KR101474874B1 - computing system for well placement optimization developed by SA/ANN and well placement optimization method using Thereof - Google Patents
computing system for well placement optimization developed by SA/ANN and well placement optimization method using Thereof Download PDFInfo
- Publication number
- KR101474874B1 KR101474874B1 KR1020130057849A KR20130057849A KR101474874B1 KR 101474874 B1 KR101474874 B1 KR 101474874B1 KR 1020130057849 A KR1020130057849 A KR 1020130057849A KR 20130057849 A KR20130057849 A KR 20130057849A KR 101474874 B1 KR101474874 B1 KR 101474874B1
- Authority
- KR
- South Korea
- Prior art keywords
- production
- design
- npv
- present value
- candidate
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 28
- 238000005457 optimization Methods 0.000 title description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 165
- 238000013461 design Methods 0.000 claims abstract description 99
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000003860 storage Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 7
- 230000003094 perturbing effect Effects 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012938 design process Methods 0.000 claims 1
- 238000010187 selection method Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 19
- 238000002922 simulated annealing Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 239000004215 Carbon black (E152) Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 229930195733 hydrocarbon Natural products 0.000 description 4
- 150000002430 hydrocarbons Chemical class 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000000137 annealing Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011234 economic evaluation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Remote Sensing (AREA)
- Mining & Mineral Resources (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geochemistry & Mineralogy (AREA)
- Fluid Mechanics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법을 개시한다. 상기 지능형 생산정 위치 선정 전산 시스템은 상기 유·가스전 생산계획 수립에 적용되는 훈련 생산정용 인공신경망 시뮬레이터가 구비되되, 외부로부터 상기 유·가스전의 선정좌표(current design) 및 상기 선정좌표(current design)를 섭동시킨 후보좌표(candidate design)를 각각 제공받아 상기 선정좌표(current design) 및 상기 후보좌표(candidate design)로부터 산출가능한 생산정의 생산량 및 상기 생산량에 따른 순현재가치값을 산출하는 제1 처리부(110); 상기 제1 처리부(110)로부터 산출된 상기 선정좌표(current design)의 생산정 생산량의 순현재가치(NPV)와 상기 후보좌표(candidate design)의 생산정 생산량의 순현재가치(NPV)를 비교하여 적합도가 우수한 순현재가치(NPV)를 도출한 후, 내부에 기설정된 종료 조건와 비교하여, 도출된 상기 순현재가치(NPV)가 상기 종료 조건를 만족할 경우 상기 순현재가치(NPV)에 해당하는 좌표를 생산전 좌표로 출력하는 제2 처리부(120); 및 상기 훈련 생산전용 인공신경망 시뮬레이터에 필요한 입·출력 데이타, 입력변수, 출력 변수가 저장된 복수 개의 맵핑 테이블 저장부들을 포함하는 데이타 베이스(130);를 포함하고, 상기 제2 처리부(120)는, SA 알고리즘이 프로그래밍되어 있는 것을 특징으로 한다.An intelligent production positioning computer system and a production location selection method using the same. The intelligent production and positioning computer system is provided with an artificial neural network simulator for training production applied to the production of oil and gas field production plans. The current design and the current design of the oil / And a first processing unit for calculating a net present value according to the production amount and the production amount that can be calculated from the current design and the candidate design, 110); (NPV) of the final production amount of the current design calculated from the first processing unit 110 and the net present value (NPV) of the final production amount of the candidate design (NPV) having a goodness of fit is derived, and when the derived present value (NPV) satisfies the termination condition as compared with the termination condition set in the inside, the coordinates corresponding to the NPV A second processing unit (120) for outputting the coordinates as production coordinates; And a database 130 including a plurality of mapping table storage units for storing input / output data, input variables, and output variables necessary for the training production dedicated artificial neural network simulator, and the second processing unit 120 includes: SA algorithm is programmed.
Description
본 발명은 유·가스전 생산계획 수립을 위한 생산정 위치를 자동으로 선정하기 위한 전산 모델 장치에 관한 것으로, 보다 상세하게는 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법에 관한 것이다.
The present invention relates to a computer model device for automatically selecting a production position for oil and gas production planning, and more particularly, to a computerized intelligent production positioning system and a production method using the same.
생산 유·가스전에서 생산정의 위치 선정은 경험이 많은 엔지니어가 다양한 시나리오를 준비하고 각 시나리오에 대해 저류전산 시뮬레이션을 수행하여 경제성 평가를 통해 수행된다.
In production oil and gas fields, production definition location is carried out through economical evaluation by experienced engineers preparing various scenarios and performing storage simulation for each scenario.
이때 현장 규모의 저류전산 시뮬레이션은 수십만 개 격자에 대해 수행되므로 한 시나리오당 연산시간이 2-3일씩 소요되는 경우가 많다. 또한 숙련된 저류공학자가 시나리오를 작성하여 시뮬레이션을 수행하므로 기술력을 확보하지 못한 대부분의 국내 기업들은 해외 컨설팅에 의존하여 막대한 외화를 지불하는 경우가 잦다.
At this time, on-site storage simulation is performed on hundreds of thousands of grids, so the computation time per scenario is often two to three days. In addition, a skilled retention engineer creates scenarios and conducts simulations. Therefore, most domestic companies that fail to secure their technological capabilities often pay huge amounts of foreign exchange depending on overseas consulting.
또한, 석유개발 과정에서 생산정의 위치 선정은 석유회수율과 수익을 최대화하기 위해 필수적인 기술로서, 초기 개발계획 수립 단계와 생산이 진행되는 시점의 추가 생산 계획 수립에 이르기까지 개발 전주기에 지속적으로 사용되는 핵심 기술이다. 석유개발의 특성상 수조 원의 초기 설치비가 투자되는 분야로 해상 시추비도 한 공당 200억 원을 상회하는 경우가 많아 부적절한 생산정 위치 선정으로 막대한 손실이 발생될 수 있다.
In addition, during the petroleum development process, the production definition location is an essential technology to maximize the oil recovery rate and profitability. It is used continuously throughout the development cycle from the initial stage of development planning to the establishment of additional production schedule at the time of production It is a core technology. Due to the nature of oil development, the initial installation cost of the water tank is invested, which is more than 20 billion won for the marine drilling, which can lead to massive loss due to improper production site selection.
한편, 유 가스전에서 생산 계획을 적절히 수립하여 회수율과 수익을 극대화하기 위해서는 적절한 위치에 생산정을 시추하는 것이 매우 중요하다. 생산정 위치 선정 작업은 대상 저류층의 잔류 탄화수소 포화율과 저류층 압력, 생산정간 거리 등을 고려하여 저류 전산 시뮬레이션을 수행하게 된다. 이러한 저류 전산 시뮬레이션은 다양한 시나리오의 생산량, 압력, 주입량 등 저류층 거동 예측에 사용할 수 있는 강력한 도구이나 다수의 시나리오를 평가하기에는 많은 시간과 비용이 소모하게 된다. 이에 따라 다수의 시나리오를 평가하는 것이 어렵기 때문에 경험이 풍부한 저류공학자가 적절한 수의 시나리오를 선정하게 된다.
On the other hand, it is very important to drill the production wells at appropriate locations in order to maximize the recovery rate and profit by appropriately establishing the production plan in the oil field. In order to select the production site, the storage simulation is performed considering the residual hydrocarbon saturation rate, reservoir pressure, and production distance of the target reservoir. This storage simulation is time consuming and costly to evaluate many scenarios or powerful tools that can be used to predict reservoir behavior, such as yield, pressure, and injection volume for various scenarios. Because it is difficult to evaluate multiple scenarios, experienced retention engineers select the appropriate number of scenarios.
이때, 후보 시나리오가 최적의 시나리오가 아닐 수 있으며, 경험이 부족한 저류공학자는 적절한 시나리오를 도출하는 것도 불가능하다. 따라서 가장 좋은 방법은 가능한 모든 시나리오에 대해 이른 시간 내에 평가를 수행하는 것이다.
At this time, the candidate scenarios may not be optimal scenarios, and a less experienced engineer may not be able to derive appropriate scenarios. Therefore, the best way to do this is to perform the evaluation in an early time for all possible scenarios.
