KR20140137210A - 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 - Google Patents

지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 Download PDF

Info

Publication number
KR20140137210A
KR20140137210A KR1020130057849A KR20130057849A KR20140137210A KR 20140137210 A KR20140137210 A KR 20140137210A KR 1020130057849 A KR1020130057849 A KR 1020130057849A KR 20130057849 A KR20130057849 A KR 20130057849A KR 20140137210 A KR20140137210 A KR 20140137210A
Authority
KR
South Korea
Prior art keywords
production
design
npv
candidate
present value
Prior art date
Application number
KR1020130057849A
Other languages
English (en)
Other versions
KR101474874B1 (ko
Inventor
권순일
정지헌
곽태성
한동권
Original Assignee
동아대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 동아대학교 산학협력단 filed Critical 동아대학교 산학협력단
Priority to KR1020130057849A priority Critical patent/KR101474874B1/ko
Publication of KR20140137210A publication Critical patent/KR20140137210A/ko
Application granted granted Critical
Publication of KR101474874B1 publication Critical patent/KR101474874B1/ko

Links

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 DRILLING; MINING
    • E21B—EARTH DRILLING, e.g. DEEP 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. analysis, for interpretation, for correction
    • 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

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.

Description

지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법{computing system for well placement optimization developed by SA/ANN and well placement optimization method using Thereof}
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.
생산 유·가스전에서 생산정의 위치 선정은 경험이 많은 엔지니어가 다양한 시나리오를 준비하고 각 시나리오에 대해 저류전산 시뮬레이션을 수행하여 경제성 평가를 통해 수행된다.
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.
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.
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.
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.
이를 위해서는 고속의 저류전산 시뮬레이터와 자동으로 생산정 위치를 변화시키면서 경제성 평가를 수행할 수 있는 최적화 알고리즘이 적용된 전산 모델의 개발이 필요한 실정이다.
[선행기술문헌]
(특허문헌 1) EP1389298B1
(특허문헌 2) WO2007092596
(비특허문헌 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.
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.
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.
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.
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.
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.
상기 출력변수는 상기 맵핑 테이블 저장부에 저장되며, 생산정 별 공저압력과 생산량을 포함하는 것을 특징으로 한다.
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.
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.
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.
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.
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.
상기 과제를 해결하기 위한 본 발명의 실시 예에 따른 기록매체는 제6항에 기재된 지능형 생산정 위치 선정 방법을 기록한 코드를 포함하는 것을 특징으로 한다.
본 발명에 따른 지능형 생산정 위치 선정 전산 시스템은 전위 시뮬레이터로 인공신경망을 사용하여, 간단한 산술연산만으로도 시뮬레이션이 가능한 장점이 있다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
먼저, 본 발명을 설명하기 앞서, 유·가스전에서 생산 계획을 적절히 수립하여 회수율과 수익을 극대화하기 위해서는 적절한 위치에 생산정을 시추하는 것이 중요하다.
여기서, 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. 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 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.
참고로, 고속의 연산이 가능한 방법에는 인공신경망(Artificial neural network: ANN), 퍼지이론(Fuzzy logic), 유선망 시뮬레이션(Streamline simulation)등이 있다.
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.
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.
지능형 최적화 알고리즘에는 Simulated annealing 알고리즘(이하, SA), Genetic 알고리즘(GA), Ant colony optimization 알고리즘(ACO) 등이 있다.
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.
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.
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.
도 1은 본 발명의 실시 예에 따른 지능형 생산정 위치 선정 전산 시스템을 나타낸 블럭도이다.
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.
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.
또한, 생산정의 생산량을 산출하는 데 있어, 입력변수 및 출력변수를 고려되며, 상기 입력변수 및 출력변수는 상기 데이타 베이스(130)로부터 제공받는다.
보다 구체적으로, 상기 훈련 생산정용 인공신경망 시뮬레이터는 기존의 인공신경망 시뮬레이터를 생산정 위치 선정에 적용하도록 설계변경된 시뮬레이터일 수 있다.
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.
참고로, 인공신경망 시뮬레이터를 훈련 생산정용 인공신경망 시뮬레이터로 설계 변경시에 먼저 입출력자료를 구성하고 은닉층의 레이어 수와 뉴런 개수를 선정한다.
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.
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.
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.
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.
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.다.
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.
또한, 상기 비교 판단부(122)는 선정좌표(current design)와 후보좌표(candidate design)의 순현재가치를 비교 후 선정시, 국소해 탈출을 위하여 Metropolis 알고리즘을 사용한다.
여기서, Metropolis 알고리즘은 열등한 쪽도 확률적으로 차기의 현재좌표로 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.
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.
보다 구체적으로, 상기 입·출력 데이타는 유한차분 저류전산 시뮬레이터를 이용하여 도출된 저류층 물성, 생산정 별 생산량, 공저압력, 정두압력 등과 같은 데이타일 수 있다.
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.
상기 출력변수는 생산정별 공저압력과 생산량일 수 있으며, 동시에 사용한다.
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.
저류층 경계, 대수층 지역 또한 생산성에 영향을 미치기 때문에 생산정간 상관관계를 고려하여 위치를 선정해야 한다.
탄화수소 부존량은 저류층 연결성에 비례한다. 따라서 시추대상 지역의 공극률, 유체 투과도, 탄화수소 포화도 등은 생산량에 직접적인 영향을 미친다.
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.
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.
도 2는 도 1에 도시된 지능형 생산정 위치 선정 전산 시스템을 이용한 생산정 위치 선정 방법을 나타낸 플로우 차트이다.
도 2에 도시된 바와 같이, 본 발명의 생산정 위치 선정 방법은 제1 단계(S200) 내지 제3 단계(S400)를 포함한다
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.
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.
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.
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.
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.
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.
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.
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.
따라서, 본 발명에 따른 지능형 생산정 위치 선정 전산 시스템은 전위 시뮬레이터로 인공신경망을 사용하여, 간단한 산술연산만으로도 시뮬레이션이 가능한 장점이 있다.
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.
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.
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.
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.
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 저장부

