WO2019088543A1 - 딥러닝을 이용한 저류층 불확실성 평가 방법 - Google Patents

딥러닝을 이용한 저류층 불확실성 평가 방법 Download PDF

Info

Publication number
WO2019088543A1
WO2019088543A1 PCT/KR2018/012533 KR2018012533W WO2019088543A1 WO 2019088543 A1 WO2019088543 A1 WO 2019088543A1 KR 2018012533 W KR2018012533 W KR 2018012533W WO 2019088543 A1 WO2019088543 A1 WO 2019088543A1
Authority
WO
WIPO (PCT)
Prior art keywords
models
reservoir
model
uncertainty
representative
Prior art date
Application number
PCT/KR2018/012533
Other languages
English (en)
French (fr)
Inventor
이경북
김재준
임정택
Original Assignee
한국지질자원연구원
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 한국지질자원연구원 filed Critical 한국지질자원연구원
Publication of WO2019088543A1 publication Critical patent/WO2019088543A1/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
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/282—Application of seismic models, synthetic seismograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G01V2210/66—Subsurface modeling

Definitions

  • the present invention relates to a method for evaluating uncertainty of a reservoir using deep learning, and more particularly, to a method for estimating uncertainty of a reservoir using deep learning, , It is possible to maintain the uncertainty range of the entire reservoir model with a small number of models by clustering similar reservoir models based on the extracted reservoir models, This paper deals with a method for evaluating uncertainty of reservoir using deep run to improve the uncertainty range by selecting the best representative model by comparing the dynamic data with the observed dynamic data.
  • the data that can be used to identify underground reservoirs are mostly static data and dynamic data.
  • Static data is used to generate the initial reservoir model through geostatistics and dynamic data is used to improve the reservoir model through an inverse algorithm.
  • geostatistical techniques are used in various fields such as geology, environment, and meteorology.
  • the geostatistical method is a technique for evaluating factors of interest to unknown points using known static data. For example, if the geostatistical method is limited in the acquisition of geotechnical information due to time and cost problems, it is possible to predict and analyze the data of the sections where geotechnical investigation is not possible by using the limited geotechnical information as much as possible, It can be used as a core technology for designing such as planning, environmental planning or weather prediction.
  • Static data are needed to perform current geostatistical techniques, and static data include primary or hard data and secondary or soft data.
  • static data include primary or hard data and secondary or soft data.
  • reliable secondary data are needed, but separate experiments or exploration procedures may be required to obtain them. In this case, it takes time and expense to obtain the secondary data.
  • a number of reservoir models with equivalent probabilities can be created using the geostatistics technique.
  • Static data are the same but due to uncertainties due to limited data, very different models are created.
  • the simulation of underground reservoirs is accompanied by large uncertainties, and the simulation results of the reservoir model are also very different. If you have created hundreds of reservoir models using geostatistical techniques, you can simulate each model to quantify the uncertainty through the range of yields. However, in this case, the time required is very long and the range of uncertainty is very wide, making it difficult to see the data as meaningful.
  • Dynamic data is not used for geostatistical techniques and is used to improve the model through inversion using the reservoir model, which is the result of the geostatistical technique, as an initial data.
  • the early reservoir model with large uncertainty lowers the reliability of inversion and the inversion time increases rapidly due to the large number of models. There is also a limit to the ability to preserve static data used in geostatistical techniques.
  • the cited invention has a problem that the standard of the distance, which is a measure of the dissimilarity between the reservoir models, is defined as Hausdorff and is limited to the model represented by 0 and 1. Also, when the total number of gratings is large using the whole grid of the reservoir model, there is a problem that the cost of calculating the Hausdorp distance increases.
  • AE auto-encoder
  • the present invention has been made to solve the above problems occurring in the prior art, and it is an object of the present invention to provide a method and apparatus for estimating a similarity of a reservoir model by defining a distance reference as a feature extracted by a deep learning technique, This method is to provide a method for estimating reservoir uncertainty using deep running which can maintain the uncertainty range of the entire reservoir model with a small number of models by cluster representative models.
  • Another object of the present invention is to compare the predicted dynamic data and the observed dynamic data of the cluster-specific representative model in the case of dynamic data, to select an optimal representative model, and to select a final model having high similarity to determine the uncertainty range And to provide a method for evaluating reservoir layer uncertainty using deep running.