이를 위해서는 고속의 저류전산 시뮬레이터와 자동으로 생산정 위치를 변화시키면서 경제성 평가를 수행할 수 있는 최적화 알고리즘이 적용된 전산 모델의 개발이 필요한 실정이다.
In order to do this, it is necessary to develop a computer model with a high-speed storage simulation simulator and an optimization algorithm that can perform economic evaluation while automatically changing the production position.
[선행기술문헌][Prior Art Literature]
(특허문헌 1) EP1389298B1(Patent Document 1) EP1389298B1
(특허문헌 2) WO2007092596(Patent Document 2) WO2007092596
(비특허문헌 1) Automatic Well Placement Optimization in a Channelized Turbidite Reservoir Using Adjoint Based Sensitivities.(Non-Patent Document 1) Automatic Well Placement Optimization in a Channelized Turbidite Reservoir Using Adjoint Based Sensitivities.
(비특허문헌 2) Optimization of Well Placement in a Gulf of Mexico Waterflooding Project.
(Non-Patent Document 2) Optimization of Well Placement in a Gulf of Mexico Waterflooding Project.
본 발명이 해결하고자 하는 과제는 고속의 저류전산 시뮬레이터와 자동으로 생산정 위치를 변화시키면서 경제성 평가를 수행할 수 있는 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법을 제공하는 것을 목적으로 한다.SUMMARY OF THE INVENTION It is an object of the present invention to provide a high-speed storage simulation simulator and an intelligent production and positioning computerization system capable of performing economical evaluation while automatically changing production position, do.
본 발명의 기타 목적 및 장점들은 하기에 설명될 것이며, 이는 본 발명의 청구범위에 기재된 사항 및 그 실시 예의 개시 내용뿐만 아니라, 이들로부터 용이하게 추고할 수 있는 범위 내의 수단 및 조합에 의해 보다 넓은 범위로 포섭될 것임을 첨언한다.
Other objects and advantages of the present invention will be described hereinafter and it is to be understood that the same is by way of illustration and example only and is not to be taken by way of limitation, .
상기 과제를 해결하기 위한 본 발명의 실시 예에 따른 지능형 생산정 위치 선정 전산 시스템은 상기 유·가스전 생산계획 수립에 적용되는 훈련 생산정용 인공신경망 시뮬레이터가 구비되되, 외부로부터 상기 유·가스전의 선정좌표(current design) 및 상기 선정좌표(current design)를 섭동시킨 후보좌표(candidate design)를 각각 제공받아 상기 선정좌표(current design) 및 상기 후보좌표(candidate design)로부터 산출 가능한 생산정의 생산량 및 상기 생산량에 따른 순현재가치값을 산출하는 제1 처리부(110); 상기 제1 처리부(110)로부터 산출된 상기 선정좌표(current design)의 생산정 생산량의 순현재가치(NPV)와 상기 후보좌표(candidate design)의 생산정 생산량의 순현재가치(NPV)를 비교하여 적합도가 우수한 순현재가치(NPV)를 도출한 후, 내부에 기설정된 종료 조건와 비교하여, 도출된 상기 순현재가치(NPV)가 상기 종료 조건을 만족할 경우 상기 순현재가치(NPV)에 해당하는 좌표를 생산정 좌표로 출력하는 제2 처리부(120); 및 상기 훈련 생산정용 인공신경망 시뮬레이터에 필요한 입·출력 데이타, 입력변수, 출력 변수가 저장된 복수 개의 맵핑 테이블 저장부들을 포함하는 데이타 베이스(130);를 포함하고, 상기 제2 처리부(120)는 SA 알고리즘이 프로그래밍되어 있는 것을 특징으로 한다.
According to an embodiment of the present invention, there is provided an artificial neural network simulator for training production production applied to oil and gas production planning, the current design and the candidate design that perturb the current design are respectively received and the production amount and production amount that can be calculated from the candidate design and the production amount A
상기 제2 처리부(120)는 선정좌표(current design)를 섭동하여 상기 후보좌표(candidate design)를 산출하는 좌표 섭동부(121) 및 내부에 Metropolis 알고리즘을 이용하여 상기 선정좌표(current design)와 상기 후보좌표(candidate design)의 적합도를 비교 판단하는 비교 판단부를 포함하는 것을 특징으로 한다.
The
상기 입력변수는 상기 맵핑 테이블 저장부 내에 저장되며, 시간자료, 추가생산정의 위치좌표, 저류층 경계와 추가 생산정간 거리, 기존생산정과 추가생산정간 거리, 추가 생산정간 거리, 신경망의 민감도를 향상시키는 함수적 연관관계, 저류층의 상대적 생산량을 나타내는 생산성 잠재력, 저류층 압력 중 적어도 하나를 포함하는 것을 특징으로 한다.
The input variable is stored in the mapping table storage unit, and is used for a function to improve the sensitivity of the neural network, time data, additional production definition position coordinates, reservoir boundary and additional production tentative distance, existing production tentative additional production tentative distance, A productive potential indicating a relative production amount of the reservoir layer, and a reservoir pressure.
상기 출력변수는 상기 맵핑 테이블 저장부에 저장되며, 생산정 별 공저압력과 생산량을 포함하는 것을 특징으로 한다.
The output variable is stored in the mapping table storage unit, and includes the production pressure and the production amount.
상기 복수 개의 맵핑 테이블 저장부는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(ReadOnly Memory, ROM), EEPROM(Electrically Erasable Programmable ReadOnly Memory), PROM(Programmable ReadOnly Memory) 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체인 것을 특징으로 한다.
The plurality of mapping table storage units may be a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (for example, SD or XD memory) , A random access memory (SRAM), a read only memory (ROM), an electrically erasable programmable read-only memory (EEPROM), a programmable read-only memory (PROM) And is one type of storage medium.
상기 과제를 해결하기 위한 본 발명의 실시 예에 따른 지능형 생산정 위치 선정 방법은 상기 유·가스전 생산계획 수립에 필요한 입·출력 자료를 선정한 후, 선정된 입력 자료에 따라 상기 출력 자료를 도출하도록 설계된 훈련 생산정용 인공신경망(Artificial neural network: ANN) 시뮬레이터를 이용하여 선정좌표(current design)에서 산출 가능한 생산량 및 생산량에 따른 순현재가치(NPV)를 산출한 후, 산출된 순현재가치(NPV)와 기 설정된 종료 조건을 비교하는 제1 단계; 상기 제1 단계의 결과값에 따라 상기 선정좌표(current design)를 섭동시킨 후보좌표(candidate design)를 생성한 후, 상기 인공신경망 시뮬레이터를 통해 상기 후보좌표(candidate design)에서 산출 가능한 생산량 및 생산량에 따른 순현재가치를 산출하는 제2 단계; SA 알고리즘을 이용하여 상기 선정좌표(current design)의 생산량에 따른 순현재가치(NPV)와 상기 후보좌표(candidate design)의 생산량에 따른 순현재가치(NPV)를 비교하여 적합성이 뛰어난 좌표를 산출한 후, 기준지표와 비교하여 종료 조건의 요건에 충족될 경우 생산정 위치 좌표로 선정되며, 상기 기준지표의 요건에 충족되지 못할 경우, 상기 종료 조건와 비교된 좌표를 차기의 선정좌표(current design)로 설정하여 상기 제1 단계부터 재수행하는 제3 단계를 포함한다.
In order to solve the above problems, the intelligent production definite location selection method according to the embodiment of the present invention is designed to select the input / output data necessary for establishing the oil / gas field production plan and then design the output data according to the selected input data (NPV) according to the amount of production and production that can be calculated from the current design using an artificial neural network (ANN) simulator for training production, and then calculate the net present value A first step of comparing a predetermined end condition; Generating a candidate design by perturbing the current design according to a result of the first step and generating a candidate design by multiplying a production amount and a production amount that can be calculated in the candidate design through the artificial neural network simulator, A second step of calculating a net present value according to the present invention; (NPV) according to the production amount of the current design using the SA algorithm and the net present value (NPV) according to the production amount of the candidate design (candidate design) And when the requirement of the end condition is compared with the standard index, the selected position is selected as the production position coordinate. If the requirement of the standard index is not satisfied, the coordinate compared with the end condition is set as the current design of the next term And a third step of re-executing the first step.
