지도 딥 러닝

Scientific Reports 13권, 기사 번호: 4892(2023) 이 기사 인용

921 액세스

5 인용

2 알트메트릭

측정항목 세부정보

높은 유가와 한정된 석유 매장량에 대한 우려로 인해 EOR(Enhanced Oil Recovery)에 대한 관심이 높아지고 있습니다. 경제적 비용을 최적화하기 위해서는 가장 효율적인 개발 계획을 선택하는 것이 중요합니다. 따라서 본 연구의 주요 목적은 저수지의 암석 및 유체 특성(깊이, 다공성, 투과성, 중력, 점도) 및 온도를 기반으로 최상의 EOR 방법을 선택하기 위한 새로운 딥러닝 분류기를 구축하는 것입니다. 우리의 딥러닝 기반 분류기는 1차원(1D) 컨벌루션 신경망, 장단기 기억(LSTM) 및 조밀하게 연결된 신경망 레이어로 구성됩니다. 이 하이브리드 분류기의 하이퍼파라미터를 조정하기 위해 유전자 알고리즘이 적용되었습니다. 제안된 분류기는 17개국 이상에서 사암, 비고결 사암, 탄산염 및 대기업 저수지에 대한 735개의 EOR 프로젝트를 사용하여 개발 및 테스트되었습니다. 수치 및 그래픽 조사 모두 구조 조정 딥 러닝 분류기가 EOR 시나리오를 선별하고 최상의 시나리오를 선택하는 신뢰할 수 있는 도구라는 것을 승인합니다. 설계된 모델은 각각 96.82%, 84.31%, 82.61%의 정확도로 훈련, 검증 및 테스트 사례를 올바르게 분류합니다. 이는 사용 가능한 735개의 EOR 프로젝트 중 30개만이 제안된 딥러닝 분류기에 의해 잘못 식별되었음을 의미합니다. 이 모델은 또한 관련된 향상된 오일 회수 기술의 분류에 대해 0.1548의 작은 범주형 교차 엔트로피를 보여줍니다. 제한된 현장 정보를 가지고 주어진 석유 저장소에 가장 적합한 EOR 후보를 선택하려면 이러한 강력한 분류기가 필요합니다.

향상된 석유 회수(EOR)는 회수 계수를 최적화하여 석유 및 가스 프로젝트의 수익을 높이는 데 도움이 됩니다1,2,3. 유가 상승은 미래 에너지 자원에 대한 우려를 낳고 전 세계 석유 회수 증대에 대한 관심을 높입니다4,5. EOR 프로젝트는 비용이 많이 들고 전통적인 2차 프로젝트보다 초기 비용도 높습니다6. 부적절한 복구 프로젝트는 저수지에 영구적인 손상을 가져올 수 있으며 재정적 손실을 증가시킬 수 있습니다. 이러한 분석은 실험실 테스트와 저류층 특성화 및 시뮬레이션, 설계, 파일럿 테스트 구현, 전체 현장 프로젝트의 최종 설계 및 구현을 통한 진행으로 구성됩니다. 또한 위에서 언급한 모든 단계에는 비용 효율적인 사전 심사 단계를 통해 적절하게 지원되지 않으면 위험할 수 있는 투자가 포함됩니다. 따라서 의사결정 접근방식의 핵심 요소는 무엇보다도 대상 저수지의 EOR 잠재력을 평가하는 것입니다. 이는 적당한 자본 투자로 위험 감소를 위해 사용할 수 있는 첫 번째 측정 기준을 제공하기 위한 EOR 스크리닝 실행을 통해 달성되는 중요한 목표입니다.