  • a method for evaluating a reservoir layer uncertainty using deep running to achieve the above object comprises the steps of: preparing static data; Generating a plurality of reservoir models utilizing the static data using a geostatistical technique; A learning step of learning all the models by an auto encoder; An encoding step of extracting a feature vector of a storage layer model with the learned auto encoder; Evaluating the similarity (distance) of the reservoir model according to the extracted feature vector; A clustering step of clustering similar models using the clustering technique according to the similarity; A representative model selection step of selecting a representative model for each clustered cluster; A first simulation step of simulating a storage layer for the representative models; A judgment step of judging whether or not there is observed dynamic data from the reservoir; Estimating uncertainty using the simulation result in the first simulation step when there is no observed dynamic data as a result of the determination in the determining step; And selecting an optimal representative model and a final model using the dynamic data and evaluating the uncertainty when there is observed dynamic data as a result of the determination in the
  • the step of evaluating the uncertainty using the dynamic data may include the steps of: comparing an estimated value of the representative models of the first simulation step with the dynamic data to select an optimal representative model having the minimum error; A final model selecting step of selecting a model having a similarity with the selected optimal representative model; A second simulation step of performing a reservoir simulation for the final models; And an improved uncertainty evaluation step of evaluating the improved uncertainty using the simulation results.
  • the clustering step and the final model selecting step may evaluate the similarity between the models based on the auto encoder distance calculated using the feature vector extracted in the encoding step.
  • a predetermined number of reservoir models having the highest similarity based on the auto-encoder based on the selected optimum representative model may be configured.
  • the first simulation step may be composed of only a predetermined representative model that is the same as the number of clusters selected from all of the plurality of reservoir models.
  • the method of estimating the uncertainty of the reservoir layer using the deep run of the present invention is defined as a feature extracted by the deep learning method to measure the similarity of the reservoir model in the absence of the dynamic data.
  • Another object of the present invention is to compare the predicted dynamic data and the observed dynamic data of the cluster-specific representative model in the case of dynamic data, to select an optimal representative model, and to select a final model having high similarity to determine the uncertainty range It is possible to select the final model that has similar behavior to the observed dynamic data with minimal reservoir simulation without applying the inversion algorithm.
  • FIG. 1 is a block diagram schematically showing a block diagram of a system for performing a reservoir layer uncertainty evaluation according to an embodiment of the present invention
  • FIG. 2 is a flowchart illustrating a process of performing a specific reservoir layer uncertainty evaluation according to an embodiment of the present invention.
  • FIG. 3 is a flowchart illustrating in more detail the step of estimating uncertainty using the dynamic data of FIG. 2 according to an embodiment of the present invention.
  • Figures 4A-4G are graphs illustrating an example of a process for evaluating reservoir layer uncertainties in Figures 2 and 3 according to one embodiment of the present invention.
  • FIGS 5A-5H illustrate static data and initial models used as inputs in accordance with an embodiment of the present invention.
  • FIG. 6 is a diagram illustrating a principle of encoding and decoding using a stacked auto-encoder (SAE) according to one embodiment of the present invention.
  • SAE stacked auto-encoder
  • FIGS. 7A and 7B are diagrams comparing an initial model and a decoded model according to the present invention, in accordance with an embodiment of the present invention.
  • FIG. 7A is a diagram comparing an initial model and a decoded model according to the present invention, in accordance with an embodiment of the present invention.
  • FIGS. 8A to 8C are diagrams illustrating an average value of all the initial models, an average value of the selected 20 representative models, and an average value of models belonging to the same cluster in the clustering step according to an exemplary embodiment of the present invention.
  • FIGS. 9A-9C illustrate an example of an embodiment of the present invention when the dynamic data is present, the reference field used to generate the observed dynamic data, the average of the 10 final models, Fig.
  • 10A and 10B are graphs comparing uncertainty evaluation results of initial models and final models according to an embodiment of the present invention.
  • FIG. 1 is a block diagram schematically illustrating a block diagram of a system for performing a reservoir layer uncertainty evaluation according to an embodiment of the present invention.
  • the database 110 stores static data and dynamic data.
  • Primary data and spatial correlation data of static data are essential, and secondary data are not essential data.
  • Dynamic data is also not essential, and if there is no dynamic data, the objective is to evaluate the overall uncertainty with a small number of simulations, and if dynamic data is present, the objective is to improve the overall uncertainty range.
  • the primary data may be well data
  • the spatial correlation may be a training image or a variogram.
  • the initial model generation unit 120 generates an initial model using a geostatistical method using given static data.
  • a geostatistical method For example, in the case of petroleum engineering, the facies model can be made into multi-point geostatistics.
  • uncertainties and generate hundreds of possible models with equivalent probabilities we take into account uncertainties and generate hundreds of possible models with equivalent probabilities.
  • the deep learning technique unit 130 learns a plurality of generated initial models using a deep learning algorithm to extract key features of each model (encoding). Further, information may be restored using the extracted features (decoding).
