulness. The artificial neural network for the present invention was trained using 31 pieces of data. Input data include permeability, pressure, effective production thickness, size, and porosity that can be derived from production wells, and each data was selected as a value representing the sector. The resulting data included the number of each collection facility (Figure 18).
31개 자료 중 21개의 자료를 인공신경망 학습을 하는 데 사용하였고 나머지 10개의 자료는 각각 5개씩 2개로 묶어 각각 검증 및 유용성 자료에 사용하였다. 그 결과 학습 상관계수는 0.99이고 검증은 0.99로 산출되었으며 유용성은 0.99로 높은 상관계수 결과를 나타내었다(도 19). 이렇게 만들어진 인공신경망 모델을 이용하여 대상 섹터의 입력자료를 이용하여 포집시설의 개수를 산출하였다. 그 결과 11개가 대상 섹터에 적합한 포집시설의 개수로 산출되었다.Of the 31 data, 21 data were used to learn the artificial neural network, and the remaining 10 data were grouped into 2 groups of 5 each and used for verification and usability data. As a result, the learning correlation coefficient was calculated to be 0.99, verification was calculated to be 0.99, and usability was calculated to be 0.99, showing a high correlation coefficient result (Figure 19). Using the artificial neural network model created in this way, the number of collection facilities was calculated using the input data of the target sector. As a result, 11 were calculated as the number of collection facilities suitable for the target sector.
도 21은 본 발명의 일 실시예에 따른 전체 생산정에서의 MBE에 의한 IGIP를 산출하는 것을 나타낸 그래프이다. Figure 21 is a graph showing the calculation of IGIP by MBE in the entire production well according to an embodiment of the present invention.
도 21을 참조하면, 캐나다 육상가스전에서 생산정의 수와 크기, 위치, 심도 그리고 저류층의 물성을 주어진 상태에서 유동성을 고려한 플로우라인 네트워크를 만들었다. 현장의 크기는 9.4㎞ * 9.4㎞이며, 생산정은 개수는 87개이다. 그리고 대표적 물성은 생산정의 두께(Net pay thickness)는 32.8(ft), 공극률이 30%, z factor가 0.75, Swi(물포화율)는 0.427, Bgi(Formation Volume Factor)값은 0.051로 주어졌다. 먼저 앞서 검증하였던 절차대로 IGIP를 산출한 결과 119,031mmscf가 도출되었고 이 도출된 결과를 토대로 생산감퇴곡선으로 평균압력을 산출한 결과 914psi가 나왔다. Referring to Figure 21, a flowline network was created considering fluidity given the number, size, location, depth, and reservoir properties of production wells in an onshore gas field in Canada. The size of the site is 9.4㎞ * 9.4㎞, and the number of production wells is 87. And the representative physical properties are the production well thickness (Net pay thickness) of 32.8 (ft), porosity of 30%, z factor of 0.75, S wi (water saturation rate) of 0.427, and B gi (Formation Volume Factor) of 0.051. lost. First, as a result of calculating the IGIP according to the previously verified procedure, 119,031 mmscf was derived. Based on this result, the average pressure was calculated using the production decline curve and the result was 914 psi.
도 22는 본 발명의 일 실시예에 따른 전체 생산정에서의 목적 함수값의 추세를 나타낸 그래프이고, 도 23은 본 발명의 일 실시예에 따른 전체 생산정에서의 플로우라인 네트워크를 최적화한 결과를 나타낸 도면이다. Figure 22 is a graph showing the trend of objective function values in all production wells according to an embodiment of the present invention, and Figure 23 is a graph showing the results of optimizing the flowline network in all production wells according to an embodiment of the present invention. This is the drawing shown.