상기 제1 단계는, 상기 선정좌표(current design) 선정단계; 상기 선정좌표(current design)로부터 산출 가능한 생산량 및 상기 생산량의 순현재가치를 산출하는 단계; 및 산출된 순현재가치와 상기 종료 조건을 비교하는 단계를 포함하는 것을 특징으로 한다.
The first step may include: selecting the current design; Calculating a production amount that can be calculated from the current design and a net present value of the production amount; And comparing the calculated net present value with the termination condition.
상기 제2 단계는, 상기 제1 단계의 결과값에 따라 상기 선정좌표(current design)를 섭동시킨 후보좌표(candidate design)를 생성하는 단계; 및 상기 인공신경망 시뮬레이터를 통해 상기 후보좌표(candidate design)에서 산출 가능한 생산량 및 생산량에 따른 순현재가치를 산출하는 단계를 포함하는 것을 특징으로 한다.
The second step may include generating candidate designs that perturb the current design according to the result of the first step. And calculating a net present value according to a production amount and a production amount that can be calculated in the candidate design through the artificial neural network simulator.
상기 제3 단계는 종료 조건에 불만족 할 경우, 종료 조건의 오차 범위 내의 좌표들 중 확률적 분포가 높은 좌표를 상기 차기 선정좌표(current design)로 지정한 후, 상기 차기 선정좌표(current design)를 상기 제1 단계로 피드백하는 단계를 더 포함하는 것을 특징으로 한다.
Wherein the third step is a step of designating a coordinate having a high stochastic distribution among the coordinates within the error range of the termination condition as the next selected designation, And a step of feeding back to the first step.
상기 과제를 해결하기 위한 본 발명의 실시 예에 따른 기록매체는 제6항에 기재된 지능형 생산정 위치 선정 방법을 기록한 코드를 포함하는 것을 특징으로 한다.
A recording medium according to an embodiment of the present invention for solving the above-mentioned problems is characterized by including a code which records the intelligent production correct positioning method according to claim 6.
본 발명에 따른 지능형 생산정 위치 선정 전산 시스템은 전위 시뮬레이터로 인공신경망을 사용하여, 간단한 산술연산만으로도 시뮬레이션이 가능한 장점이 있다. The intelligent production and positioning computer system according to the present invention is advantageous in that it can be simulated by a simple arithmetic operation using an artificial neural network as a potential simulator.
또한, 본 발명은 인공신경망을 이용함에 따라 전위 시뮬레이션을 아주 짧은 시간에 수행할 수 있다는 이점이 있다. 또한 최적화 알고리즘을 이용하기 때문에 사용자가 일일이 좌표를 찍어서 계산하는게 아니라 컴퓨터가 자동으로 최적의 값을 찾아 주므로 전문가가 아닌 일반인이라도 시뮬레이션을 다룰 수 있다는 이점이 있다.In addition, the present invention has an advantage that a potential simulation can be performed in a very short time by using an artificial neural network. In addition, since the optimization algorithm is used, it is advantageous that the computer can automatically deal with the simulation even if the user is not an expert, because the user does not calculate the coordinates by taking the coordinates individually.
또한, 본 발명은 SA(Simulated annealing) 알고리즘을 이용하여, 복잡한 수학적 이론에 기초하지 않아, 적용이 용이하고 폭넓은 설계공간의 탐색능력 및 국소해 탈출이 가능하고 전역 탐색을 통해 보다 나은 결과를 도출할 수 있다는 이점을 가지고 있다.Further, the present invention uses a simulated annealing (SA) algorithm, and is not based on a complicated mathematical theory, and is easy to apply, can search for a wide design space and can be locally escaped and obtains better results through global search It has the advantage of being able to do it.
본 발명의 다른 효과는, 이상에서 설명한 실시 예 및 본 발명의 청구범위에 기재된 사항뿐만 아니라, 이들로부터 용이하게 추고할 수 있는 범위 내에서 발생할 수 있는 효과 및 산업 발전에 기여하는 잠정적 장점의 가능성들에 의해 보다 넓은 범위로 포섭될 것임을 첨언한다.
Other advantages of the present invention will become apparent to those skilled in the art from the description of the embodiments described above and the claims of the present invention as well as the effects that may arise within a range that can be readily recalled from them and possibilities of potential advantages contributing to industrial development And that it will be covered by a broader scope.
도 1은 본 발명의 실시 예에 따른 지능형 생산정 위치 선정 전산 시스템을 나타낸 블럭도이다.
도 2는 도 1에 도시된 시스템을 이용한 지능형 생산정 위치 선정 방법을 나타낸 플로우 차트이다.1 is a block diagram illustrating an intelligent production and positioning computerized system according to an embodiment of the present invention.
FIG. 2 is a flowchart illustrating an intelligent production correct positioning method using the system shown in FIG.
이하, 본 발명의 바람직한 실시 예의 상세한 설명은 첨부된 도면들을 참조하여 설명할 것이다. 하기에서 본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, a detailed description of preferred embodiments of the present invention will be given with reference to the accompanying drawings. In the following description of the present invention, detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear.
본 발명의 개념에 따른 실시 예는 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있으므로 특정 실시 예들을 도면에 예시하고 본 명세서 또는 출원에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예를 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
Embodiments in accordance with the concepts of the present invention can make various changes and have various forms, so that specific embodiments are illustrated in the drawings and described in detail in this specification or application. It is to be understood, however, that it is not intended to limit the embodiments according to the concepts of the present invention to the particular forms of disclosure, but includes all modifications, equivalents, and alternatives falling within the spirit and scope of the invention.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.It is to be understood that when an element is referred to as being "connected" or "connected" to another element, it may be directly connected or connected to the other element, . On the other hand, when an element is referred to as being "directly connected" or "directly connected" to another element, it should be understood that there are no other elements in between. Other expressions that describe the relationship between components, such as "between" and "between" or "neighboring to" and "directly adjacent to" should be interpreted as well.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the invention. The singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, the terms "comprises ",or" having ", or the like, specify that there is a stated feature, number, step, operation, , Steps, operations, components, parts, or combinations thereof, as a matter of principle.
이하 도면을 참조하여 본 발명의 실시 예에 따른 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법을 보다 상세하게 설명하도록 한다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS An intelligent production definite positioning computer system and a production definite location method using the same according to an embodiment of the present invention will be described in detail with reference to the drawings.
먼저, 본 발명을 설명하기 앞서, 유·가스전에서 생산 계획을 적절히 수립하여 회수율과 수익을 극대화하기 위해서는 적절한 위치에 생산정을 시추하는 것이 중요하다.First, before explaining the present invention, it is important to drill a production well at an appropriate position in order to appropriately establish a production plan in the oil and gas field and maximize the recovery rate and profit.
여기서, 생산정 위치 선정 작업은 대상 저류층의 잔류 탄화수소 포화율과 저류층 압력, 생산정간 거리 등을 고려하여 저류 전산 시뮬레이션을 수행하게 된다. Here, the production positioning operation is performed by taking into account the residual hydrocarbon saturation rate, reservoir pressure, and production distance of the target reservoir.
이러한 저류 전산 시뮬레이션은 다양한 시나리오의 생산량, 압력, 주입량 등 저류층 거동 예측에 사용할 수 있는 강력한 도구이나 다수의 시나리오를 평가하기에는 많은 시간과 비용이 소모하게 된다. This storage simulation is time consuming and costly to evaluate many scenarios or powerful tools that can be used to predict reservoir behavior, such as yield, pressure, and injection volume for various scenarios.
이에 따라 다수의 시나리오를 평가하는 것이 어렵기 때문에 경험이 풍부한 저류공학자가 적절한 수의 시나리오를 선정하게 된다. 이때 후보 시나리오가 최적의 시나리오가 아닐 수 있으며, 경험이 부족한 저류공학자는 적절한 시나리오를 도출하는 것도 불가능하다.
Because it is difficult to evaluate multiple scenarios, experienced retention engineers select the appropriate number of scenarios. At this time, the candidate scenarios may not be the optimal scenarios, and the less experienced engineers may not be able to derive appropriate scenarios.
따라서 가장 좋은 방법은 가능한 모든 시나리오에 대해 이른 시간에 평가를 수행하는 것이다. 이를 위해서는 고속의 저류전산 시뮬레이터와 자동으로 생산정 위치를 변화시키면서 경제성 평가를 수행할 수 있는 최적화 알고리즘이 적용된 전산 모델의 개발이 필요하다.
