A systematic approach for estimation of reservoir rock properties using Ant Colony Optimization

Document Type : Research Paper

Author

Department of Earth Science, Faculty of Natural Science, University of Tabriz, Iran

Abstract

Optimization of reservoir parameters is an important issue in petroleum exploration and production. The Ant Colony Optimization
(ACO) is a recent approach to solve discrete and continuous optimization problems. In this paper, the Ant Colony Optimization is used
as an intelligent tool to estimate reservoir rock properties. The methodology is illustrated by using a case study on shear wave velocity
estimation from petrophysical data by the linear and nonlinear ACO models. The results of this research show that the ACO is a fast,
robust and cost-effective method for rock properties estimation. It is proposed that ant colony optimization aids in future reservoir
characterization studies.

Keywords

Article Title [Persian]

یک رهیافت سیستماتیک برای تخمین خواص سنگ مخزن با استفاده از بهینه سازی کلونی مورچه ای

Author [Persian]

  • علی کدخدائی
دانشگاه تبریز- دکتری
Abstract [Persian]

بهینه سازی پارامترهای مخزن یک موضوع مهم در اکتشاف و تولید نفت است. بهینه سازی کلونی مورچه ای یک رهیافت جدید برای حل مسائل بهینه سازی گسسته و پیوسته است. در این مطالعه بهینه سازی کلونی مورچه ای به عنوان یک ابزار هوشمند برای تخمین خواص سنگهای مخزن استفاده شده است. روش ارائه شده با استفاده از یک مطالعه موردی بر روی تخمین سرعت موج برشی از داده های پتروفیزیکی با استفاده از مدلهای خطی و غیر خطی تشریح شده است.
نتایج این مطالعه نشان می دهند که بهینه سازی کلونی مورچه ای یک روش سریع، قدرتمند و اقتصادی برای تخمین خواص سنگ است. انتظار می رود که بهینه سازی کلونی مورچه ای بتواند در مطالعات سرشت نمایی آتی مخزن کمک کند.

Keywords [Persian]

  • بهینه سازی کلونی مورچه
  • سرعت موج برشی
  • داده های پتروفیزیکی
  • خواص سنگ

References

Blum, C., 2005. Ant colony optimization: Introduction and recent trends. Physics of Life Reviews 2, 353-373.
Dorigo, M., Maniezzo, V., Colorni, A., 1996. Ant System: Optimization by a colony of cooperating a gents. IEEE Trans.
Syst. Man. Cybernet. Part B, 26(1): 29-41.
Dorigo, M., Stützle, T., 2004. Ant Colony optimization. Cambridge, MA: MIT Press. 305p.
Dorigo, M., Birattari, M., Stutzle,T., 2006. Ant Colony Optimization: Artificial Ants as a Computational Intelligence
Technique. IEEE Computational Intelligence Magazine, 11: 28-39.
Kadkhodaie-Ilkhchi, A., Rahimpour-Bonab, H., Rezaee, M.R., 2009. A Committee Machine with Intelligent Systems for
Estimation of Total Organic Carbon Content from Petrophysical Data: An Example from the Kangan and Dalan
Reservoirs in South Pars Gas Field, Iran. Computers & Geosciences, 35: 459-474.
Kamali, M.R., Mirshady, A.A., 2004. Total organic carbon content determined from well logs using Δ log R and neurofuzzy
techniques. Journal of Petroleum Science and Engineering,45: 141–148.
Mohaghegh, S., 2000. Applications of virtual intelligence to petroleum engineering. Computers and Geosciences 26, 867p.
Nikravesh, M., Aminzadeh, F., 2003. Soft computing and intelligent data analysis in oil exploration. Part1: Introduction:
Fundamentals of Soft Computing. Elsevier, Berkeley, USA. 744 pp.
Razavi., SF., Jalali-Farahani, F., 2010. Optimization and parameters estimation in petroleum engineering problems using
ant colony algorithm. Journal of Petroleum Science and Engineering, 74: 147-153.
Rezaee, M.R, Kadkhodaie-Ilkhchi, A. Barabadi, A., 2007. Prediction of shear wave velocity from petrophysical data using
intelligent systems, a sandstone reservoir of Carnarvon Basin. Journal of Petroleum Science and Engineering, 55: 201-
212.
Zerafat, M.M., Ayatollahi, S., Roosta, A.A., 2009. Genetic Algorithms and Ant Colony Approach for Gas-lift Allocation
Optimization. Journal of the Japan Petroleum Institute 52 (3): 102-107.

Files

History

  • Receive Date: 09 November 2014
  • Revise Date: 27 May 2015
  • Accept Date: 01 June 2015

Share

How to cite

Statistics