  • the deep learning technique unit 130 may be an auto encoder or a stacked auto encoder.
  • the optimal model selection unit 140 first clusters similar models by using the feature vector as a reference for inter-model similarity measurement. Then, a representative model is selected for each clustering cluster. In the absence of dynamic data, the representative models are applied to the step of applying the optimal model. In observing the dynamic data, an optimal representative model having the most similar prediction value to the observed dynamic data among the representative models is selected, and a predetermined model having a distance closer to the target based on the feature vector from the optimum representative model may be selected as the final model . The final model is applied to the step of applying the optimal model.
  • the optimal model application unit 150 can perform dynamic simulation on the models to predict future behavior and finally evaluate and improve uncertainty.
  • the results processed at each step can be displayed through the display unit 160.
  • the processes shown in the following drawings can be confirmed by the operator through the display unit 160, thereby making it possible to roughly determine the reliability of prediction and uncertainty evaluation. This uncertainty evaluation will be described in more detail with reference to the following drawings.
  • FIG. 2 is a flowchart illustrating a process of performing a specific reservoir uncertainty evaluation according to an embodiment of the present invention.
  • FIG. 3 is a flowchart illustrating a method of estimating uncertainty using the dynamic data of FIG. 2 according to an embodiment of the present invention.
  • 4A to 4G are graphs illustrating an example of a process for evaluating the reservoir layer uncertainty of FIGS. 2 and 3 according to an embodiment of the present invention, and
  • FIGS. 5A to 5H are graphs
  • FIG. 6 is a diagram illustrating a principle of encoding and decoding using a stacked auto encoder according to an embodiment of the present invention, and FIGS.
  • FIGS. 9A to 9C are graphs showing the average value of all the initial models, the average value of the selected 20 representative models, and the average value of the models belonging to the same cluster in the clustering step.
  • 10A and 10B are views showing the reference field used to generate the observed dynamic data, the average of the 10 final models, and the individual final models, if any, in one embodiment of the present invention And the uncertainty evaluation results of the final models are compared with each other.
  • Static data can be primary data, well correlation data, spatial correlation data, and secondary data, seismic data.
  • a plurality of equivalent reservoir models are generated from the prepared static data using a geostatistical technique.
  • FIG. 4A shows an initial model generated as static data.
  • 800 reservoir models are generated.
  • FIGS. 5A through 5D show training images in the case of vertical, 45 degrees, horizontal, and 135 degrees, respectively.
  • the training image is a geological concept as one of the static data as described above.
  • 5E to 5H show an example of an initial model generated by the statistical method using the static data. As shown in Figure 4d, the range of uncertainty is very large because very different initial models are generated according to the uncertainty of the static data.
  • step S206 learning is performed to extract key information using a deep learning algorithm using the generated initial models.
  • a (stacked) auto encoder which is one of the deep learning algorithms is used.
  • step S208 the feature vector of the initial storage layer models is extracted using the learned auto-encoder.
  • FIG. 4B shows a state in which a feature vector is extracted using an auto-encoder.
  • FIG. 6 shows a method of extracting 50 feature vectors (blue dotted line) by encoding a retention model having a size of 25x25 according to the present invention.
  • the stacked auto encoder performs two encoding processes, and 625 pieces of information are sequentially compressed into 313 and 50 pieces. Referring to the black dotted line in FIG. 6, it is possible to restore 313 and 625 pieces of information again using 50 compressed feature vectors, which is called decoding.
  • FIG. 7A shows four initial storage layer models, and FIG.
  • FIG. 7B shows a result of encoding the extracted initial storage layer models, extracting feature vectors, decoding them again, and restoring them into a reservoir model.
  • the restored reservoir model is very similar to the initial reservoir model. Therefore, the feature vector compressed with 50 information can effectively maintain 625 information, and the similarity measurement between the reservoir models based on the feature vector can guarantee the reliable clustering result.
  • step S210 similarity between models can be calculated using the extracted feature vectors of each model. Rather than using the entire grid (625), the computation time is saved and the reliability of the similarity measurement result can be improved because the similarity is calculated by the difference of 50 values extracted from only the core information of each model.
  • step S212 the initial models are clustered by cluster according to the calculated similarities.
  • FIG. 4C shows a clustered state according to the feature vectors.
  • initial models belonging to the same cluster exhibit similar subsurface distribution.
  • a representative model is selected for each clustered cluster.
  • the representative model is defined as the closest reservoir model to the center of each cluster.
  • the representative model is indicated by thick black spots in each group.
  • FIG. 8A shows an average of 800 initial models
  • FIG. 8B shows an average of 20 representative models.