Therefore, the best way to do this is to perform the evaluation early in time for all possible scenarios. For this purpose, it is necessary to develop a computational model using a high-speed storage simulation simulator and an optimization algorithm that can automatically perform the economic evaluation while changing the production position.
참고로, 고속의 연산이 가능한 방법에는 인공신경망(Artificial neural network: ANN), 퍼지이론(Fuzzy logic), 유선망 시뮬레이션(Streamline simulation)등이 있다. For reference, there are ANN, Fuzzy logic, Streamline simulation, and so on.
상술한 여러 방법 중 본 발명에서는 인공신경망 기법을 적용하였다. 인공신경망은 생물학적 뉴런의 원리와 연결 관계를 모사하고, 정보 처리 및 전달과정을 모방하여 구현한 것으로 비선형적인 문제나 수학적인 모델링이 어려운 경우 상관관계 분석에 쓰인다.
Among the various methods described above, the artificial neural network technique is applied to the present invention. Artificial neural networks simulate the principles and connections of biological neurons, imitate the processes of information processing and transmission, and are used for correlation analysis when nonlinear problems or mathematical modeling are difficult.
저류 전산 시뮬레이션에도 활용된 예가 여럿 존재한다. 일반 저류 전산 시뮬레이터를 이용하여 일부 훈련자료에 대해 시뮬레이션을 수행한 후 학습을 통해 가능한 모든 위치에 대해 산술연산만을 통해 수 초내에 결과를 산출할 수 있어 생산정 위치 선정에 소요되는 연산시간을 획기적으로 단축시킬 수 있다. There are several examples that have been used in the storage simulation. Simulation is performed on some training data using general storage simulator, and it is possible to calculate the results within a few seconds through arithmetic operations for all possible positions through learning. Can be shortened.
지능형 최적화 알고리즘에는 Simulated annealing 알고리즘(이하, SA), Genetic 알고리즘(GA), Ant colony optimization 알고리즘(ACO) 등이 있다.The intelligent optimization algorithms include the simulated annealing algorithm (SA), the genetic algorithm (GA), and the ant colony optimization algorithm (ACO).
여기서, SA 알고리즘은 풀림 열처리에서 착안하여 고안된 최적 설계법으로서, 풀림 열처리란 강철을 변태온도까지 가열한 후에 서서히 식히면 최소 자유에너지를 가진 안정된 결정 구조가 되는 것을 말한다. 이러한 풀림 열처리의 최소 자유에너지가 상태를 찾아가는 과정과 최적설계의 수많은 실용 설계 중에서 목적함수의 값이 최소가 되는 설계치를 찾아가는 방법의 유사성을 연관시켜서 고안한 알고리즘이다.Here, the SA algorithm is an optimal design method devised by drawing attention from the annealing heat treatment, and annealing refers to a stable crystal structure having a minimum free energy when the steel is slowly cooled after heating up to the transformation temperature. This algorithm is designed by associating the process of finding the minimum free energy of the annealing process and the similarity of the method of finding the design value that minimizes the value of the objective function among the many practical designs of the optimum design.
SA 알고리즘은 석유개발 문제와 같이 지역해가 다수 존재하는 문제에서 광역해를 탐색하는데 우수한 성능을 보이며, 단일해를 개선하기 때문에 연산에 사용되는 메모리의 양도 다른 지능형 최적화 알고리즘에 비해 적다. SA algorithm is superior to other intelligent optimization algorithms because it has excellent performance in exploration of wide area solution in the problem of many local solutions such as petroleum development problem, and improves single solution.
따라서, 본 발명에서는 인공신경망 시뮬레이터 및 SA 알고리즘을 통합하여 생산정 위치 선정을 자동화하며, 선정된 위치에서 생산가능한 생산량의 순현재가치를 고속으로 산출할 수 있는 지능형 생산정 위치 선정 방법을 제안하고자 한다.
Accordingly, the present invention proposes an intelligent production location selection method that can automate production location selection by integrating an artificial neural network simulator and SA algorithm, and can calculate the net present value of the production quantity at a predetermined location at a high speed .
도 1은 본 발명의 실시 예에 따른 지능형 생산정 위치 선정 전산 시스템을 나타낸 블럭도이다.1 is a block diagram illustrating an intelligent production and positioning computerized system according to an embodiment of the present invention.
도 1에 도시된 바와 같이, 본 발명의 지능형 생산정 위치 선정 전산 시스템(100)은 제1 처리부(110), 제2 처리부(120) 및 데이타 베이스(130)를 포함한다.As shown in FIG. 1, the intelligent
상기 제1 처리부(110)는 상기 유·가스전 생산계획 수립에 적용되는 훈련 생산정용 인공신경망 시뮬레이터를 이용하여, 외부로부터 상기 유·가스전의 선정좌표(current design) 및 상기 선정좌표(current design)를 섭동시킨 후보좌표(candidate design)를 각각 제공받아 상기 선정좌표(current design) 및 상기 후보좌표(candidate design)로부터 산출 가능한 생산정의 생산량 및 상기 생산량에 따른 순현재가치값(NPV)을 산출하는 기능을 수행한다.The
또한, 생산정의 생산량을 산출하는 데 있어, 입력변수 및 출력변수를 고려되며, 상기 입력변수 및 출력변수는 상기 데이타 베이스(130)로부터 제공받는다.Also, in calculating the production-amount-of-production, an input variable and an output variable are considered, and the input variable and the output variable are supplied from the
보다 구체적으로, 상기 훈련 생산정용 인공신경망 시뮬레이터는 기존의 인공신경망 시뮬레이터를 생산정 위치 선정에 적용하도록 설계변경된 시뮬레이터일 수 있다.More specifically, the artificial neural network simulator for training production can be a simulator designed to apply an existing artificial neural network simulator to production position selection.
인공신경망은 생물학적 뉴런의 원리와 연결 관계를 모사하고, 정보 처리 및 전달과정을 모방하여 구현한 것으로 비선형적인 문제나 수학적인 모델링이 어려운 경우 상관관계 분석에 쓰인다. 저류전산 시뮬레이션에도 활용된 예가 몇몇 건 존재한다. 일반 저류 전산 시뮬레이터를 이용하여 일부 훈련자료에 대해 시뮬레이션을 수행한 후 학습을 통해 가능한 모든 위치에 대해 산술연산만을 통해 수 초내에 결과를 산출할 수 있어 생산정 위치 선정에 소요되는 연산시간을 획기적으로 단축시킬 수 있다는 이점을 갖는다.
Artificial neural networks simulate the principles and connections of biological neurons, imitate the processes of information processing and transmission, and are used for correlation analysis when nonlinear problems or mathematical modeling are difficult. There are several examples that have been utilized in the storage simulation. Simulation is performed on some training data using general storage simulator, and it is possible to calculate the results within a few seconds through arithmetic operations for all possible positions through learning. It is advantageous in that it can be shortened.
참고로, 인공신경망 시뮬레이터를 훈련 생산정용 인공신경망 시뮬레이터로 설계 변경시에 먼저 입출력자료를 구성하고 은닉층의 레이어 수와 뉴런 개수를 선정한다. For reference, when changing the design of an artificial neural network simulator to a training artificial neural network simulator, input / output data is first constructed and the number of hidden layers and the number of neurons are selected.
여기서, 신경망의 은닉층 레이어 수와 뉴런의 개수에 따라 정확도가 변하지만 뉴런 개수와 정확도 간에는 일반적인 규칙이 존재하지 않기 때문에 신경망 훈련을 통해 주관적으로 결정하며 상황에 맞는 최적화 알고리즘을 이용해 정확도가 가장 높은 구조로 변경한다.Although the accuracy varies depending on the number of hidden layer layers and the number of neurons in the neural network, since there is no general rule between the number of neurons and the accuracy, it is determined subjectively through neural network training. Change it.