도 22 및 도 23을 참조하면, 인공신경망 기법으로 분석하여 도출한 11개의 포집시설, MDCQ, 그리고 터미널위치와 포집시설의 위치 등도 입력하였다. 터미널과 포집시설의 위치는 실제 현장적용에서 설계되어 운용하고 있는 위치를 동일하게 사용하였고, MDCQ는 주위의 섹터에서 평균적으로 하루에 생산하는 양의 평균을 입력 값으로 사용하였다. 좌표로 변환된 모델의 크기는 (9400,9400)으로 실제 현장과 동일하게 만들었고 초기 11개의 포집시설의 위치는 (5000,5000)으로 설정하였다. 이렇게 입력 자료가 주어진 상태에서 플로우라인 네크워크 시나리오를 만들었다.Referring to Figures 22 and 23, 11 collection facilities, MDCQ, and terminal locations and locations of collection facilities derived from analysis using artificial neural network techniques were also entered. The locations of the terminal and collection facility were designed and operated in the same way as in actual field application, and MDCQ used the average amount produced per day in the surrounding sectors as an input value. The size of the model converted to coordinates was set to (9400,9400), which was the same as the actual site, and the locations of the initial 11 collection facilities were set to (5000,5000). Given this input data, a flowline network scenario was created.
총 반복횟수는 55,595번이고 11개의 포집시설의 위치는 다음의 표 3과 같고 플로우라인 총 길이는 12.9km로 산출되었다(도 23, 도 24). The total number of repetitions was 55,595, the locations of the 11 collection facilities are shown in Table 3 below, and the total length of the flow line was calculated to be 12.9km (Figures 23 and 24).
실제 현장과 비교했을 때 포집시설의 위치나 플로우라인의 연결은 다르게 나타났다. 왜냐하면, 동일한 시점에서 생산을 시작한 것이 아니라, 현재 시나리오하고는 맞지 않는다. 그러나 동시에 87개의 생산정이 생산을 한다고 가정한다면 이것은 하나의 유동성을 고려한 플로우라인 네트워크 최적화 시나리오로 볼 수 있다.Compared to the actual site, the location of the collection facility and the connection of the flow lines appeared different. Because production did not start at the same time, it does not fit with the current scenario. However, assuming that 87 production wells are producing at the same time, this can be viewed as a flowline network optimization scenario considering one liquidity.
여기서, 적색의 엑스(x)는 87개의 생산정을 나타내고, 청색의 11개의 동그라미(o)는 포집시설을 나타내며, 녹색의 사각형(ㅁ)은 터미널을 나타내고, 적색의 사각형(ㅁ)은 플랜트를 나타낸다. Here, the red indicates.
본 발명은 생산정 위치, 포집시설의 위치 및 개수를 광역최적화기법인 SA를 사용하여 포집시설의 위치와 플로우라인 길이를 최소화하는 초기 네트워크 모델을 만들었다. 초기 네트워크 모델에 유체유동 가능 여부를 판단하기 위해 Weymouth 방정식을 변환하여 가스정별 목표 운송량과 노달분석 결과자료를 비교하여 그 차이를 플로우라인 길이로 환산하고 목적함수에 반영하여 생산정에서 유동이 가능한 플로우라인 모델을 개발하였다. 그리고 본 발명에 따라 인공신경망을 이용하여 생산정 물성과 포집시설의 개수의 연관성을 고려하여 포집시설의 개수를 산출하였고 본 발명을 실제 캐나다 캘거리 육상가스전 현장 필드에서 생산정의 수와 저류층의 물성만을 이용하여 플로우라인 네트워크 최적화 시나리오를 만들었다.The present invention created an initial network model that minimizes the location of the production well and the location and number of collection facilities using SA, a wide-area optimization technique, to minimize the location of the collection facility and the length of the flow line. In order to determine whether fluid flow is possible in the initial network model, the Weymouth equation is converted, the target transport volume for each gas well is compared with the nodal analysis result data, the difference is converted to flow line length, and reflected in the objective function to determine the flow that can flow in the production well. A line model was developed. In addition, according to the present invention, the number of collection facilities was calculated by considering the relationship between the physical properties of production wells and the number of collection facilities using an artificial neural network, and the present invention was actually used in the field of the Calgary, Canada onshore gas field using only the number of production wells and the physical properties of the reservoir. This created a flowline network optimization scenario.
광역최적화 기법의 하나인 SA 알고리즘을 이용하여 플로우라인 네트워크 모델을 개발하였다. 모델 개발에서 유동성을 위해 Weymouth 방정식을 변환하여 저류층과 정두압의 차이를 플로우라인 길이로 환산하고 목적함수 값에 추가하였다.A flowline network model was developed using the SA algorithm, one of the wide-area optimization techniques. In model development, the Weymouth equation was converted for fluidity, and the difference between reservoir and static pressure was converted to flowline length and added to the objective function value.