  • the average of 800 models (FIG. 8A) and the average of 20 models (FIG. 8B) are similar and this is an indirect evidence that the uncertainty of 800 models can be replaced by the uncertainty of 20 representative models.
  • FIG. 8C shows an average for each cluster. It can be seen that similar clusters have clustered successfully and that the connectivity is very clear compared to FIGS. 8A and 8B.
  • step S216 a storage layer simulation is performed on the extracted representative models (first simulation step). 4D compares the simulation results of the extracted 20 representative models (red) and 800 total models (gray). Only 20 representative models can be evaluated for total uncertainty, which can dramatically reduce the number of time-consuming reservoir simulations.
  • step S2128 it is determined whether there is dynamic data produced from the reservoir.
  • step S228 If it is determined that there is no dynamic data (NO in step S218), the uncertainty is evaluated using the simulation results of the representative models and the first simulation step (step S220).
  • step S228 If the dynamic data exists (YES in step S218), the final model selection and uncertainty are evaluated using the dynamic data (step S222).
  • the representative models or the final models may be used as initial models of the inverse algorithm (step S224).
  • step S224 which is the inversion step, may be selectively performed and may not be performed if necessary.
  • step S302 an optimal representative model with the minimum error is selected by comparing with the dynamic data.
  • FIG. 4E shows the comparison of the 20 representative model simulation results (gray) and the observation data (red) to select the optimum representative model (black) with the minimum error.
  • step S304 final models having similarity to the optimal representative model are selected.
  • Figure 4f shows 10 final models (red) including the best representative model.
  • FIG. 9A shows the correct answer model
  • FIG. 9B shows the average of the last 10 models.
  • FIG. 9B shows the connectivity of the correct answer model better than FIG. 8A or FIG. 8B.
  • FIG. 9C is an example in which the final 10 models are selected, and is represented by the red dots in FIG. 4F.
  • step S306 the reservoir layer simulation is performed only on the final model (second simulation step).
  • FIG. 4G shows an example of uncertainty evaluation, in which red represents the observed dynamic data and gray represents the predicted value of the 10 final models. Compared with Fig. 4d, the uncertainty width is significantly reduced around the observed values, which can be used as a key basis for decision-making.
  • FIG. 10A shows a simulation result for 800 static models
  • FIG. 10B shows simulation results for 10 final models using dynamic data.
  • the uncertainty range of 800 models can be realized with a small number of reservoir simulation (first simulation step: 20 times).
  • first simulation step 20 times
  • second simulation step 10 times

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 정적자료(static data)로부터 생성된 수많은 저류층모델을 딥러닝기법으로 모델의 특징(feature)을 추출하고 이를 기반으로 유사한 저류층모델을 클러스터링하고 대표모델을 선정하여 적은 수의 모델로 전체 저류층모델의 불확실성 범위를 유지할 수 있으며, 또한 동적자료(dynamic data) 확보 시, 상기 클러스터별 대표모델의 예측된 동적자료와 관측된 동적자료를 비교하여 최적대표모델을 선정하고 이와 유사도가 높은 최종모델을 선정하여 불확실성 범위를 개선시키는 딥러닝을 이용한 저류층 불확실성 평가 방법에 관한 것으로서 정적자료를 준비하는 단계; 지구통계기법으로 상기 정적자료를 활용한 다수의 저류층모델을 생성하는 단계; 오토인코더로 상기 모든 모델을 학습하는 학습단계; 상기 학습된 오토인코더로 저류층모델의 특징벡터를 추출하는 인코딩 단계; 상기 추출된 특징벡터에 따라 저류층모델의 유사성(거리)을 평가하는 단계; 상기 유사성에 따라 클러스터링기법으로 유사한 모델을 군집화시키는 군집화 단계; 상기 군집화된 클러스터별로 대표모델을 선정하는 대표모델 선정 단계; 상기 대표모델들에 대하여 저류층 시뮬레이션하는 제1 시뮬레이션 단계; 저류층으로부터 관측된 동적자료가 있는 지의 여부를 판단하는 판단단계; 상기 판단단계에서의 판단결과 관측된 동적자료가 없는 경우에는 상기 제1 시뮬레이션 단계에서의 시뮬레이션 결과를 이용하여 불확실성을 평가하는 단계; 및 상기 판단단계에서의 판단결과 관측된 동적자료가 있는 경우, 상기 동적자료를 이용하여 최적대표모델 및 최종모델을 선정하고 불확실성을 평가하는 단계; 및 상기 대표모델들 또는 최종모델들을 이용하여 역산알고리즘을 수행하는 역산단계;를 포함하여 구성되어 딥러닝 기반 클러스터링을 통해 적은 연산량으로 신뢰성 있게 저류층의 불확실성을 평가할 수 있는 효과가 있다.