또한, 은닉층들의 각각의 사이에는 활성화 함수가 있는데 이 함수 사이에 있는 뉴런의 가중치는 입력 패턴에 숨겨져 있는 특성을 나타낸다. 활성화 함수는 시그모이드 함수를 이용하며 하나의 은닉층으로 입력 신호의 모든 연속 함수를 표현할 수 있으며, 두 개의 은닉층으로 불연속 함수까지 표현할 수 있다는 특징이 있다.In addition, there is an activation function between each of the hidden layers, and the weight of the neurons between these functions indicates the characteristics hidden in the input pattern. The activation function uses a sigmoid function and can express all continuous functions of the input signal as a single hidden layer, and it can also express discontinuous functions as two hidden layers.
따라서, 본 발명에 적용된 훈련 생산정용 인공신경망 시뮬레이터는 시뮬레이터 최적 알고리즘을 구현하고 예측성능을 높이기 위해 민감도 분석을 통하여 뉴런개수와 역전파 알고리즘의 함수를 설정한 후, 모델의 층 개수는 1개층으로 구성하였다. 또한, 학습시간 증가에 따른 오차값과 학습시간을 고려하여 은닉층 뉴런 개수는 10개로 제한하여 설계하였다.
Therefore, the artificial neural network simulator for the training production system according to the present invention implements the simulator optimal algorithm and sets the number of neurons and the function of the back propagation algorithm through the sensitivity analysis to increase the prediction performance. Respectively. Also, the number of hidden layer neurons was limited to 10 in consideration of the error value and the learning time according to the learning time increase.
상기 제2 처리부(120)는 상기 제1 처리부(110)로부터 산출된 상기 선정좌표(current design)의 생산정 생산량의 순현재가치(NPV)와 상기 후보좌표(candidate design)의 생산정 생산량의 순현재가치(NPV)를 비교하여 우수한 순현재가치(NPV)를 도출한 후, 내부에 기설정된 종료 조건과 비교하여, 도출된 상기 순현재가치(NPV)가 상기 종료 조건을 만족할 경우 상기 순현재가치(NPV)에 해당하는 좌표를 생산정 좌표로 출력하는 기능을 수행한다.The
보다 구체적으로, 상기 제2 처리부(120)는 좌표 섭동부(121) 및 비교 판단부(122)를 포함한다. 지능형 최적화 기법 중 하나인 SA(Simulated annealing) 알고리즘을 이용하여 상기 제1 처리부(110)에서 산출된 선정좌표(current design)의 생산량에 따른 순현재가치(NPV)와 상기 선정좌표(current design)를 섭동시켜 후보좌표(candidate design)를 생성한 후, 상기 선정좌표(current design)의 생산량에 따른 순현재가치(NPV)와 상기 후보좌표(candidate design)의 생산량에 따른 순현재가치(NPV)를 비교하여, 적합성이 뛰어난 좌표를 출력하는 기능을 수행한다.
More specifically, the
여기서, 선정좌표(current design)를 섭동시킬 때, 좌표를 한번에 섭동시키지 않으면 직선이동밖에 할 수가 없다, 따라서 상기 좌표 섭동부(121)은 더 좋은 탐색을 위해서 선정좌표(current design)를 한번에 섭동시키는 과정을 수행한다.Here, when the current design is perturbed, only the linear movement can be performed unless the coordinates are perturbed at one time. Therefore, the coordinate perturbing
또한, 상기 비교 판단부(122)는 선정좌표(current design)와 후보좌표(candidate design)의 순현재가치를 비교 후 선정시, 국소해 탈출을 위하여 Metropolis 알고리즘을 사용한다.In addition, the
여기서, Metropolis 알고리즘은 열등한 쪽도 확률적으로 차기의 선정좌표(current design)로 채택될 수 있게 하는 것으로, 이때의 채택확률은 온도에 의해 제어되며 온도가 높을 경우에는 채택확률이 높게 되며 반면에 온도가 낮을 경우에는 채택확률이 낮게 된다. 초기에는 온도를 높게 설정해서 국소해 탈출을 쉽게 만들고 점점 냉각시켜서 온도를 낮추어 채택확률이 서서히 낮아지게 만들어 해를 탐색하는 과정을 수행하는 알고리즘이다.
Here, the Metropolis algorithm allows the inferior side to be adopted as the current design for the next time, and the adoption probability at this time is controlled by the temperature, and when the temperature is high, the adoption probability becomes high, The probability of adoption becomes low. In the early stage, the temperature is set to be high so that the localized escape is easily made, the cooling is done gradually, the temperature is lowered, and the adoption probability is gradually lowered, thereby searching the solution.
상기 데이타 베이스(130)는 상기 훈련 생산전용 인공신경망 시뮬레이터에 필요한 입·출력 데이타를 저장하는 저장부(132) 및 입력변수, 출력 변수가 저장된 복수 개의 맵핑 테이블 저장부(131a)를 포함한다.The
보다 구체적으로, 상기 입·출력 데이타는 유한차분 저류전산 시뮬레이터를 이용하여 도출된 저류층 물성, 생산정 별 생산량, 공저압력, 정두압력 등과 같은 데이타일 수 있다.More specifically, the input / output data may be data such as reservoir properties derived from a finite difference storage simulation, production quantities produced, cooperative pressure, duck pressure, and the like.
상기 입력 변수로는 시간자료, 추가생산정의 위치좌표, 저류층 경계와 추가 생산정간 거리, 기존생산정과 추가생산정간 거리, 추가 생산정간 거리, 신경망의 민감도를 향상시키는 함수적 연관관계, 저류층의 상대적 생산량을 나타내는 생산성 잠재력, 저류층 압력 등일 수 있다.The input variables include time data, additional production definition location coordinates, reservoir boundary and additional production tangential distance, existing production tangible and additional production tangential distance, additional production tangential distance, functional relationship to improve the sensitivity of the neural network, Productivity potential, reservoir pressure, and the like.
상기 출력변수는 생산정별 공저압력과 생산량일 수 있으며, 동시에 사용한다.
The output variable can be the production pressure and the production pressure, and is used at the same time.
여기서, 시간자료는 시계열 패턴 분석에 필요한 자료로 시간에 따른 생산감퇴분석과 압력거동분석에 있어서 중요한 자료이다. 상기 생산정간 상관관계는 생산성에 영향을 미치는 인자로서, 거리가 근접할 경우, 간섭효과가 발생하기 때문에 생산성이 감소할 수 있어 입력변수로 채택된다. Here, the time data is an important data for analysis of time-dependent production decay and pressure behavior analysis as time-series pattern analysis data. The productivity correlation is a factor that affects productivity. If the distance is close, the productivity is decreased because of the interference effect and adopted as an input variable.
저류층 경계, 대수층 지역 또한 생산성에 영향을 미치기 때문에 생산정간 상관관계를 고려하여 위치를 선정해야 한다. Because reservoir boundary and aquifer also affect productivity, location should be selected considering production correlation.
탄화수소 부존량은 저류층 연결성에 비례한다. 따라서 시추대상 지역의 공극률, 유체 투과도, 탄화수소 포화도 등은 생산량에 직접적인 영향을 미친다. The hydrocarbon content is proportional to the reservoir connectivity. Therefore, the porosity, fluid permeability, and hydrocarbon saturation of the drilling area directly affect the production.
여기서, 입력변수 선정시 생산성 잠재력이라는 함수를 이용하여 선정되며, 생산성 잠재력은 Darcy 법칙에 기반하여 만든 저류층 물성의 매개변수 식으로 투과도와 공극률 그리고 포화도의 곱으로 나타낸다. 이러한 생산성 잠재력은 저류층의 잠재적 생산 능력을 평가하는 발견적 해결기법이다. 함수적 연관 관계는 입력 자료의 다양성과 결과의 정확성을 높일 수 있다.
The productivity potential is determined by the product of permeability, porosity and saturation as a parameter equation of the reservoir properties based on Darcy's law. This productivity potential is a heuristic resolution technique that evaluates the potential production capacity of the reservoir. Functional associations can increase the variety of input data and the accuracy of the results.
여기서 복수 개의 맵핑 테이블 저장부(131a)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(ReadOnly Memory, ROM), EEPROM(Electrically Erasable Programmable ReadOnly Memory), PROM(Programmable ReadOnly Memory) 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체일 수 있다.
Here, the plurality of mapping
도 2는 도 1에 도시된 지능형 생산정 위치 선정 전산 시스템을 이용한 생산정 위치 선정 방법을 나타낸 플로우 차트이다.FIG. 2 is a flowchart illustrating a method of selecting a production position using the intelligent production positioning computer system shown in FIG.
