اسید کاری در مخازن نفتی

امروزه برداشت بیشینه از مخازن نفت و گاز با در نظر گرفتن جنبه­های اقتصادی، بیش از هر زمان دیگری اهمیت یافته است. رفع موانع موجود در مسیر تولید از مخازن، از ملزومات دست یابی به تولید مطلوب است؛ یکی از موانع و مشکلاتی که همواره موجب ایجاد افت فشار اضافی و در نتیجه کاهش نرخ تولید در چاه­های نفتی می­شود، پدیده­ی آسیب سازند می­باشد [1]. موثرترین راه مقابله با آسیب سازند، استفاده از روش­های تحریک و انگیزش چاه است. عملیات تحریک چاه شامل گستره­ی وسیعی از روش­ها می­باشد که متداول­ترین آنها، استفاده از اسیدها به عنوان مواد محرک برای انحلال رسوبات و رفع انسدادها می­باشد [2]. در کشور ایران، به دلیل آنکه مخازن کربناته (دولومیتی و آهکی) بیش از 80 درصد از تعداد کل مخازن در حال تولید را تشکیل می­دهند، می­توان از عملیات اسیدکاری به بهترین شکل بهره­گیری نمود؛ چراکه بازدهی فرایندهای اسیدکاری در سازندهای کربناته، به مراتب بیش از سایر انواع لیتولوژی­هاست [3].

در سال های اخیر، مقدار زیادی از الگوریتم های مجموعه با انواع ترکیب های پیش بینی داخلی، یادگیری پایه­ای مختلف و مکانیسم های مختلف برای تقویت پاسخ در چندین مسئله کاربردی پیشنهاد شده اند [4]. بهره­گیری از الگوریتم­های نوین در این زمینه می­تواند ارتباط مناسبی بین متغیرهای موثر ایجاد نماید [5].

در جریان عمل ترکیب به صورت اتفاقی بخش­هایی از کروموزوم­ها با یکدیگر ترکیب می­شوند. این موضوع باعث می­شود که فرزندان، ترکیبی از خصوصیات والدین خود را به همراه داشته باشند و دقیقا مشابه یکی از والدین نباشند. هدف تولید فرزند جدید می­باشد و به این امید که خصوصیات خوب دو موجود در فرزندشان جمع شده و یک موجود بهتری را تولید کند. نحوه بکارگیری عملگر ترکیب در این پایان نامه به این صورت است که ابتدا بوسیله شیوه چرخ رولت[1] احتمال انتخاب والدهای با خصوصیات بهتر را بیشتر می­کنیم [6]. سپس با انتخاب دو به دو از جمعیت اولیه به تعداد ncross، که در ابتدای برنامه از پیش تعیین می­شود، والدین را مشخص می­کنیم. در ادامه ژن­های والدین به دو بخش تقسیم می­شوند یا به اصطلاح کروموزوم برش داده می­شود که نقطه برش به صورت تصادفی تعیین می­شود. برای فرزند اول، بخش اول از والد اول و بخش دوم از والد دوم انتخاب می­شود. برای فرزند دوم نیز بخش اول از والد دوم و بخش دوم از والد اول گرفته می­شود [7].

اغلب مسائل بهینه سازی دارای متغیرهای گسسته و پیوسته به طور همزمان هستند. بنابراین اگر تکنیک­های استاندارد برنامه ریزی غیر خطی در مورد این نوع مسائل به کار گرفته شود ناموثر بوده، از نظر محاسباتی گران و در بیشتر موارد حاصل آن ها یک بهینه موضعی است. در این مسائل استفاده از روش­های اتفاقی (Stochastic) برتری دارد. الگوریتم ژنتیک یکی از همین روش های اتفاقی است. پدیده اصلی این روش مربوط به هالند (Holand) است، اگرچه از لحاظ فلسفی اساس آن بر پایه نظریه داروین یعنی (اصل بقای بهترین: Surival of the filtest) استوار است [8].

اساس الگوریتم های ژنتیک قوانین طبیعی ژن ها و قوانین انتخاب در طبیعت است و عناصر پایه ای آن -پارامتر های ژنتیک- مانند ژنتیک طبیعی همان تولید مثل (reproduction)، جدایش (cross over)، جهش (mutation) و مهاجرت (migration) هستند. یک الگوریتم ژنتیک کلی یک نسل اولیه تولید می کند (یک جمعیت یا دسته از متغیرهای تصمیم گیری) (0)G و برای نسل (t)G، یک نسل جدید تولید می شود (l+t)G.

[1] Roulette Wheel