Description

딥러닝을 이용한 저류층 불확실성 평가 방법
본 발명은 딥러닝(deep learning)을 이용하여 저류층의 불확실성을 평가하는 방법에 관한 것으로서, 더욱 상세하게는 정적자료(static data)로부터 생성된 수많은 저류층모델을 딥러닝기법으로 모델의 특징(feature)을 추출하고 이를 기반으로 유사한 저류층모델을 클러스터링하고 대표모델을 선정하여 적은 수의 모델로 전체 저류층모델의 불확실성 범위를 유지할 수 있으며, 또한 동적자료(dynamic data) 확보 시, 상기 클러스터별 대표모델의 예측된 동적자료와 관측된 동적자료를 비교하여 최적대표모델을 선정하고 이와 유사도가 높은 최종모델을 선정하여 불확실성 범위를 개선시키는 딥러닝을 이용한 저류층 불확실성 평가 방법에 관한 것이다.
지하에 존재하는 저류층을 파악하기 위해 활용될 수 있는 자료는 크게 정적자료와 동적자료가 있다. 정적자료는 지구통계기법(geostatistics)을 통해 초기 저류층모델을 생성하는 데 활용되며, 동적자료는 역산알고리즘(inverse algorithm)을 통해 상기 저류층모델을 개선하는 데 사용된다.
일반적으로 지구통계기법은 지질, 환경, 기상학 등 다양한 분야에서 사용하는 방법이다. 지구통계기법은 알려진 정적자료를 이용하여 미지의 지점에 관심있는 인자값을 평가하는 기법이다. 예컨대, 지구통계기법은 시간과 비용의 문제로 지반 정보의 획득에 제한성이 있는 경우 제한된 지반 정보를 최대한 이용하여 지반 조사가 이루어지지 못한 구간의 자료를 예측하고 분석하여 구조물의 계획, 시추 계획, 공사 계획, 환경 계획 또는 기상 예측 등의 설계에 핵심적 기술로 사용될 수 있다.
현재의 지구통계기법을 수행하기 위해서는 정적자료가 필요하며, 정적자료에는 1차자료(primary or hard data) 및 2차자료(secondary 또는 soft data) 등이 있다. 지구통계기법의 불확실성을 줄이기 위해서는 신뢰할 수 있는 2차자료가 필요하지만, 이를 획득하기 위해서는 별도의 실험이나 탐사절차가 필요할 수 있다. 이 경우 2차자료를 얻기 위해서는 시간과 비용이 발생한다는 문제점이 있다.
이와 같은 정보들을 바탕으로 지구통계기법을 이용하여 등가의 확률을 가지는 다수의 저류층모델을 만들 수 있다. 정적자료는 동일하지만 제한된 자료로 인한 불확실성으로 서로 매우 다른 모델이 생성된다. 이처럼 지하 저류층을 모사하는 것은 큰 불확실성을 동반하며, 저류층모델의 생산시뮬레이션 결과도 매우 상이하다. 만약 지구통계기법으로 수백 개의 저류층모델을 생성했다면 각 모델을 모두 시뮬레이션하여 생산량의 범위를 파악하고 이를 통해 불확실성을 정량화 할 수 있다. 하지만 이 경우 소요되는 시간이 매우 길며, 불확실성의 범위가 매우 넓어 유의미한 자료로 보기 어렵다.
만약 실제 생산이 진행되는 경우, 동적자료 확보로 역산기법을 통해 저류층모델을 개선하여 불확실성 범위도 줄이게 된다. 동적자료는 지구통계기법에 사용되는 자료가 아니며 지구통계기법의 결과물인 저류층모델을 초기자료로 활용하여 역산을 통해 모델을 개선하는 데 사용된다. 하지만 불확실성이 큰 초기 저류층모델은 역산 신뢰도를 낮추고 많은 수의 모델로 인해 역산시간도 급격히 증가한다. 또한 지구통계기법에서 사용된 정적자료를 보존하지 못하는 한계가 있다.
이와 같은 문제점을 해결하기 위하여 한국 등록특허공보 제10-1625660호에 개시된 발명(발명의 명칭 : 지구통계기법에서의 관측자료를 이용한 2차자료 생성 방법, 이하 인용발명)에서는 역산기법 대신 생산자료 기반의 가상정적자료(pseudo-static data)를 생성하여 지구통계기법을 재수행하는 기술이 제안되었다.
인용발명에서는 거리기반 클러스터링 기법을 통해 유사한 저류층모델을 동일 그룹으로 분류하고 그룹별 대표모델 하나만 생산시뮬레이션하여 관측된 동적자료와 비교 후, 오차가 최소인 최적대표모델 및 그 주변모델을 선정해 이들로 2차자료를 생성하였다. 따라서 적은 수의 시뮬레이션으로 정적 및 동적 자료를 통합하고 불확실성을 개선하며 최종모델이 정적자료를 보존하는 효과가 있다.
인용발명은 저류층모델간 비유사성의 척도인 거리(distance)의 기준을 하우스도프(Hausdorff)로 정의하여 0과 1로 표현되는 모델에만 적용에 제한된다는 문제점이 있다. 또한 저류층모델 전체격자를 사용하여 격자수가 많은 경우, 하우스도프 거리계산비용이 커지는 문제점이 있다.
이를 개선하기 위하여 딥러닝알고리즘 중 하나인 오토인코더(auto-encoder, AE)를 거리기준으로 사용하여 저류층모델을 클러스터링하였다. 이를 통해 적은 수의 저류층 시뮬레이션으로 전체모델의 불확실성 평가가 가능하고, 동적자료 확보 시, 오차가 적은 최종모델을 선정해 불확실성 범위를 줄이고 역산기법의 초기모델로 활용가능한 장점이 있다.
따라서 본 발명은 전술한 종래기술의 문제점을 해결하기 위한 것으로서, 본 발명의 목적은 저류층모델의 유사성을 측정하는 거리기준을 딥러닝기법으로 추출한 특징(feature)으로 정의하여 보다 효율적이고 신뢰도 높게 유사한 저류층모델을 클러스터링하며, 이를 통해 클러스터별 대표모델을 선정하여 적은 수의 모델로 전체 저류층모델의 불확실성 범위를 유지할 수 있는 딥러닝을 이용한 저류층 불확실성 평가 방법을 제공하기 위한 것이다.
또한, 본 발명의 다른 목적은 동적자료가 있는 경우, 상기 클러스터별 대표모델의 예측된 동적자료와 관측된 동적자료를 비교하여 최적대표모델을 선정하고 이와 유사도가 높은 최종모델을 선정하여 불확실성 범위를 개선시키는 딥러닝을 이용한 저류층 불확실성 평가 방법을 제공하기 위한 것이다.
상술한 목적을 달성하기 위한 딥러닝을 이용한 저류층 불확실성 평가 방법은, 정적자료를 준비하는 단계; 지구통계기법으로 상기 정적자료를 활용한 다수의 저류층모델을 생성하는 단계; 오토인코더로 상기 모든 모델을 학습하는 학습단계; 상기 학습된 오토인코더로 저류층모델의 특징벡터를 추출하는 인코딩 단계; 상기 추출된 특징벡터에 따라 저류층모델의 유사성(거리)을 평가하는 단계; 상기 유사성에 따라 클러스터링기법으로 유사한 모델을 군집화시키는 군집화 단계; 상기 군집화된 클러스터별로 대표모델을 선정하는 대표모델 선정 단계; 상기 대표모델들에 대하여 저류층 시뮬레이션하는 제1 시뮬레이션 단계; 저류층으로부터 관측된 동적자료가 있는 지의 여부를 판단하는 판단단계; 상기 판단단계에서의 판단결과 관측된 동적자료가 없는 경우에는 상기 제1 시뮬레이션 단계에서의 시뮬레이션 결과를 이용하여 불확실성을 평가하는 단계; 및 상기 판단단계에서의 판단결과 관측된 동적자료가 있는 경우, 상기 동적자료를 이용하여 최적대표모델 및 최종모델을 선정하고 불확실성을 평가하는 단계; 및 상기 대표모델들 또는 최종모델들을 이용하여 역산알고리즘을 수행하는 역산단계;를 포함하여 구성된다.
상기 동적자료를 이용하여 불확실성을 평가하는 단계는, 상기 제1 시뮬레이션 단계의 대표모델들의 예측값과 상기 동적자료를 비교하여 오차가 최소인 최적대표모델을 선정하는 단계; 상기 선정된 최적대표모델과 유사성이 큰 모델을 선정하는 최종모델 선정 단계; 상기 최종모델들에 대해 저류층 시뮬레이션을 수행하는 제2 시뮬레이션 단계; 상기 시뮬레이션 결과를 이용하여 개선된 불확실성을 평가하는 개선된 불확실성 평가 단계;를 포함하여 구성될 수 있다.
상기 시뮬레이션 결과를 이용하여 불확실성을 평가하는 단계 또는 상기 동적자료를 이용하여 불확실성을 평가하는 단계 이후, 클러스터별 대표모델 또는 최종모델들을 초기모델로 하여 역산알고리즘을 수행하는 단계;를 더 포함하여 구성될 수 있다.
