요약 앙상블 기반 데이터 동화는 생성적 적대 신경망(generative adversarial networks, GANs)과 결합될 때 석유공학 연구에서 생산 데이터를 바탕으로 한 역사적 매칭(history matching)에 효과적인 것으로 입증되었다. 그러나 생성된 지질 실현(geological realizations)은 초기 앙상블의 특성에 의해 종종 제약을 받으며 다양성을 확보하기 위해 방대한 훈련 데이터 세트가 필요하다. 이러한 한계를 해결하기 위해 본 연구는 저장소 시뮬레이션에서 역사적 매칭을 향상시키는 새로운 방법을 제안하며, 이를 위해 지질 스타일-혼합(geological-style-mixing) 접근법과 GAN 기반 최적화(StyleGAN)를 통합한다. 본 방법은 저장소 성능에 영향을 미치는 복잡한 지질 특징과 이질성(heterogeneities)을 포착하는 데서 발생하는 문제를 다룬다. 우리는 StyleGAN 아키텍처를 사용하여 스타일 다양성을 향상시킨 다양한 지질 시나리오를 생성한다. 지질 모델링에 StyleGAN의 스타일-믹싱(style-mixing) 메커니즘을 적용함으로써, 서로 다른 여러 지질 스타일을 생성할 수 있는 프레임워크를 개발하였다. 각 스타일은 초기 앙상블과 구별되는 고유한 특성을 지닌다. 이 접근법은 서로 다른 지질 실현으로부터 스타일을 결합하여, 광범위한 지질 특징을 나타내는 새로운 실현을 만들어냄으로써 역사적 매칭 과정을 유의미하게 개선한다. 본 방법의 효과는 2D 이성분(이진) 투과도 필드(2D binary permeability field), 2D 가우시안 투과도 필드(2D Gaussian permeability field), 그리고 3D 쌍봉(bimodal) 로그 투과도 분포(3D bimodal log permeability distribution)를 포함하는 사례 연구(case studies)로 입증하였다. 최적화된 모델은 기존의 GAN 기반 최적화 대비 상당한 개선을 보였다. 상관성은 이진 투과도 필드에서 0.94에서 0.98로, 가우시안 투과도 필드에서 0.97에서 0.99로, 3D 쌍봉 투과도 필드에서 0.97에서 0.99로 증가하였다. 또한 생산 레이트 매칭 오류(production rate matching error)는 이진 투과도 필드에서 66%에서 86%로, 가우시안 투과도 필드에서 81%에서 93%로, 3D 쌍봉 로그 투과도 필드에서 81%에서 88%로 개선되었으며, 초기 모델 대비 제곱평균제곱근오차(root mean squared error, RMSE)가 실질적으로 감소하였다. 제안된 방법은 기존에 개발된 합성곱 신경망-주성분분석(convolutional neural network-principal component analysis, CNN-PCA)과 비교되었고 유사한 역사적 매칭 성능을 보였다. 그러나 정성적으로는 훈련된 저장소 앙상블의 지질 스타일을 더 잘 보존하는 것으로 나타났다. 이러한 결과는 지질 스타일-혼합 접근법을 GAN 기반 최적화와 통합하는 것이, 특히 높은 지질 복잡성과 데이터 불확실성이 특징인 시나리오에서 현행 앙상블 기반 역사적 매칭 방법의 한계를 극복하기 위한 유망한 방향임을 시사한다. 본 연구는 역사적 매칭 방법론을 발전시키며, 저장소 시뮬레이션 및 관리에서 기계학습과 인공지능의 잠재력을 보여준다.

앙상블 기반 방법은 모델 보정(model calibration)을 위해 여러 모델을 사용함으로써 관측된 데이터를 바탕으로 초기 모델을 수정한다. 동화된(assimilated) 앙상블 모델은 향후 생산 거동에 대한 확률론적 분석을 가능하게 한다. 특히 높은 불확실성과 이질성을 지닌 채널(channel) 저장소의 경우, 오일과 물 생산 모두에 대해 신뢰할 수 있는 히스토리 매칭(history matching) 및 예측을 얻기 위해 양질의 초기 모델을 사용하는 것이 중요하다. 본 연구에서는 스트림라인(streamline)과 딥러닝을 이용하여 양질의 초기 모델을 선정함으로써 빠르고 신뢰할 수 있는 히스토리 매칭 방법을 제안한다. 제안된 방법은 sgems 및 생성적 적대 신경망(generative adversarial network, GAN)으로 생성된 3D 채널 저장소의 두 가지 사례에 적용된다. 제안된 방법은 다른 두 가지 모델 선정 방법과 비교할 때 오일 생산은 20% 이상, 물 생산은 10% 이상의 정확도 향상을 보이는 예측을 제공한다. 또한 모든 초기 모델을 사용하는 방법에 비해 전체 시뮬레이션 시간을 75% 감소시킨다.