도 2에 도시된 바와 같이, 본 발명의 생산정 위치 선정 방법은 제1 단계(S200) 내지 제3 단계(S400)를 포함한다As shown in FIG. 2, the production static positioning method of the present invention includes a first step (S200) to a third step (S400)
상기 제1 단계(S100)는 상기 유·가스전 생산계획 수립에 필요한 입·출력 자료를 선정한 후, 선정된 입력 자료에 따라 상기 출력 자료를 도출하도록 설계된 인공신경망(Artificial neural network: ANN) 시뮬레이터를 이용하여 선정좌표(current design)에서 산출 가능한 생산량 및 생산량에 따른 순현재가치를 제1 처리부에서 산출하는 단계일 수 있다.The first step S100 is to select an input / output data necessary for establishing the oil / gas field production plan, and then use an artificial neural network (ANN) simulator designed to derive the output data according to the selected input data And calculating a net present value according to a production amount and a production amount that can be calculated in the current design, by the first processing unit.
상기 제2 단계(S200)는 상기 선정좌표(current design)를 섭동시킨 후보좌표(candidate design)를 생성한 후, 상기 인공신경망 시뮬레이터를 통해 상기 후보좌표(candidate design)에서 산출 가능한 생산량 및 생산량에 따른 순현재가치(NPV)를 산출하는 단계일 수 있다.The second step S200 may include generating a candidate design that perturbs the current design and then generating a candidate design based on a production amount and a production amount that can be calculated in the candidate design through the artificial neural network simulator May be a step of calculating a net present value (NPV).
상기 제3 단계(S300)는 SA 알고리즘을 이용하여 상기 선정좌표(current design)의 생산량에 따른 순현재가치(NPV)와 상기 후보좌표(candidate design)의 생산량에 따른 순현재가치(NPV)를 비교하여 적합성이 뛰어난 좌표를 산출한 후, 기준지표와 비교하여 종료 조건의 요건에 충족될 경우 생산정 위치 좌표로 선정되며, 상기 기준지표의 요건에 충족되지 못할 경우, 상기 종료 조건와 비교된 좌표를 차기의 선정좌표(current design)로 설정하여 상기 제1 단계(S200)부터 재수행하는 단계일 수 있다. In the third step S300, the NPV according to the production amount of the current design is compared with the NPV according to the production amount of the candidate design using the SA algorithm. And if it meets the requirement of the end condition, it is selected as the production definite position coordinate. If the requirement of the reference index is not satisfied, And then re-executing the process from the first step S200.
보다 구체적으로, 상기 제1 단계(S100)는 상기 선정좌표(current design) 선정단계(S110), 상기 선정좌표(current design)로부터 산출 가능한 생산량 및 상기 생산량의 순현재가치를 산출하는 단계(S120) 및 산출된 순현재가치와 상기 종료 조건을 비교(S130)하는 단계를 포함한다.
More specifically, the first step S100 includes a step S120 of calculating a net present value of the production amount that can be calculated from the current design, a current design selection step S110, the current design, and the production amount, And comparing the calculated net present value and the termination condition (S130).
상기 제2 단계(S200)는 상기 제1 단계(S200)의 결과값에 따라 상기 선정좌표(current design)를 섭동시킨 후보좌표(candidate design)를 생성하는 단계(S140) 및 상기 인공신경망 시뮬레이터를 통해 상기 후보좌표(candidate design)에서 산출 가능한 생산량 및 생산량에 따른 순현재가치를 산출하는 단계(S150)를 포함한다.The second step S200 includes generating a candidate design by perturbing the current design according to a result of the first step S200 S140, And calculating a net present value according to a production amount and a production amount that can be calculated in the candidate designation (S150).
종료 조건에 불만족할 경우, 종료 조건의 오차 범위 내의 좌표들 중 확률적 분포가 높은 좌표를 상기 차기 선정좌표(current design)로 지정한 후, 상기 차기 선정좌표(current design)를 상기 제1 단계(S100)로 피드백하는 단계(S180)를 더 포함한다.
If the end condition is unsatisfied, a coordinate having a high stochastic distribution among the coordinates within the error range of the termination condition is designated as the next selected design, and then the next selected design is determined as the current design in the first step (S100 (S180). ≪ / RTI >
따라서, 본 발명에 따른 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법은 종료조건에 만족하는지 평가하고 만족하거나 정해진 반복횟수에 도달할 때까지 계속 반복해서 프로그램을 수행한다. 프로그램이 종료되면 목적함수의 적합도가 가장 높은 곳의 좌표를 알 수 있으며, 그곳의 위치가 최적의 생산정 위치가 된다. 또한 추가 생산정을 시추하였을 때, 각 시간마다 생산량과 NPV를 도출할 수 있다. 따라서 이 프로그램을 통해서 나온 데이터들이 이후의 추가 생산정을 시추하는 계획을 세우는데 있어서 유용하게 사용될 수 있다.
Therefore, the intelligent production positioning computer system according to the present invention evaluates whether the termination condition is satisfied, and repeatedly executes the program until it is satisfied or reaches a predetermined number of repetitions. At the end of the program, the coordinates of the point where the fitness of the objective function is highest can be known, and the position is the optimal production position. In addition, when drilling additional production lines, production volume and NPV can be derived at each hour. Therefore, the data from this program can be useful in planning a further production process.
본 발명의 실시 예에 따른 지능형 생산정 위치 선정 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 하드디스크, 플로피디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
The intelligent production definite positioning method according to the embodiment of the present invention can be implemented as a computer readable code on a computer readable recording medium. A computer-readable recording medium includes all kinds of recording apparatuses in which data that can be read by a computer system is stored. Examples of the computer-readable recording medium include ROM, RAM, CD-ROM, magnetic tape, hard disk, floppy disk, flash memory, optical data storage, And the like. The computer readable recording medium may also be distributed over a networked computer system and stored and executed as computer readable code in a distributed manner.
따라서, 본 발명에 따른 지능형 생산정 위치 선정 전산 시스템은 전위 시뮬레이터로 인공신경망을 사용하여, 간단한 산술연산만으로도 시뮬레이션이 가능한 장점이 있다. Therefore, the intelligent production and positioning computer system according to the present invention is advantageous in that it can be simulated by a simple arithmetic operation using an artificial neural network as a potential simulator.
또한, 인공신경망을 이용함에 따라 전위 시뮬레이션을 아주 짧은 시간에 수행할 수 있다는 이점이 있다. 또한 최적화 알고리즘을 이용하기 때문에 사용자가 일일이 좌표를 찍어서 계산하는 게 아니라 컴퓨터가 자동으로 최적의 값을 찾아 주므로 전문가가 아닌 초급 엔지니어라도 시뮬레이션을 다룰 수 있다는 이점이 있다.In addition, the use of artificial neural networks has the advantage that the potential simulation can be performed in a very short time. In addition, since the optimization algorithm is used, it is advantageous that even a beginner engineer who is not an expert can deal with the simulation because the computer automatically finds the optimum value instead of calculating the coordinate by taking a picture every time.
또한, 본 발명은 SA 알고리즘을 사용하여, 복잡한 수학적 이론에 기초하지 않아, 적용이 용이하고 폭넓은 설계공간의 탐색능력 및 국소해 탈출 장치를 가지고 있어, 전역 탐색을 통해 보다 나은 결과를 도출할 수 있다는 이점을 가지고 있다.Further, the present invention uses the SA algorithm and is not based on a complicated mathematical theory, and is easy to apply, has a broad design space search ability and a localized escape apparatus, and can obtain better results through global search .
이러한 이점을 통해 지식과 경험이 없는 초급 엔지니어라고 할지라도 생산정 위치를 적절하게 선정할 수 있으며, 국내 기업의 생산광구 투자 및 운영기업의 생산 계획 수립에 크게 활용될 수 있을 것으로 기대된다.
These advantages are expected to be able to appropriately select production location even for beginner engineers who do not have knowledge and experience, and it is expected to be greatly utilized in the production planning of investment enterprises and operating enterprises of domestic enterprises.
한편, 이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments, but, on the contrary, It will be understood by those skilled in the art that various changes in form and detail may be made therein without departing from the spirit and scope of the present invention.