본 발명의 플로우 라인 네트워크 모델을 검증하기 위해 생산정 4개 중 1개의 생산정이 흐르지 않을 경우를 가정하고 GU의 위치변화를 분석한 결과 SA 알고리즘의 목적함수 값이 최소가 되면서 흐르지 않는 생산정 방향으로 포집시설의 위치가 이동된 것을 확인하였다.In order to verify the flow line network model of the present invention, it was assumed that one out of four production wells was not flowing and the position change of the GU was analyzed. As a result, the objective function value of the SA algorithm was minimized and the direction of the non-flowing production well was determined. It was confirmed that the location of the collection facility had been moved.
전술한 바와 같이 플로우라인 네트워크를 캐나다 캘거리지역 육상가스전에서 검증하였다. 총 9개의 생산정과 2개의 포집시설이 있는 있는 모델이며, IGIP, DCA, 그리고 MBE를 이용하여 평균압력을 산출하고 입력하였다. 그 결과 실제 현장 총 플로우라인 길이의 합에 비교했을 때 오차가 2%로 산출되었다.As mentioned above, the flowline network was verified in an onshore gas field in Calgary, Canada. It is a model with a total of 9 production wells and 2 collection facilities, and the average pressure was calculated and input using IGIP, DCA, and MBE. As a result, the error was calculated to be 2% when compared to the sum of the total flow line lengths in the actual field.
머신러닝 기법의 하나인 인공신경망을 이용하여 포집시설의 개수를 산출하였다. 총 31개의 데이터를 이용하였고, 학습한 결과 학습 상관계수는 0.99, 검증은 0.99 그리고 유용성은 0.99로 나타났으며 이렇게 만들어진 모델을 이용하여 현장검증의 포집시설의 개수를 예측한 결과 11개가 산출되었다.The number of collection facilities was calculated using artificial neural network, a machine learning technique. A total of 31 pieces of data were used, and as a result of learning, the learning correlation coefficient was 0.99, verification was 0.99, and usefulness was 0.99. Using the model created in this way, the number of collection facilities for field verification was predicted and 11 were calculated.
현장 규모를 적용한 시나리오를 산출하였다. 생산정 87개인 현장에서 앞서 검증한 9개의 생산정과 같은 방법으로 수행하였다. 실제 현장과 비교했을 때 GU 위치나 플로우라인의 연결은 다르게 나타났다. 하지만 이 모델의 경우 같은 시점에서 생산을 시작한 것이 아니므로 현재 시나리오하고는 맞지 않는다. 그러나 동시에 생산을 한다고 가정한다면 이것은 하나의 유동성을 고려한 플로우라인 네트워크 최적의 시나리오로 볼 수 있다.A scenario applying the field scale was calculated. At the site with 87 production wells, the same method was used as for the 9 production wells previously verified. Compared to the actual site, the GU locations and flow line connections appeared different. However, in the case of this model, production did not start at the same time, so it does not fit the current scenario. However, assuming simultaneous production, this can be seen as an optimal flowline network scenario considering single liquidity.
한편 본 발명은 컴퓨터 또는 네트워크로 연결된 다수의 컴퓨터에 의해 수행될 수 있으며, 프로세서에 의해 연산되도록 구성될 수 있다. Meanwhile, the present invention can be performed by a computer or a plurality of computers connected through a network, and can be configured to be operated by a processor.
상기 본 발명의 내용은 도면에 도식된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.The content of the present invention has been described with reference to the embodiments illustrated in the drawings, but these are merely illustrative, and those skilled in the art will understand that various modifications and other equivalent embodiments are possible therefrom. will be. Therefore, the true scope of technical protection of the present invention should be determined by the technical spirit of the attached patent claims.