Claims (10)

  1. 유·가스전 생산계획 수립을 위한 생산정 위치를 자동으로 선정하기 위한 지능형 생산정 위치 선정 전산 시스템에 있어서,
    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 있는 것을 특징으로 하는 지능형 생산정 위치 선정 전산 시스템.
  2. 제1항에 있어서,
    상기 제2 처리부는,
    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 비교판단하는 비교 판단부를 포함하는 것을 특징으로 하는 지능형 생산정 위치 선정 전산 시스템.
  3. 제1항에 있어서,
    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.
  4. 제1항에 있어서,
    상기 출력변수는,
    상기 맵핑 테이블 저장부에 저장되며, 생산정 별 공저압력과 생산량 중 적어도 하나를 포함하는 것을 특징으로 하는 지능형 생산정 위치 선정 전산 시스템.
  5. 제1항에 있어서,
    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.
  6. 제1항 내지 제5항 중 어느 하나의 항에 기재된 지능형 생산정 위치 선정 전산 시스템을 이용한 생산정 위치 선정 방법에 있어서,
    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.
  7. 제6항에 있어서,
    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.
  8. 제6항에 있어서,
    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.
  9. 제6항에 있어서,
    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 하는 지능형 생산정 위치 선정 방법.
  10. 제6항에 기재된 지능형 생산정 위치 선정 방법을 기록한 코드를 포함하는 기록 매체.
KR1020130057849A 2013-05-22 2013-05-22 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 KR101474874B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130057849A KR101474874B1 (ko) 2013-05-22 2013-05-22 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130057849A KR101474874B1 (ko) 2013-05-22 2013-05-22 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법

Publications (2)