100: 지능형 생산정 위치 선정 시스템 110: 제1 처리부
111: 생산량 산출부 112: NPV 산출부
120: 제2 처리부 121: 좌표 섭동부
122: 비교 판단부 130: 데이타 베이스
131: 제1 저장부 132: 제2 저장부
131a: 맵핑 테이블 저장부100: intelligent production positioning system 110: first processing unit
111: production amount calculation unit 112: NPV calculation unit
120: second processing unit 121: coordinate acting unit
122: comparison judgment unit 130: database
131: first storage unit 132: second storage unit
131a: Mapping table storage unit
Claims (10)
상기 유·가스전 생산계획 수립에 적용되는 훈련 생산정용 인공신경망 시뮬레이터가 구비되, 외부로부터 상기 유·가스전의 선정좌표(current design) 및 상기 선정좌표(current design)를 섭동시킨 후보좌표(candidate design)를 각각 제공받아 상기 선정좌표(current design) 및 상기 후보좌표(candidate design)로부터 산출 가능한 생산정의 생산량 및 상기 생산량에 따른 순현재가치값을 산출하는 제1 처리부;
상기 제1 처리부로부터 산출된 상기 선정좌표(current design)의 생산정 생산량의 순현재가치(NPV)와 상기 후보좌표(candidate design)의 생산정 생산량의 순현재가치(NPV)를 비교하여 적합도가 우수한 순현재가치(NPV)를 도출한 후, 내부에 기설정된 종료 조건와 비교하여, 도출된 상기 순현재가치(NPV)가 상기 종료 조건을 만족할 경우 상기 순현재가치(NPV)에 해당하는 좌표를 생산정 좌표로 출력하는 제2 처리부; 및
상기 훈련 생산전용 인공신경망 시뮬레이터에 필요한 입·출력 데이타, 입력변수, 출력 변수가 저장된 복수 개의 맵핑 테이블 저장부들을 포함하는 데이타 베이스를 포함하고,
상기 제2 처리부는 SA 알고리즘이 프로그래밍되어 있으며, Metropolis 알고리즘을 이용하여 상기 선정좌표(current design)와 상기 후보좌표(candidate design)의 적합도를 비교판단하는 비교 판단부를 더 포함하고,
상기 Metropolis 알고리즘은 확률적으로 열등한 적합도를 가지는 좌표도 차기 선정좌표(current design)로 채택할 수 있도록 하며, 이 채택 확률은 온도에 의해 제어되는 것인, 지능형 생산정 위치 선정 전산 시스템.In an intelligent production and positioning computerized system for automatically selecting a production location for oil and gas production planning,
A current design of the oil / gas field and a candidate design perturbing the current design are provided from the outside, and the artificial neural network simulator for training production is applied to the oil / A first processor for calculating a production definable production quantity which can be calculated from the selected design and the candidate design and a net present value according to the production quantity,
Wherein a net present value (NPV) of the production definite production amount of the current design calculated from the first processing unit is compared with a net present value (NPV) of the production production amount of the candidate designation (candidate design) (NPV), and if the derived present value (NPV) satisfies the above-mentioned termination condition, it compares the NPV with the predetermined termination condition, A second processing unit for outputting the coordinates in coordinates; And
A database including a plurality of mapping table storage units for storing input / output data, input variables, and output variables necessary for the training production dedicated artificial neural network simulator,
The second processing unit may further include a comparison determining unit for comparing the current design with the candidate design using the Metropolis algorithm,
Wherein the Metropolis algorithm allows adoption of coordinates with probabilistically inferior fitness as the current design, and the adoption probability is controlled by temperature.
상기 입력변수는,
상기 맵핑 테이블 저장부 내에 저장되며, 시간자료, 추가생산정의 위치좌표, 저류층 경계와 추가 생산정간 거리, 기존 생산정과 추가생산정간 거리, 추가 생산정간 거리, 신경망의 민감도를 향상시키는 함수적 연관관계, 저류층의 상대적 생산량을 나타내는 생산성 잠재력, 저류층 압력 중 적어도 하나를 포함하는 것을 특징으로 하는 지능형 생산정 위치 선정 전산 시스템.
The method according to claim 1,
The input variable may include:
The mapping table storage unit stores time data, additional production definition location coordinates, reservoir boundary and additional production tangential distance, existing production tangent and additional production tangential distance, additional production tangential distance, functional relationship for improving the sensitivity of the neural network, A productivity potential indicating a relative production amount of a reservoir, and a reservoir pressure.
상기 출력변수는,
상기 맵핑 테이블 저장부에 저장되며, 생산정 별 공저압력과 생산량 중 적어도 하나를 포함하는 것을 특징으로 하는 지능형 생산정 위치 선정 전산 시스템.
The method according to claim 1,
The output variable includes:
Wherein the mapping table is stored in the mapping table storage unit and includes at least one of production pressure and production volume.
상기 복수 개의 맵핑 테이블 저장부는,
플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리, 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(ReadOnly Memory, ROM), EEPROM(Electrically Erasable Programmable ReadOnly Memory), PROM(Programmable ReadOnly Memory) 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체인 것을 특징으로 하는 지능형 생산정 위치 선정 전산 시스템.
The method according to claim 1,
Wherein the plurality of mapping table storage units store,
A flash memory type, a hard disk type, a multimedia card micro type, a card type memory, a random access memory (RAM), a static random access memory (SRAM) (ROM), an electrically erasable programmable read-only memory (EEPROM), a programmable read-only memory (PROM) magnetic memory, a magnetic disk, and an optical disk. system.
상기 유·가스전 생산계획 수립에 필요한 입·출력 자료를 선정한 후, 선정된 입력 자료에 따라 상기 출력 자료를 도출하도록 설계된 훈련 생산정용 인공신경망(Artificial neural network: ANN) 시뮬레이터를 이용하여 선정좌표(current design)에서 산출 가능한 생산량 및 생산량에 따른 순현재가치(NPV)를 산출한 후, 산출된 순현재가치(NPV)와 기 설정된 종료 조건을 비교하는 제1 단계;
상기 제1 단계의 결과값에 따라 상기 선정좌표(current design)를 섭동킨 후보좌표(candidate design)를 생성한 후, 상기 인공신경망 시뮬레이터를 통해 상기 후보좌표(candidate design)에서 산출 가능한 생산량 및 생산량에 따른 순현재가치를 산출하는 제2 단계;
SA 알고리즘을 이용하여 상기 선정좌표(current design)의 생산량에 따른 순현재가치(NPV)와 상기 후보좌표(candidate design)의 생산량에 따른 순현재가치(NPV)를 비교하여 적합성이 뛰어난 좌표를 산출한 후, 기준지표와 비교하여 종료 조건의 요건에 충족될 경우 생산정 위치 좌표로 선정되며, 상기 기준지표의 요건에 충족되지 못할 경우, 상기 종료 조건와 비교된 좌표를 차기의 선정좌표(current design)로 설정하여 상기 제1 단계부터 재수행하는 제3 단계를 포함하는 지능형 생산정 위치 선정 방법.A method for selecting a production position, which is performed by the intelligent production position determining computer system according to any one of claims 1, 2, 3, 4, 5,
(ANN) simulator designed to generate the output data according to the selected input data after selecting input / output data necessary for establishing the oil / gas production plan, a first step of calculating a net present value (NPV) according to a production amount and a production amount that can be calculated in a design process, and then comparing the calculated net present value (NPV) with a predetermined end condition;
Generating candidate designs that perturb the current design according to the result of the first step and outputting the candidate designs to the production and production amounts that can be calculated from the candidate designs through the artificial neural network simulator, A second step of calculating a net present value according to the present invention;
(NPV) according to the production amount of the current design using the SA algorithm and the net present value (NPV) according to the production amount of the candidate design (candidate design) And when the requirement of the end condition is compared with the standard index, the selected position is selected as the production position coordinate. If the requirement of the standard index is not satisfied, the coordinate compared with the end condition is set as the current design of the next term And a third step of re-executing the process from the first step.
