자료기반 다중모달 합성곱 신경망을 사용한 추가정의 최적 위치 선정 연구

Abstract

이 연구는 추가정의 최적 시추 위치를 선정하는 과정에서 저류층 시뮬레이션 기반의 딥러닝 프록시 기법을 제안한다. 전형적인 다층구조 인공신경망은 입력값의 다차원 공간 분포를 보전하지 못하고 1차원 배열로 변환하여 학습하는 한계가 있었다. 반면, 합성곱 신경망은 다차원 배열 형태의 입력값에서 공간 분포의 특징을 추출하는데 탁월하다. 합성곱 신경망을 사용하여 유정 인근의 물성 분포와 유정의 생산성 사이의 상관관계를 학습하고, 학습된 신경망 모델에 생산성이 학습되지 않은 좌표 주위의 물성 분포를 입력하면 해당 좌표에 추가정이 시추된 경우의 생산성을 예측할 수 있다. 이 연구에서는 정적 물성(예: 유체투과도)과 동적 물성(예: 오일 포화도)을 통합적으로 고려하기 위하여 다중모달 학습을 합성곱 신경망에 적용하여 다양한 종류의 입력값을 분석할 수 있는 신경망을 설계하였다.

제안한 기법을 SPE10 벤치마크 저류층에 적용하여 추가정의 최적 위치 선정을 수행하였다. SPE10 상부의 근해 부분과 하부의 채널 부분을 분리하여 개별 저류층 모델로 구성한 후 각각 학습을 진행하였다. 제안한 다중모달 합성곱 신경망의 시험 성능은 근해와 채널 저류층 모두에서 우수하였으며, 특히 채널 저류층에서 인공신경망에 비해 우수한 성능을 보였다. 이것은 채널 저류층에서 나타나는 불연속적인 채널의 경계면이 영상 내 사물 인식 분야의 사물의 윤곽선과 유사한 역할을 하기 때문으로 해석하였다. 학습된 합성곱 신경망 모델을 사용하여 도출한 생산 유망 지점에 대해 저류층 시뮬레이션을 수행하여 검증하였다. 근해 저류층과 채널 저류층 각각에서 합성곱 신경망이 도출한 상위 20개 지점에 대해 저류층 시뮬레이션을 수행하여 검증한 결과, 근해 저류층에서의 평균 오차는 1.50%였으며 채널 저류층에서의 평균 오차는 이상 현상을 제외할 시 4.27%였다. 이러한 검증 결과를 기반으로 생산성이 가장 높은 지점을 선택함으로써 최적의 추가정 시추 위치를 도출할 수 있다.

이 연구에서는 자료기반 기계 학습 기법인 합성곱 신경망을 사용해 유정 인근 물성의 공간적 분포와 유정의 생산성 사이의 관계를 학습하였다. 또한, 복잡한 비선형적 관계를 모사하기 위하여 다중모달 학습을 적용하여 정적 물성과 동적 물성을 동시에 고려하였다. 이를 통하여 합성곱 신경망뿐 아니라 인공신경망도 기존의 연구 결과보다 훨씬 향상된 성능을 보였다. 상기한 점에서 기존의 연구와 차별성을 가지는 본 연구는 다양한 종류의 저류층 시뮬레이션 기반 문제에 적용되어 효과적이고 신속한 의사결정 수단으로 활용될 수 있을 것으로 기대된다.

This study proposes a deep-neural-network based proxy that selects the optimal placement of infill well at a petroleum reservoir. A conventional artificial neural network (ANN) has a disadvantage in preserving features of spatial data that are static and dynamic petrophysical properties because all input data are forced to be transformed as a one-dimensional array and imported to the ANN. This study utilizes a convolutional neural network (CNN) to extract spatial features from multi-dimensional input arrays and evaluate the productivity of candidate infill wells as CNN outputs at affordable computation cost. CNN is trained to correlate between near-wellbore petrophysical properties and well productivity. Training dataset is acquired through reservoir simulation for selected infill well scenarios. Multi-modal learning is applied to the proxy for reflecting coupling effects from various types of petrophysical properties on well productivity.

The performance of the proposed multi-modal CNN is tested with application to shoreface and channelized reservoirs and compared to ANN results. Both reservoirs are inferred from the upper and lower parts of the SPE10 benchmark reservoir model, respectively. Overall, the CNN performance is superior to that of ANN for both reservoir models. For the channelized reservoir, the proxy outperforms the ANN as the discrete channel boundary helps the CNN distinguish productive sand channels from non-productive shale matrix. Top 20 prospects are selected using the multi-modal CNN, and their productivities are validated in comparison with corresponding reservoir simulation results. The average relative errors are 1.50% and 4.27% for the shoreface and channelized reservoirs, respectively. The well location maximizing oil production among the validation results is considered the optimal solution.