상기 군집화 단계 및 최종모델 선정 단계는, 상기 인코딩 단계에서 추출된 특징벡터를 이용해 계산된 오토인코더 거리를 기준으로 모델간 유사성을 평가할 수 있다.
상기 최종모델 선정 단계는, 상기 선정된 최적대표모델과 오토인코더기반 유사성이 가장 높은 저류층모델을 소정의 수만큼 선정하여 구성될 수 있다.
상기 제1 시뮬레이션 단계는, 다수의 저류층모델 전체로부터 선정된 클러스터링 수와 동일한 소정의 대표모델만으로 구성될 수 있다.
상기 대표모델 선정 단계 및 최종모델 선정 단계 이후, 선정모델들의 특징벡터를 학습된 오토인코더의 디코딩을 통해 저류층모델로 복원하는 디코딩 단계;를 추가로 포함하여 구성될 수 있다.
따라서 본 발명의 딥러닝을 이용한 저류층 불확실성 평가 방법은 동적자료가 없는 경우, 저류층모델의 유사성을 측정하는 거리기준을 딥러닝기법으로 추출한 특징(feature)으로 정의하여 보다 효율적이고 신뢰도 높게 유사한 저류층모델을 클러스터링하며, 이를 통해 클러스터별 대표모델을 선정하여 적은 수의 모델로 전체 저류층모델의 불확실성 범위를 유지할 수 있으므로 연산시간을 획기적으로 줄이면서도 신뢰성 있게 저류층의 불확실성을 평가할 수 있는 효과가 있다.
또한, 본 발명의 다른 목적은 동적자료가 있는 경우, 상기 클러스터별 대표모델의 예측된 동적자료와 관측된 동적자료를 비교하여 최적대표모델을 선정하고 이와 유사도가 높은 최종모델을 선정하여 불확실성 범위를 개선시킬 수 있으므로 역산알고리즘을 적용하지 않고 최소한의 저류층 시뮬레이션만으로 관측된 동적자료와 유사한 거동을 보이는 최종모델을 선정할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 저류층 불확실성 평가를 수행하는 시스템의 블록을 개략적으로 나타낸 블록 구성도.
도 2는 본 발명의 일 실시예에 따른 구체적인 저류층 불확실성 평가를 수행하는 과정을 나타낸 순서도.
도 3은 본 발명의 일 실시예에 따른 도 2의 동적자료를 이용하여 불확실성을 평가하는 단계를 보다 상세하게 나타낸 순서도.
도 4a 내지 도 4g는 본 발명의 일 실시예에 따른 도 2 및 도 3의 저류층 불확실성을 평가하는 과정에 따른 예시를 나타낸 그래프.
도 5a 내지 도 5h는 본 발명의 일 실시예에 따른 입력으로 사용되는 정적자료 및 초기모델들을 나타낸 도면.
도 6은 본 발명의 일 실시예에 따라 스택드오토인코더(stacked auto-encoder, SAE)를 이용하여 인코딩 및 디코딩하는 원리를 나타낸 도면.
도 7a 및 도 7b는 본 발명의 일 실시예에 따라 초기 모델과 본 발명에 따라 디코딩된 모델을 비교하여 나타낸 도면.
도 8a 내지 도 8c는 본 발명의 일 실시예에 따라 모든 초기모델의 평균값, 선정된 20개의 대표모델들의 평균값 및 군집화 단계에서 동일 군집에 속한 모델들의 평균값을 비교하여 나타낸 도면.
도 9a 내지 도 9c는 본 발명의 일 실시예에 따라 동적자료가 있는 경우, 관측된 동적자료를 생성하는 데 사용된 정답모델(the reference field), 10개의 최종모델의 평균, 그리고 개별 최종모델들을 나타낸 도면.
도 10a 및 도 10b는 본 발명의 일 실시예에 따른 초기모델들과 최종모델들의 불확실성평가 결과를 비교하여 나타낸 그래프.
이하, 본 발명의 실시예를 나타내는 첨부 도면을 참조하여 본 발명을 더욱 상세히 설명한다. 도 1은 본 발명의 일 실시예에 따른 저류층 불확실성 평가를 수행하는 시스템의 블록을 개략적으로 나타낸 블록 구성도이다.