정 제자리(well) 배치 최적화는 현장 개발 계획에서 석유 및 가스 회수와 경제성 측면에서 핵심적인 과제이다. 이 문제는 국소 최적점이 매우 다양하기 때문에, 전역 탐색 알고리즘에 의해 막대한 계산 비용이 요구되는 등 상당한 어려움을 수반한다. 이러한 문제를 해결하기 위해 많은 경우에 저류층 시뮬레이션을 대체하기 위한 프록시 모델들이 적용되어 왔다. 그중에서도 입력으로 스트림라인(time of flight) 지도(streamline time of flight maps)를 사용하는 합성곱 신경망(convolutional neural network) 기반 프록시 모델은 뛰어난 성능을 보인 바 있다. 그러나 이러한 모델은 최적화 과정에서 성능이 점차 저하되는 경향이 있어, 성공적인 결과를 위해 추가적인 재학습 과정이 필요하다. 본 연구에서는 정적 및 동적 정보를 통합하는 물리 기반 품질 지도(physics-informed quality maps)를 활용한 초기 샘플링(initial sampling) 방식을 제안한다. 품질 지도는 배수 면적(drainage area)과 투과도(permeability)를 결합하여 각 저류층 격자의 품질을 나타낸다. 제안된 샘플링 방식은 다른 샘플링 방식에 비해 더 나은 성능을 제공한다. 또한 제안된 방식은 재학습 없이도 샘플 수의 개수와 무관하게 효율적인 정 제자리 배치 최적화를 가능하게 함을 보여준다.

앙상블 칼만 필터(Ensemble Kalman filter)는 불확실성이 큰 저류층(reservoir)을 특성화하기 위해 통상적으로 활용된다. 그러나 구성원들에 대한 안정적이고 신뢰할 수 있는 갱신을 위해 다수의 저류층 모델이 필요하여 높은 시뮬레이션 시간을 초래한다. 본 연구에서는 합성곱 오토인코더(convolutional autoencoder)와 주성분 분석(principal component analysis)을 이용한 샘플링 기법을 제안하여 채널 저류층(channel reservoir)의 신속하고 신뢰할 수 있는 특성화를 수행하고자 한다. 제안된 방법은 기준(reference) 모델과 유사한 양질의 초기 모델을 제공하며, 채널 저류층의 향후 성능을 신뢰성 있게 정량화하기 위한 성공적인 모델 갱신을 가능하게 한다. 50개 미만의 저류층 모델을 사용함에도 불구하고, 본 연구에서는 400개의 초기 모델 전체를 사용했을 때와 유사하거나 더 나은 결과를 달성하였다. 또한, 앙상블 칼만 필터와 함께 제안된 방안이 계산 시간을 절감하면서도 충실한 동화(assimilation) 결과를 제공함을 입증한다.

재파쇄(Re-fracturing)는 성숙 셰일(mature shale) 유전에서 생산을 증대하기 위해 널리 채택되는 기술이다. 그러나 재파쇄는 항상 효과적인 것은 아니므로, 재파쇄의 경제적 타당성은 신중하게 평가되어야 한다. 그럼에도 불구하고 재파쇄 기록이 공공 데이터셋에서 누락되는 경우가 잦기 때문에, 재파쇄의 경제적 타당성을 평가하기는 어렵다. 본 연구는 DCA 기반 접근법을 사용하여 생산 데이터로부터 재파쇄 사건을 식별하는 재파쇄 탐지 방법을 제안한다. 재파쇄 탐지 방법의 성능은 Eagle Ford에서 재파쇄된 우물의 96.0%를 정확하게 식별함으로써 입증되었다. 또한 본 연구는 재파쇄 데이터를 통합하여 생산을 예측하기 위해 장단기 기억(long short-term memory, LSTM) 모델을 사용하는 데이터 기반 방법을 제안한다. 제안된 LSTM 모델에서 입력으로 재파쇄 데이터를 반영하는 것은 Delaware, Eagle Ford, Midland 및 SCOOP에서 추정 궁극회수량(ultimate recovery) 예측을 개선하며, 결정계수(coefficient of determination, R2)가 0.595에서 0.852로 증가한다. 제안된 LSTM 모델은 또한 랜덤 포레스트(random forest) 모델보다 더 우수하여, R2가 0.804인 데 비해 0.852를 달성하였다. 재파쇄의 경제적 타당성은 재파쇄 탐지 방법과 결합한 LSTM 모델을 이용하여 석유 및 가스 생산을 예측함으로써 효율적이고 정확하게 평가될 수 있다.

영일만은 대한민국 포항에 위치한 분지이다. 영일만에서의 탄소 포집 및 저장을 위한 다수의 프로젝트와 연구가 수행되어 왔다. 대부분의 연구의 목적은 2017년 포항 지진 발생 이후 탄산가스(CO2) 저장의 안전성을 보장하는 것으로, 주입 효율을 향상시키는 데서 전환되었다. 본 연구에서는 CO2 주입 기간의 초기 단계에서 주입률을 점진적으로 증가시키는 단계적 CO2 주입 시나리오를 제시한다. 또한 저장부지와 대수층 사이의 투과도, 정공(Well) 스킨 인자, 경계 조건의 변화를 바탕으로 최적의 단계적 CO2 주입 시나리오에 대한 민감도 분석을 수행한다. 결론적으로, 동일한 안전 조건과 총 CO2 주입량을 가정한 선행 연구에서 제안된 다른 주입 시나리오에 비해 CO2 주입 기간을 단축할 수 있다.

요약 앙상블 칼만 필터(EnKF)는 불확실성이 큰 저류층을 특성화하는 데 활용되어 왔다. 그러나 안정적이고 신뢰할 수 있는 결과를 얻기 위해서는 많은 수의 모델과 긴 시뮬레이션 시간이 필요하다. 따라서 저자들은 합성곱 오토인코더(CAE)와 주성분 분석(PCA)을 이용한 새로운 히스토리 매칭 기법을 제안한다. 우리의 방법은 먼저 채널 저류층 정보를 위한 CAE의 잠재 코드(latent codes)에 대해 PCA를 수행한다. 다음으로, 기준 모델(reference model)과 가장 유사한 거동을 제공하는 대표 모델 근처에서 전체 200개 모델 중 45개 모델을 선택한다. 이 과정은 EnKF에서의 계산 시간을 최소화할 뿐만 아니라, 전체 모델 또는 무작위로 선택된 45개 모델 대신 작지만 신뢰할 수 있는 모델을 사용함으로써 저류층 성능에 대한 예측 품질을 향상시킬 수 있다. 제안한 기법을 72×72 격자의 2차원 채널화된 현장에 적용한 결과, 시뮬레이션 시간을 절약하면서도 동화(assimilation) 결과가 명확히 개선됨을 확인할 수 있다.

요약 앙상블 기반 데이터 동화는 생성적 적대 신경망(generative adversarial networks, GANs)과 결합될 때 석유공학 연구에서 생산 데이터를 바탕으로 한 역사적 매칭(history matching)에 효과적인 것으로 입증되었다. 그러나 생성된 지질 실현(geological realizations)은 초기 앙상블의 특성에 의해 종종 제약을 받으며 다양성을 확보하기 위해 방대한 훈련 데이터 세트가 필요하다. 이러한 한계를 해결하기 위해 본 연구는 저장소 시뮬레이션에서 역사적 매칭을 향상시키는 새로운 방법을 제안하며, 이를 위해 지질 스타일-혼합(geological-style-mixing) 접근법과 GAN 기반 최적화(StyleGAN)를 통합한다. 본 방법은 저장소 성능에 영향을 미치는 복잡한 지질 특징과 이질성(heterogeneities)을 포착하는 데서 발생하는 문제를 다룬다. 우리는 StyleGAN 아키텍처를 사용하여 스타일 다양성을 향상시킨 다양한 지질 시나리오를 생성한다. 지질 모델링에 StyleGAN의 스타일-믹싱(style-mixing) 메커니즘을 적용함으로써, 서로 다른 여러 지질 스타일을 생성할 수 있는 프레임워크를 개발하였다. 각 스타일은 초기 앙상블과 구별되는 고유한 특성을 지닌다. 이 접근법은 서로 다른 지질 실현으로부터 스타일을 결합하여, 광범위한 지질 특징을 나타내는 새로운 실현을 만들어냄으로써 역사적 매칭 과정을 유의미하게 개선한다. 본 방법의 효과는 2D 이성분(이진) 투과도 필드(2D binary permeability field), 2D 가우시안 투과도 필드(2D Gaussian permeability field), 그리고 3D 쌍봉(bimodal) 로그 투과도 분포(3D bimodal log permeability distribution)를 포함하는 사례 연구(case studies)로 입증하였다. 최적화된 모델은 기존의 GAN 기반 최적화 대비 상당한 개선을 보였다. 상관성은 이진 투과도 필드에서 0.94에서 0.98로, 가우시안 투과도 필드에서 0.97에서 0.99로, 3D 쌍봉 투과도 필드에서 0.97에서 0.99로 증가하였다. 또한 생산 레이트 매칭 오류(production rate matching error)는 이진 투과도 필드에서 66%에서 86%로, 가우시안 투과도 필드에서 81%에서 93%로, 3D 쌍봉 로그 투과도 필드에서 81%에서 88%로 개선되었으며, 초기 모델 대비 제곱평균제곱근오차(root mean squared error, RMSE)가 실질적으로 감소하였다. 제안된 방법은 기존에 개발된 합성곱 신경망-주성분분석(convolutional neural network-principal component analysis, CNN-PCA)과 비교되었고 유사한 역사적 매칭 성능을 보였다. 그러나 정성적으로는 훈련된 저장소 앙상블의 지질 스타일을 더 잘 보존하는 것으로 나타났다. 이러한 결과는 지질 스타일-혼합 접근법을 GAN 기반 최적화와 통합하는 것이, 특히 높은 지질 복잡성과 데이터 불확실성이 특징인 시나리오에서 현행 앙상블 기반 역사적 매칭 방법의 한계를 극복하기 위한 유망한 방향임을 시사한다. 본 연구는 역사적 매칭 방법론을 발전시키며, 저장소 시뮬레이션 및 관리에서 기계학습과 인공지능의 잠재력을 보여준다.