따라서 고갈 저장소를 개발하려면 신뢰할 수 있고 정밀한 강화된 오일 회수 스크리닝 방법이 바람직합니다. 문헌 검토에 따르면 EOR 스크리닝에는 일반적으로 (1) 기존 EOR 스크리닝(CEORS) 및 (2) 고급 EOR 스크리닝(AEORS)이라는 두 가지 기술이 있음이 나와 있습니다7,8,9. CEORS 기술은 각 EOR 기술의 성공적인 구현 가능성을 나타내기 위해 미리 정의된 여러 가지 스크리닝 매개변수를 고려합니다. 이러한 매개변수는 일반적으로 성공적인 EOR 방법에 대한 저장소 유체 및 암석 특성(예: 오일 포화도, API 중력, 층 두께, 형성 유형, 투과성, 점도, 염도, 온도 및 깊이)을 다룹니다10,11. 이러한 제안된 표준은 1997년 이전에 수행된 성공적인 EOR 프로젝트를 분석하여 달성되었습니다10. 또한 사용 가능한 예비비 및 구현 비용과 같은 다른 요소도 제안된 기준에 실질적인 영향을 미칩니다. 이러한 매개변수는 수년 동안 EOR 스크리닝에 광범위하게 사용되어 왔으며 연구자들은 이를 개선/업데이트하려고 거의 노력하지 않았습니다. Al-Adasani와 Bai12는 1998년 이후 수행된 EOR 프로젝트를 검토하고 Taber et al.10이 제안한 원칙을 개선했습니다. Mashayekhizadehet al. 여러 주요 선별 기준을 통합하고 각 EOR 기술에 대한 현실성 기준 세트를 생성했습니다. Zhang et al. 통계적 매개변수를 기반으로 한 많은 석유 회수 강화 프로젝트를 분석하여 그래픽 스크리닝 지수를 제안했습니다. Jensenet al. Ekofisk 분야의 CEORS를 고려한 결과 WAG(물 교대 가스 주입) 및 공기 주입 시나리오가 가장 적합한 EOR 방법인 것으로 나타났습니다15. Alvarado와 Manrique는 기존 방법의 주목할만한 한계는 유사한 분야에서 수행되는 EOR 전략에 대한 추가 세부 정보 없이 "go/no go" 응답만 제공한다는 점을 강조했습니다16. 반면, 컴퓨터 과학의 발전은 대안적인 접근 방식을 위한 좋은 기회를 만들어냈습니다. 지난 10년 동안 컴퓨터 지원 기술은 EOR 검사 접근 방식을 업그레이드했습니다. 저수지 암석 및 유체 특성과 EOR 방법의 성공적인 구현은 이 접근 방식에서 중요한 역할을 합니다. 이 접근 방식은 AEORS로 부드럽게 확장되었습니다. 다른 연구 분야와 유사하게17, EOR 심사를 처리하기 위해 기계 학습 방법도 적용됩니다18,19. 인공 신경망(ANN)18,19, 전문가 시스템20,21, 퍼지 추론22 및 베이지안 네트워크23,24를 포함한 인공 지능 전략은 이미 EOR 분류 작업에 참여했습니다. AEORS에 대한 초기 연구는 Alvarado et al.25에 의해 수행되었습니다. 그들은 전 세계 290개의 EOR 프로젝트를 고려하고 차원 축소 및 클러스터링 방법을 적용하여 적합한 EOR 방법을 선택하기 위한 전문가 맵을 만들었습니다25. Lee 등이 수행한 연구. 후보 저수지에 가장 적합한 EOR 시나리오를 식별하기 위해 230개의 성공적인 석유 회수 강화 시나리오를 사용하여 ANN 모델을 훈련하는 것이 포함됩니다26. 또한, Zerafat et al. Taber et al.이 제안한 기준을 통합했습니다. 1098 EOR 시나리오를 사용하고 적절한 EOR 방법을 예측하기 위해 Bayesian Belief 네트워크를 개발했습니다24. Parada와 Ertekin은 상업용 저수지 시뮬레이터를 사용하여 ANN 열차를 완성하는 데 필요한 데이터를 수집했습니다27. 그들은 EOR 스크리닝을 위한 새로운 접근 방식을 제안하고 향상된 석유 회수 시나리오의 성능을 예측했습니다27. 이 분야에서도 여러 유사한 연구가 수행되었으며 EOR 심사를 위한 지능형 도구를 찾기 위해 많은 기계 학습 기술이 확인되었습니다. Khazaliet al. 최근 선별 규칙을 표시하기 위해 전 세계 548개의 성공적인 EOR 프로젝트를 사용하여 퍼지 의사결정 트리 알고리즘을 훈련했습니다28. Babushkinaet al. 저류암의 6차원 공간과 유체 특성에 k-Means 클러스터링 방법을 적용하여 유추를 정의하고 조사합니다. 대상 필드의 EOR 잠재력은 동일한 클러스터에 속하는 프로젝트의 (결국 다른) EOR 기술과 관련된 복구 요인을 보간하여 추정됩니다29. 또한 Trujillo et al.30은 유사성 점수10,11에 따라 사용 가능한 데이터베이스의 순위를 매기기 위해 기존 접근 방식과 고급 접근 방식을 결합했습니다. 이러한 접근 방식을 통해 콜롬비아 유전에 적용할 가능성이 높은 EOR 기술을 식별할 수 있게 되었습니다.