Browse

심층 오토인코더를 결합한 신경망 기법의 채널저류층 특성화 연구
Characterization of channelized reservoir using the neural network incorporated with deep autoencoder

Cited 0 time in Web of Science Cited 0 time in Scopus
Authors
안성인
Advisor
강주명
Major
공과대학 에너지시스템공학부
Issue Date
2017-02
Publisher
서울대학교 대학원
Keywords
신경망 기법인공신경망심층 오토인코더채널저류층
Description
학위논문 (석사)-- 서울대학교 대학원 : 에너지시스템공학부, 2017. 2. 강주명.
Abstract
이 연구는 심층 오토인코더를 결합한 신경망 기법을 활용하여 유체투과도와 생산이력을 통합 분석함으로써 불균질 저류층의 미래 생산량을 신뢰도 높게 예측하였다. 기존 신경망 기반의 히스토리 매칭은 정적 및 동적자료의 비선형관계를 단순화하였기 때문에 생산이력의 매칭효율이 높다 하더라도 물성의 불균질한 분포 특성을 보존하기 어려웠다. 이 불균질 특성화의 실패로 인해 히스토리 매칭 이후에도 생산추이 예측의 일관성을 확보하지 못하였다. 이 연구는 심층 오토인코더를 이용한 신경망 체계를 개발하여 생산정의 생산이력(생산정별 물, 오일 생산추이)과 유체투과도 분포의 비선형적 상관관계를 학습하였다. 대상 저류층은 3개의 생산정과 1개의 물 주입정이 존재하는 불균질 유체투과도의 채널저류층이다. 개발한 기법의 성능은 대상 저류층을 포함한 경우와 그렇지 않은 경우의 학습에 대해 일반 신경망기법과 비교하여 생산이력과 유체투과도 분포의 예측정확도 및 연산시간을 평가하였다. 대상 저류층을 포함한 경우 두 기법 모두 사암의 유체투과도와 채널연결성은 근접하게 예측하였지만, 일반 신경망 기법의 경우 셰일성 사암의 유체투과도 분포 예측에 실패하여 생산이력 오차가 32%로 높게 나타났다. 반면, 개발한 신경망 기법은 셰일성 사암의 유체투과도 또한 양호하게 예측하여 생산이력 오차가 8.6%로 크게 감소하였다. 또한 대상 저류층이 포함되지 않은 경우에도 개발한 신경망 기법은 생산이력 오차가 15.6%로 일반 신경망기법보다 연산시간이 약 14배 정도 빠름에도 불구하고 오차는 1/3수준으로 매우 양호하였다. 불균질 분포 예측에서 일반 신경망기법은 유체투과도 분포와 사암채널의 분포특성과의 상관성을 규명하지 못한 반면, 개발한 기법은 유체투과도와 채널의 분포 모두 대상저류층과 유사하였다. 개발한 심층 오토인코더 기반의 신경망 기법은 스케일이 다양한 생산정 별 생산이력과 저류층 물성의 불균질도를 통합하여 신뢰도 높은 생산추이 추정이 가능하여 생산설계 과정의 의사결정을 위한 효용성 높은 도구로 활용될 수 있다.
Language
Korean
URI
https://hdl.handle.net/10371/123532
Files in This Item:
Appears in Collections:
College of Engineering/Engineering Practice School (공과대학/대학원)Dept. of Energy Systems Engineering (에너지시스템공학부)Theses (Master's Degree_에너지시스템공학부)
  • mendeley

Items in S-Space are protected by copyright, with all rights reserved, unless otherwise indicated.

Browse