Publication Number Publication Date
KR20140137210A true KR20140137210A (ko) 2014-12-02
KR101474874B1 KR101474874B1 (ko) 2014-12-30

Family

ID=52457150

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130057849A KR101474874B1 (ko) 2013-05-22 2013-05-22 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법

Country Status (1)

Country Link
KR (1) KR101474874B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101657890B1 (ko) 2015-04-06 2016-09-20 서울대학교산학협력단 다목적 유전 알고리즘과 실물옵션에 기반한 저류층의 생산성 평가 방법
WO2018131992A1 (ko) * 2017-01-12 2018-07-19 동아대학교 산학협력단 생산성 잠재력 분포 영역도를 이용한 유정 위치 탐색 방법
KR20210037877A (ko) * 2019-09-30 2021-04-07 (주)골든엔지니어링 산처리 유정 후보지 분석 시스템 및 그 방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101964867B1 (ko) * 2017-02-08 2019-04-02 조선대학교산학협력단 인공신경망을 이용하여 광역해를 산출하는 방법
KR102124315B1 (ko) * 2018-03-30 2020-06-18 조선대학교 산학협력단 유가스 저류층에서 인공신경망을 이용한 복수의시추정 위치 최적화 방법
KR102155101B1 (ko) * 2018-11-13 2020-09-11 한국건설기술연구원 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101657890B1 (ko) 2015-04-06 2016-09-20 서울대학교산학협력단 다목적 유전 알고리즘과 실물옵션에 기반한 저류층의 생산성 평가 방법
WO2018131992A1 (ko) * 2017-01-12 2018-07-19 동아대학교 산학협력단 생산성 잠재력 분포 영역도를 이용한 유정 위치 탐색 방법
KR20210037877A (ko) * 2019-09-30 2021-04-07 (주)골든엔지니어링 산처리 유정 후보지 분석 시스템 및 그 방법

Also Published As

Publication number Publication date
KR101474874B1 (ko) 2014-12-30

Similar Documents

Publication Publication Date Title
KR101474874B1 (ko) 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법
RU2573746C2 (ru) Система и способы для прогнозирования поведения скважины
CN113052371B (zh) 基于深度卷积神经网络的剩余油分布预测方法及装置
CA2992274C (en) Ensemble based decision making
CN105452598B (zh) 选择和优化用于产量平台的油田控制的方法
NO346634B1 (no) Fremgangsmåte, system og datamaskinlesbart medium for hurtig oppdatering av olje- og gassfeltproduksjonsmodeller med fysiske og proksysimulatorer
CA3024461A1 (en) Computer implemented method for generating a field development plan (fdp) for the exploitation of oil and gas reservoirs
US9187985B2 (en) Method for optimizing the development of an underground medium by means of a reservoir study comprising optimized upscaling
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
Preis et al. Online hydraulic state prediction for water distribution systems
US20210149077A1 (en) Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter (enkf)
Sircar et al. Genetic-based Monte Carlo Modeling of geothermal prospects: Indian examples
CN114091883A (zh) 井漏风险层位钻前预测方法、装置、介质及设备
CN116720662B (zh) 基于集对分析的分布式能源系统适用性评估方法
CN116911216B (zh) 一种储层油井产能因素评估与预测方法
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
US20230272703A1 (en) Workflow of inflow performance relationship for a reservoir using machine learning technique
EP3323092B1 (en) Ensemble based decision making
Calad et al. Combining machine learning and reservoir simulation for robust optimization of completion design and well location of unconventional wells
Mohaghegh et al. Shale Numerical Simulation and Smart Proxy
CN117875154A (zh) 一种陆域天然气水合物产能预测方法、系统和电子设备
Al-Shuaibi et al. Optimization of Hydraulic Fracturing Design using ANN-A Case Study
Md Anuar Combining Recursive Least Square and Principal Component Analysis for Assisted History Matching
Ferreira et al. Methodology to estimate the chance of success of a time-lapse seismic project using reservoir simulation

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant