Reliable Uncertainty Quantification of Channel Reservoirs Using Model Regeneration Scheme with a Deep Learning Algorithm

Abstract

Production behaviors in channel reservoirs are highly affected by characteristics of channels. Hence, reservoir model calibration by matching its production data has often implemented. However, when this inversion method is applied to channel reservoirs, there are several critical issues, such as geological information loss and high dependency of results to initial models. Therefore, in this research, a model regeneration scheme is introduced for reliable uncertainty quantification on channel reservoir models without a conventional model inversion method. It is composed of three parts: feature extraction, model selection, and model generation. In the feature extraction, drainage area localization and discrete cosine transform are utilized to extract channel features of near-wellbore area. In the model selection, K-means clustering and an ensemble ranking method are implemented to select models similar to a true reservoir. In the model generation, generative adversarial networks (GAN) and transfer learning are adopted to generate new models. The proposed method is to, first, select good models from an initial ensemble by the feature extraction and comparing production data. New models are generated with the selected models by GAN. The feature extraction and model selection process are repeated to select final models from the selected and generated models. The final models are utilized to quantify its uncertainty by predicting future productions. The proposed method is analyzed with 3 different 2D channel reservoir cases. The analysis shows that it allows to obtain reliable models for production forecasts with reduced uncertainty. This is by effectively characterizing connectivity of channels and permeability distribution of near-wellbore and by increasing a probability of existence of models similar to the true model.

불균질성이 높은 채널저류층에서의 생산거동은 채널의 특징에 큰 영향을 받는다. 기존에는 생산자료를 매칭하는 역산기법을 통해 저류층 모델을 교정하였다. 하지만 이 기법은 채널저류층에 적용할 경우 지질학적 특징 손실과 초기모델에 큰 영향을 받는 한계가 있다. 따라서 본 연구에서는 생산자료를 매칭하는 전통적인 역산과정 없이 효과적으로 채널저류층의 불확실성을 평가할 수 있는 모델 재생성 기법을 제안한다. 모델 재생성 기법은 특징추출, 모델선정, 모델생성으로 구성되어 있다. 특징추출에서는 배수구역 지역화와 이산코사인변환법을 적용하여 유정 인근지역의 채널의 특징을 추출한다. 모델선정에서는 K-평균 군집법과 앙상블순위 기법으로 참조모델과 유사한 모델들을 선정한다. 모델생성에서는 생성적 적대 신경망과 전이학습을 통해 새로운 모델을 생성한다. 제안방법은 특징추출과 모델선정으로 참조모델과 유사한 모델들을 선정하고 이들을 사용하여 새로운 모델을 생성한다. 특징추출과 모델선정을 반복하여 선정한 모델과 생성한 모델로부터 최종 모델을 선정한고 미래 생산량을 예측하여 그 불확실성을 평가한다. 제안방법을 세 개의 2차원 케이스에 적용하였다. 적용 결과, 제안방법은 효과적으로 채널과 유정 인근지역의 특징을 파악할 수 있는 것을 확인하였다. 이를 통해 참조모델과 유사한 모델들을 생성함으로써 미래 생산량 예측성능을 향샹시킬 수 있는 것을 확인하였다.