Claims (11)
포집시설(Gathering Unit, GU)의 개수를 결정하는 단계;
SA알고리즘을 이용하여 목적함수(objective function)가 최소가 되도록 플로우라인의 총 길이를 결정하는 단계;
상기 포집시설의 위치를 결정하는 단계; 및
상기 결정된 포집시설의 위치와 및 플로우라인의 길이에 대응하여 유동성을 고려하여 상기 GU의 위치와 플로우라인의 길이를 수정하는 단계;를 포함하고,
상기 생산정을 포함하는 저류층의 평균 압력을 산출하는 단계는,
상기 저류층의 타겟필드(target field)의 데이터를 입력받는 단계;
각 생산정의 초기가스매장량(initial gas in place ; 이하, IGIP로 칭함)을 산출하는 단계;
DCA(decline curve analysis)를 이용하여 일일계약생산량(MDCQ)를 산출하는 단계; 및
IGIP와 p/z의 그래프로 나타내고 상기 그래프 상에 생산감퇴곡선을 생성하여 상기 DCA로 산출한 MDCQ를 상기 생산감퇴곡선에 입력하고 평균압력을 산출하며 상기 생산정의 생산가능량을 산출하는 단계;를 포함하며,
상기 GU의 개수를 결정하는 단계는,
플로우라인 설치할 현장의 생산정 자료를 입력받는 단계; 및
상기 생산정 자료를 입력으로 하여 최적의 포집시설의 개수를 인공신경망(ANN: Artificial Neural Network)을 이용하여 시뮬레이션하는 단계;를 포함하는 것인 컴퓨터에 의해 수행되는 인공신경망을 이용한 가스정 생산성을 고려한 플로우라인 네트워크 최적화 방법.Calculating the average pressure of the reservoir including each production well;
Determining the number of gathering units (GU);
Determining the total length of the flowline to minimize the objective function using the SA algorithm;
Determining the location of the collection facility; and
Comprising: modifying the position of the GU and the length of the flow line in consideration of fluidity in response to the determined location of the collection facility and the length of the flow line,
The step of calculating the average pressure of the reservoir containing the production well is,
Receiving data of a target field of the reservoir;
Calculating the initial gas in place (hereinafter referred to as IGIP) of each production well;
Calculating daily contract production quantity (MDCQ) using decline curve analysis (DCA); and
Including the step of plotting IGIP and p/z, generating a production decline curve on the graph, inputting MDCQ calculated using the DCA into the production decline curve, calculating the average pressure, and calculating the production capacity of the production well. And
The step of determining the number of GUs is:
Step of receiving production well data at the site where the flow line is to be installed; and
A flow considering gas well productivity using an artificial neural network performed by a computer, including a step of simulating the optimal number of collection facilities using an artificial neural network (ANN) using the production well data as input. Line network optimization method.
저류층의 투수성(permeability), 저류층의 압력(pressure), 생산정의 두께(Net pay thickness), 생산량(Production rate), 영역 정보(Area)를 포함하여 구성되는 것인 컴퓨터에 의해 수행되는 인공신경망을 이용한 가스정 생산성을 고려한 플로우라인 네트워크 최적화 방법.The method of claim 1, wherein the production well data is,
An artificial neural network performed by a computer is composed of reservoir permeability, reservoir pressure, production well thickness, production rate, and area information. Flowline network optimization method considering gas well productivity.
상기 포집시설(Gathering Unit, GU)의 위치를 결정하는 단계는,
각 생산정에서 노달분석을 통해 계산한 최적생산유량 qg과 생산량 재분배 과정을 통해 할당한 목표운송유량 qij를 각 생산정마다 비교하는 단계; 및
소정의 생산정에 대하여 최적생산유량 qg가 목표운송유량 qij미만인 경우 상기 GU의 위치를 상기 소정의 해당 생산정 방향으로 △q만큼 이동시키는 단계;를 포함하여 구성되는 것인 컴퓨터에 의해 수행되는 인공신경망을 이용한 가스정 생산성을 고려한 플로우라인 네트워크 최적화 방법.According to paragraph 1,
The step of determining the location of the gathering unit (GU) is,
A step of comparing the optimal production flow rate q g calculated through nodal analysis at each production well and the target transportation flow rate q ij allocated through the production redistribution process for each production well; and
If the optimal production flow rate q g for a given production well is less than the target transport flow rate q ij , moving the position of the GU by △q in the direction of the given production well; performed by a computer, comprising: Flowline network optimization method considering gas well productivity using an artificial neural network.