상기 제1 단계는,
상기 선정좌표(current design) 선정단계;
상기 선정좌표(current design)로부터 산출 가능한 생산량 및 상기 생산량의 순현재가치를 산출하는 단계; 및
산출된 순현재가치와 상기 종료 조건을 비교하는 단계를 포함하는 것을 특징으로 하는 지능형 생산정 위치 선정 방법.
The method according to claim 6,
In the first step,
Selecting the current design;
Calculating a production amount that can be calculated from the current design and a net present value of the production amount; And
And comparing the calculated net present value with the termination condition.
상기 제2 단계는,
상기 제1 단계의 결과값에 따라 상기 선정좌표(current design)를 섭동킨 후보좌표(candidate design)를 생성하는 단계; 및
상기 인공신경망 시뮬레이터를 통해 상기 후보좌표(candidate design)에서 산출 가능한 생산량 및 생산량에 따른 순현재가치를 산출하는 단계를 포함하는 것을 특징으로 하는 지능형 생산정 위치 선정 방법.
The method according to claim 6,
The second step comprises:
Generating candidate designs that perturb the current design according to the result of the first step; And
And calculating a net present value according to a production amount and a production amount that can be calculated in the candidate design through the artificial neural network simulator.
상기 제3 단계는,
종료 조건에 불만족 할 경우, 종료 조건의 오차 범위 내의 좌표들 중 확률적 분포가 가장 높은 좌표를 상기 차기 선정좌표(current design)로 지정한 후, 상기 차기 선정좌표(current design)를 상기 제1 단계로 피드백하는 단계를 더 포함하는 것을 특징으로 하는 지능형 생산정 위치 선정 방법.The method according to claim 6,
In the third step,
If the end condition is unsatisfied, a coordinate having the highest stochastic distribution among the coordinates within the error range of the end condition is designated as the next selected design, and then the next selected design is set to the first step Further comprising the step of providing feedback to the intelligent production position determining method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020130057849A KR101474874B1 (en) | 2013-05-22 | 2013-05-22 | computing system for well placement optimization developed by SA/ANN and well placement optimization method using Thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020130057849A KR101474874B1 (en) | 2013-05-22 | 2013-05-22 | computing system for well placement optimization developed by SA/ANN and well placement optimization method using Thereof |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20140137210A KR20140137210A (en) | 2014-12-02 |
| KR101474874B1 true KR101474874B1 (en) | 2014-12-30 |
Family
ID=52457150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020130057849A KR101474874B1 (en) | 2013-05-22 | 2013-05-22 | computing system for well placement optimization developed by SA/ANN and well placement optimization method using Thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101474874B1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180092213A (en) * | 2017-02-08 | 2018-08-17 | 조선대학교산학협력단 | Method for calculating global solution using artificial neural network |
| WO2019190003A1 (en) * | 2018-03-30 | 2019-10-03 | 조선대학교 산학협력단 | Method for optimizing locations of multiple wellbores in oil and gas reservoir by using artificial neural network |
| KR20200058258A (en) * | 2018-11-13 | 2020-05-27 | 한국건설기술연구원 | System and method for predicting ground layer information, and a recording medium having computer readable program for executing the method |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101657890B1 (en) | 2015-04-06 | 2016-09-20 | 서울대학교산학협력단 | Economic analysis of production rate of reservoir using multi-objective genetic algorithm and real option |
| KR101838518B1 (en) * | 2017-01-12 | 2018-03-14 | 동아대학교 산학협력단 | A Method for the well placement investigation using Productivity Potential Area Map |
| KR102332851B1 (en) * | 2019-09-30 | 2021-11-30 | (주)골든엔지니어링 | Oil well analysis system and method for acidizing |
-
2013
- 2013-05-22 KR KR1020130057849A patent/KR101474874B1/en active IP Right Grant
Non-Patent Citations (4)
| Title |
|---|
| W.Bangerth 외 4인, ‘On optimization algorithms for the reservoir oil well placement problem’, Computer & Geosciences, 2006년, pp.303-319* |
| W.Bangerth 외 4인, 'On optimization algorithms for the reservoir oil well placement problem', Computer & Geosciences, 2006년, pp.303-319 * |
| 한동권 외 2인, ‘인공신경망 시뮬레이터를 이용한 가스전 생산정 위치선정 연구’, 한국가스학회지 제17권 제2호, 2013.04, pp.59-69* |
| 한동권 외 2인, '인공신경망 시뮬레이터를 이용한 가스전 생산정 위치선정 연구', 한국가스학회지 제17권 제2호, 2013.04, pp.59-69 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180092213A (en) * | 2017-02-08 | 2018-08-17 | 조선대학교산학협력단 | Method for calculating global solution using artificial neural network |
| KR101964867B1 (en) * | 2017-02-08 | 2019-04-02 | 조선대학교산학협력단 | Method for calculating global solution using artificial neural network |
| WO2019190003A1 (en) * | 2018-03-30 | 2019-10-03 | 조선대학교 산학협력단 | Method for optimizing locations of multiple wellbores in oil and gas reservoir by using artificial neural network |
| KR20190114450A (en) * | 2018-03-30 | 2019-10-10 | 조선대학교산학협력단 | Method for optimization of multi-well placement of oil or gas reservoirs using artificial neural networks |
| KR102124315B1 (en) | 2018-03-30 | 2020-06-18 | 조선대학교 산학협력단 | Method for optimization of multi-well placement of oil or gas reservoirs using artificial neural networks |
| KR20200058258A (en) * | 2018-11-13 | 2020-05-27 | 한국건설기술연구원 | System and method for predicting ground layer information, and a recording medium having computer readable program for executing the method |
| KR102155101B1 (en) | 2018-11-13 | 2020-09-11 | 한국건설기술연구원 | System and method for predicting ground layer information, and a recording medium having computer readable program for executing the method |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20140137210A (en) | 2014-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101474874B1 (en) | computing system for well placement optimization developed by SA/ANN and well placement optimization method using Thereof | |
| RU2573746C2 (en) | Systems and methods for well performance forecasting | |
| CA2992274C (en) | Ensemble based decision making | |
| CN105452598B (en) | The method for selecting and optimizing the oil field control for yield platform | |
| NO346634B1 (en) | Method, system and computer readable medium for rapidly updating oil and gas field production models with physical and proxy simulators | |
| CA3024461A1 (en) | Computer implemented method for generating a field development plan (fdp) for the exploitation of oil and gas reservoirs | |
| KR20200058258A (en) | System and method for predicting ground layer information, and a recording medium having computer readable program for executing the method | |
| NO20171058A1 (en) | Integrated a priori uncertainty parameter architecture in simulation model creation | |
| Costa et al. | A new methodology to reduce uncertainty of global attributes in naturally fractured reservoirs | |
| Hidalgo et al. | Closed-loop field development under geological uncertainties: application in a brazilian benchmark case | |
| CN108765562B (en) | Oil-gas productivity evaluation method based on three-dimensional geological model | |
| US11927717B2 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with Ensemble Kalman Filter (EnKF) | |
| CN114091883A (en) | Method, device, medium and equipment for predicting well leakage risk horizon before drilling | |
| WO2014197637A1 (en) | Selecting and optimizing oil field controls for production plateau | |
| CN116911216B (en) | Reservoir oil well productivity factor assessment and prediction method | |
| Bahabadi et al. | Decision making for choosing the optimum production scenario for a sector model of South Pars gas field based on single well modeling | |
| CN116720662B (en) | Distributed energy system applicability evaluation method based on set pair analysis | |
| US20230272703A1 (en) | Workflow of inflow performance relationship for a reservoir using machine learning technique | |
| Mohaghegh et al. | Shale Numerical Simulation and Smart Proxy | |
| Calad et al. | Combining machine learning and reservoir simulation for robust optimization of completion design and well location of unconventional wells | |
| CN117875154A (en) | Land natural gas hydrate energy production prediction method, system and electronic equipment | |
| Md Anuar | Combining Recursive Least Square and Principal Component Analysis for Assisted History Matching | |
| Ospina! et al. | A Novel Fusion: Integrating Artificial Neural Networks and Production Fit Models for Swift and Coherent Data-Physics Predictive Modeling of a Mature Oil Field in Texas | |
| Ferreira et al. | Methodology to estimate the chance of success of a time-lapse seismic project using reservoir simulation | |
| CN116006168A (en) | Injection and production parameter optimization method and system based on connectivity analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |