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.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.