상기 GU 개수를 입력받는 단계; 및
상기 GU의 위치를 변화시키면서 총 플로우 라인의 길이가 최소가 되도록 상기 총 플로우라인의 길이를 계산하는 단계;를 포함하는 것인 컴퓨터에 의해 수행되는 인공신경망을 이용한 가스정 생산성을 고려한 플로우라인 네트워크 최적화 방법. The method of claim 1, wherein determining the length of the flow line comprises:
receiving the number of GUs; and
Calculating the length of the total flow line to minimize the total length of the flow line while changing the position of the GU; A flow line network optimization method considering gas well productivity using an artificial neural network performed by a computer, comprising: .
상기 플로우라인의 길이를 수정하는 단계는,
각각의 시추공에 생산량 재분배(rate allocation)를 통해 산출된 유량을 입력하고 정두압력을 계산하여 노달분석을 수행하는 단계;
상기 노달분석을 통해 계산된 유량의 결과값과 목표운송유량의 차이를 계산하는 단계;
상기 목표운송유량의 차이를 플로우라인 길이로 환산하는 단계;
생산정에 유동이 발생하는 지의 여부를 판단하는 판단단계;
상기 판단단계에서의 판단결과 유동이 형성되지 않는 경우에는 목적함수에 변경된 길이를 추가하고, 상기 변경된 길이가 포함된 변경된 플로우라인의 길이를 계산하는 단계; 및
상기 모든 생산정에 대하여 유동이 생성되는 경우 모든 생산정에 대하여 유동이 생성되는 플로우라인 네트워크를 구축하는 단계;를 포함하는 것인 컴퓨터에 의해 수행되는 인공신경망을 이용한 가스정 생산성을 고려한 플로우라인 네트워크 최적화 방법.According to paragraph 1,
The step of modifying the length of the flow line is,
Entering the flow rate calculated through rate allocation to each borehole and calculating the wellhead pressure to perform nodal analysis;
calculating the difference between the flow rate result calculated through the nodal analysis and the target transportation flow rate;
Converting the difference in the target transport flow rate into a flow line length;
A judgment step to determine whether flow occurs in the production well;
If flow is not formed as a result of the determination in the determination step, adding the changed length to the objective function and calculating the length of the changed flow line including the changed length; and
Flowline network optimization considering gas well productivity using an artificial neural network performed by a computer, including the step of constructing a flowline network in which flow is generated for all production wells when flow is generated for all production wells. method.
+CL(Converted Length)
여기서, xwel은 생산정의 x좌표 위치, xGU는 포집시설의 x좌표 위치, ywel은 생산정의 y좌표 위치, yGU는 포집시설의 y좌표 위치, CL은 상기 목적함수에 추가되는 변환된 길이(Converted Length)를 나타냄. The method of claim 7, wherein the objective function is configured to be expressed by the following equation. A flowline network optimization method considering gas well productivity using an artificial neural network performed by a computer.
+CL(Converted Length)
Here, x wel is the x-coordinate location of the production definition, x GU is the x-coordinate location of the collection facility, y wel is the y-coordinate location of the production definition, y GU is the y-coordinate location of the collection facility, and CL is the converted Indicates length (Converted Length).
여기서, Δq는 최적생산유량 qg으로부터 목표운송유량 qij를 감산한 차이값이고, pb는 플로우라인의 기저압력(base pressure), Tb는 플로우라인의 기저온도(base temperture), 는 플로우라인의 평균온도이며, 는 유입지점에서의 온도(T1), 유출지점에서의 온도(T2)의 평균값으로 나타내고, 는 플로우라인에서의 평균압축도이며, 유입압력인 p1에서의 가스압축도 z1, 유출압력인 p2에서의 가스압축도 z2의 평균값으로 나타내고, γg는 가스 중력(gas gravity)을 나타내고, D는 플로우라인의 직경을 나타냄. The flowline network optimization method considering gas well productivity using an artificial neural network performed by a computer according to claim 8, wherein the converted length added to the objective function is configured to be obtained by the following equation.