앙상블 기반 방법은 모델 보정(model calibration)을 위해 여러 모델을 사용함으로써 관측된 데이터를 바탕으로 초기 모델을 수정한다. 동화된(assimilated) 앙상블 모델은 향후 생산 거동에 대한 확률론적 분석을 가능하게 한다. 특히 높은 불확실성과 이질성을 지닌 채널(channel) 저장소의 경우, 오일과 물 생산 모두에 대해 신뢰할 수 있는 히스토리 매칭(history matching) 및 예측을 얻기 위해 양질의 초기 모델을 사용하는 것이 중요하다. 본 연구에서는 스트림라인(streamline)과 딥러닝을 이용하여 양질의 초기 모델을 선정함으로써 빠르고 신뢰할 수 있는 히스토리 매칭 방법을 제안한다. 제안된 방법은 sgems 및 생성적 적대 신경망(generative adversarial network, GAN)으로 생성된 3D 채널 저장소의 두 가지 사례에 적용된다. 제안된 방법은 다른 두 가지 모델 선정 방법과 비교할 때 오일 생산은 20% 이상, 물 생산은 10% 이상의 정확도 향상을 보이는 예측을 제공한다. 또한 모든 초기 모델을 사용하는 방법에 비해 전체 시뮬레이션 시간을 75% 감소시킨다.

정 제자리(well) 배치 최적화는 현장 개발 계획에서 석유 및 가스 회수와 경제성 측면에서 핵심적인 과제이다. 이 문제는 국소 최적점이 매우 다양하기 때문에, 전역 탐색 알고리즘에 의해 막대한 계산 비용이 요구되는 등 상당한 어려움을 수반한다. 이러한 문제를 해결하기 위해 많은 경우에 저류층 시뮬레이션을 대체하기 위한 프록시 모델들이 적용되어 왔다. 그중에서도 입력으로 스트림라인(time of flight) 지도(streamline time of flight maps)를 사용하는 합성곱 신경망(convolutional neural network) 기반 프록시 모델은 뛰어난 성능을 보인 바 있다. 그러나 이러한 모델은 최적화 과정에서 성능이 점차 저하되는 경향이 있어, 성공적인 결과를 위해 추가적인 재학습 과정이 필요하다. 본 연구에서는 정적 및 동적 정보를 통합하는 물리 기반 품질 지도(physics-informed quality maps)를 활용한 초기 샘플링(initial sampling) 방식을 제안한다. 품질 지도는 배수 면적(drainage area)과 투과도(permeability)를 결합하여 각 저류층 격자의 품질을 나타낸다. 제안된 샘플링 방식은 다른 샘플링 방식에 비해 더 나은 성능을 제공한다. 또한 제안된 방식은 재학습 없이도 샘플 수의 개수와 무관하게 효율적인 정 제자리 배치 최적화를 가능하게 함을 보여준다.