생성모델 기반 지층 역사매칭 및 불확실성 정량화 연구

Generative-model-based history matching and uncertainty quantification

연구 내용

채널 저류층에서 불확실성을 고려한 초기 모델을 구성하고 EnKF 기반 역사매칭 성능을 향상시키기 위해 VAE/CAE-PCA와 GAN-PSO 같은 생성모델을 결합하는 연구

채널화된 저류층의 복잡한 공간 이질성과 제한된 지질 정보로 인해 모델 갱신이 불안정해지는 문제를 다룹니다. VAE 또는 CAE로 지층 특성을 잠재공간으로 압축한 뒤 PCA로 표현을 정리하고, Ensemble Kalman filter 계열의 데이터 동화를 통해 생산 이력과 매개변수를 동시에 보정합니다. 또한 GAN 기반 생성모델의 잠재벡터를 PSO로 탐색하거나 StyleGAN의 style-mixing을 지질 재현에 적용하여 초기 앙상블 의존성과 다양성 제약을 완화합니다. 이를 통해 channel reservoir characterization과 예측 성능의 신뢰도를 높이는 차별성을 확보합니다.

관련 프로젝트

3건

연구 흐름

초기에는 채널 저류층에 대해 생성모델 기반 잠재표현과 확률적 데이터 동화를 결합하여 안정적인 불확실성 정량화를 수행하는 방향으로 연구가 진행되었습니다. 이후 2023년에는 CAE와 PCA를 이용한 초기 모델 선택 전략을 정교화하여 EnKF의 계산비용을 낮추면서도 매칭 품질을 유지하는 방법을 제안했습니다. 2024년에는 GAN의 잠재공간을 PSO로 최적화하거나, streamline과 딥러닝으로 좋은 초기 모델을 선별하는 기법으로 역사매칭 정확도와 효율을 동시에 개선했습니다. 최근에는 StyleGAN 계열의 geological-style-mixing을 통해 지질 스타일 다양성을 확보하며 복잡한 이질성 환경에서 역사매칭 한계를 줄이는 연구로 확장했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

생산 이력 기반 지층 모델 보정
채널 저류층 불확실성 정량화
데이터 동화 기반 예측 신뢰도 향상
초기 앙상블 품질 개선
지질 재현 다양성 확보
계산비용을 고려한 모델 업데이트
다중 데이터 소스 통합 매칭
CCUS 지중저장 성능 평가
현장 의사결정 지원용 시나리오 생성
모델 갱신 자동화 워크플로 구축