Here, Δq is the difference value obtained by subtracting the target transport flow rate q ij from the optimal production flow rate qg, p b is the base pressure of the flow line, T b is the base temperature of the flow line, is the average temperature of the flow line, is expressed as the average value of the temperature at the inlet point (T 1 ) and the temperature at the outlet point (T 2 ), is the average compression degree in the flow line, and is expressed as the average value of gas compression degree z 1 at the inlet pressure p 1 and gas compression degree z 2 at the outflow pressure p 2 , and γ g is the gas gravity. and D represents the diameter of the flow line.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180166996A KR102597540B1 (en) | 2018-12-21 | 2018-12-21 | Flowline network optimization method considering gas well productivity using artificial neural network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180166996A KR102597540B1 (en) | 2018-12-21 | 2018-12-21 | Flowline network optimization method considering gas well productivity using artificial neural network |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200077773A KR20200077773A (en) | 2020-07-01 |
| KR102597540B1 true KR102597540B1 (en) | 2023-11-03 |
Family
ID=71601507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180166996A KR102597540B1 (en) | 2018-12-21 | 2018-12-21 | Flowline network optimization method considering gas well productivity using artificial neural network |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102597540B1 (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009510605A (en) * | 2005-09-30 | 2009-03-12 | シーメンス エナジー アンド オートメーション インコーポレイテッド | Analysis method of oil and gas production project |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6980940B1 (en) | 2000-02-22 | 2005-12-27 | Schlumberger Technology Corp. | Intergrated reservoir optimization |
| US7643974B2 (en) * | 2005-04-22 | 2010-01-05 | Air Liquide Large Industries U.S. Lp | Pipeline optimizer system |
-
2018
- 2018-12-21 KR KR1020180166996A patent/KR102597540B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009510605A (en) * | 2005-09-30 | 2009-03-12 | シーメンス エナジー アンド オートメーション インコーポレイテッド | Analysis method of oil and gas production project |
Non-Patent Citations (1)
| Title |
|---|
| 곽태성 외 3인. 인공신경망과 SA 알고리즘을 이용한 지능형 생산정 위치 최적화 전산 모델 개발. 한국가스학회지 제19권 제1호, 28-37쪽. 2015년 2월 1부.* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200077773A (en) | 2020-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10997518B2 (en) | Method for predicting oil and gas reservoir production | |
| EP2948618B1 (en) | Constrained optimization for well placement planning | |
| RU2486336C2 (en) | Method of formation breakdown simulation and its estimation, and computer-read carrier | |
| US20150339411A1 (en) | Automated surface network generation | |
| Yousefzadeh et al. | An efficient method for injection well location optimization using fast marching method | |
| Annan Boah et al. | Critical evaluation of infill well placement and optimization of well spacing using the particle swarm algorithm | |
| Litvak et al. | Field development optimization with subsurface uncertainties | |
| US20230111179A1 (en) | Predicting oil and gas reservoir production | |
| Hongwei et al. | Well placement optimization with cat swarm optimization algorithm under oilfield development constraints | |
| Izgec et al. | Maximizing volumetric sweep efficiency in waterfloods with hydrocarbon F–Φ curves | |
| Li et al. | Mixed integer simulation optimization for optimal hydraulic fracturing and production of shale gas fields | |
| Yu et al. | Embedded discrete fracture model assisted study of gas transport mechanisms and drainage area for fractured shale gas reservoirs | |
| Hohendorff Filho et al. | Effect of reservoir and production system integration on field production strategy selection | |
| US10934812B2 (en) | Integrated a priori uncertainty parameter architecture in simulation model creation | |
| Lin et al. | Application of reservoir flow simulation integrated with geomechanics in unconventional tight play | |
| US11970935B2 (en) | Tracer tracking for control of flow control devices on injection wells | |
| KR102597540B1 (en) | Flowline network optimization method considering gas well productivity using artificial neural network | |
| Bogdanov et al. | Integrated Modeling of the Complex Multilayer Oil, Gas and Condensate Field Development as a Method of the Project Value Increasing | |
| von Hohendorff Filho et al. | Evaluation of reservoir and production system integration in production strategy selection | |
| Coll et al. | Probabilistic and Deterministic methods: Applicability in unconventional reservoirs | |
| An et al. | A Novel Workflow for Optimizing Well Placement Under Geomechanical Constraints: A Case Study | |
| Robertson et al. | Optimization of unconventional well-pad area using reservoir simulation and intelligent sequential sampling | |
| Victorino et al. | Impact of integration of the production systems and reservoir of a benchmark based on carbonate fields | |
| Absalyamov et al. | Coupled static and dynamic high resolution modelling on high performance computer clusters | |
| US20210340858A1 (en) | Systems and Methods for Dynamic Real-Time Hydrocarbon Well Placement |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |