[论文解读] A Multilevel Coordinate Search Algorithm for Well Placement, Control and Joint Optimization

Wang Xiang, Ronald D. Haynes+1 more|arXiv (Cornell University)|Oct 13, 2015

Reservoir Engineering and Simulation Methods参考文献 61被引用 5

一句话总结

本文提出多级坐标搜索（MCS）算法，用于油藏开发中的联合井位与控制优化，结合全局与局部搜索，无需梯度信息。在计算预算有限的情况下，MCS在收敛速度和解质量方面优于GPS、PSO和CMA-ES，尤其在计算资源受限时表现更优，且顺序优化流程在测试案例中取得了更优结果。

ABSTRACT

Determining optimal well placements and controls are two important tasks in oil field development. These problems are computationally expensive, nonconvex, and contain multiple optima. The practical solution of these problems require efficient and robust algorithms. In this paper, the multilevel coordinate search (MCS) algorithm is applied for well placement and control optimization problems. MCS is a derivative-free algorithm that combines global and local search. Both synthetic and real oil fields are considered. The performance of MCS is compared to generalized pattern search (GPS), particle swarm optimization (PSO), and covariance matrix adaptive evolution strategy (CMA-ES) algorithms. Results show that the MCS algorithm is strongly competitive, and outperforms for the joint optimization problem and with a limited computational budget. The effect of parameter settings for MCS are compared for the test examples. For the joint optimization problem we compare the performance of the simultaneous and sequential procedures and show the utility of the latter.

研究动机与目标

• 解决油藏开发中计算成本高、非凸且多峰的井位与控制优化挑战。
• 评估多级坐标搜索（MCS）算法——此前未应用于油藏优化——相较于成熟无梯度方法的性能表现。
• 比较联合井位与控制优化的同步与顺序流程，评估其在解质量与计算复杂度之间的权衡。
• 确定在计算预算有限的油藏模拟优化中，MCS的最佳参数设置。
• 在不同复杂度的合成与真实油藏案例中，展示MCS的实际应用价值。

提出的方法

• 将多级坐标搜索（MCS）算法——一种无梯度全局优化方法，结合多级划分与局部搜索——应用于井位与控制问题。
• 采用线搜索生成MCS的初始化列表，以提升高维搜索空间中的收敛性与鲁棒性。
• 实施一种顺序优化流程，将联合问题分解为两个子问题：首先优化井位，然后基于最优井位优化控制参数。
• 在四个基准油藏案例中，将MCS与广义模式搜索（GPS）、粒子群优化（PSO）及协方差矩阵自适应进化策略（CMA-ES）进行对比。
• 使用油藏模拟评估目标函数（如净现值），优化变量包括井坐标与随时间变化的井底流压（BHPs）。
• 采用基于惩罚的约束处理方法用于未来扩展，但本研究中尚未完全实现。

实验结果

研究问题

• RQ1 MCS算法在井位与控制优化中，相较于GPS、PSO和CMA-ES，在收敛速度与最终解质量方面表现如何？
• RQ2 在计算预算有限的油藏模拟优化中，MCS的哪些参数设置能实现最佳性能？
• RQ3 与同步流程相比，顺序优化流程在解质量与鲁棒性方面是否表现更优？
• RQ4 MCS能否在无需梯度信息的情况下，有效处理油藏优化问题的非凸性、多峰性与高计算成本？
• RQ5 MCS与局部搜索的结合如何提升复杂油藏优化场景下的性能表现？

主要发现

• 在全部四个测试案例中，MCS均优于GPS、PSO和CMA-ES，尤其在模拟次数有限时，收敛速度与最终净现值（NPV）表现更优。
• 对于联合优化问题，采用线搜索初始化与$ s_{\text{max}} = 5n + 10 $级的MCS取得更优结果，对于困难问题建议采用更高$ s_{\text{max}} $。
• 在示例4中，顺序流程产生的解优于同步流程，最优控制参数略有差异且波及面积更大。
• 顺序流程获得的最优井位实现了更高的波及效率，表明油藏接触与采收率得到改善。
• MCS表现出一致性能，未出现PSO与CMA-ES等随机算法固有的波动性，显著提升了可靠性。
• 在所有算法组合中，顺序框架下MCS-MCS（井位与控制均采用MCS）在收敛性与最终NPV方面实现最佳整体性能。