도 1을 참조하면, 먼저, 데이터베이스(110)는 정적자료와 동적자료를 저장한다. 정적자료 중 1차자료 및 공간적 상관관계 자료는 필수이며, 2차자료는 필수자료는 아니다. 동적자료 역시 필수자료는 아니며, 동적자료가 없으면 전체 불확실성을 적은 수의 시뮬레이션으로 평가하는 것이 목적이며, 동적자료가 있으면 전체 불확실성 범위를 개선시키는 것이 목적이 된다. 여기서 1차자료는 유정자료(well data)를, 공간적 상관관계는 트레이닝이미지(training image)나 베리오그램(variogram) 등이 사용될 수 있다.
초기모델 생성부(120)는 주어진 정적자료를 이용해 지구통계기법으로 초기모델을 생성한다. 예컨대, 석유공학인 경우면 암상모델(facies model)을 다점지구통계(multi-point geostatistics)로 만들 수 있다. 여기서 불확실성을 고려해 등가의 확률을 가지는 수백 개의 가능성 있는 모델을 생성한다.
딥러닝 기법부(130)는 상기 생성된 다수의 초기모델들을 딥러닝 알고리즘으로 학습해 모델별 핵심 특징을 추출할 수 있다(인코딩). 또한 상기 추출된 특징을 이용하여 정보를 복원할 수도 있다(디코딩). 예컨대 딥러닝 기법부(130)는 오토인코더 또는 스택드오토인코더 등이 사용될 수 있다.
최적모델 선정부(140)는 우선 상기 특징벡터를 모델간 유사성 측정의 기준으로 사용해 유사한 모델끼리 군집화시킨다. 이후에 군집화된 클러스터별로 대표모델을 선택한다. 동적자료 부재 시, 상기 대표모델들을 최적모델을 적용시키는 단계에 적용한다. 동적자료 관측 시, 대표모델들 중 관측된 동적자료와 가장 유사한 예측값을 가지는 최적대표모델을 선정한 후, 상기 최적대표모델로부터 특징벡터에 기반하여 거리가 가까운 소정의 모델을 최종모델로 선정할 수 있다. 상기 최종모델을 최적모델을 적용시키는 단계에 적용한다.
최적모델 적용부(150)는 최적모델 선정부(140)에 의해 모델이 선정되면 이들에 대해 동적시뮬레이션을 수행하여 미래거동을 예측하고 최종적으로 불확실성 평가 및 개선을 할 수 있다.
이와 같이 각 단계에서 처리된 결과들은 표시부(160)를 통해 표시될 수 있다. 후술하는 도면에서 나타낸 과정들은 표시부(160)를 통해 운용자가 확인할 수 있으며, 이를 통해 예측 및 불확실성평가의 신뢰성을 대략적으로 판단할 수 있다. 이와 같은 불확실성 평가와 관련하여 후술하는 도면을 참조하여 보다 상세하게 설명하기로 한다.
도 2는 본 발명의 일 실시예에 따른 구체적인 저류층 불확실성 평가를 수행하는 과정을 나타낸 순서도이고, 도 3은 본 발명의 일 실시예에 따른 도 2의 동적자료를 이용하여 불확실성을 평가하는 단계를 보다 상세하게 나타낸 순서도이며, 도 4a 내지 도 4g는 본 발명의 일 실시예에 따른 도 2 및 도 3의 저류층 불확실성을 평가하는 과정에 따른 예시를 나타낸 그래프이고, 도 5a 내지 도 5h는 본 발명의 일 실시예에 따른 입력으로 사용되는 정적자료 및 초기모델들을 나타낸 도면이며, 도 6은 본 발명의 일 실시예에 따라 스택드오토인코더를 이용하여 인코딩 및 디코딩하는 원리를 나타낸 도면이고, 도 7a 및 도 7b는 본 발명의 일 실시예에 따라 초기 모델과 본 발명에 따라 디코딩된 모델을 비교하여 나타낸 도면이며, 도 8a 내지 도 8c는 본 발명의 일 실시예에 따라 모든 초기모델의 평균값, 선정된 20개의 대표모델들의 평균값 및 군집화 단계에서 동일 군집에 속한 모델들의 평균값을 비교하여 나타낸 도면이고, 도 9a 내지 도 9c는 본 발명의 일 실시예에 따라 동적자료가 있는 경우, 관측된 동적자료를 생성하는 데 사용된 정답모델(the reference field), 10개의 최종모델의 평균, 그리고 개별 최종모델들을 나타낸 도면이며, 도 10a 및 도 10b는 본 발명의 일 실시예에 따른 초기모델들과 최종모델들의 불확실성평가 결과를 비교하여 나타낸 그래프이다.
도 2 내지 도 10a 및 도 10b를 참조하면, 상술한 목적을 달성하기 위한 딥러닝을 이용한 저류층 불확실성 평가 방법은, S202단계에서 정적자료를 데이터베이스(110)에 준비한다. 정적자료는 1차자료인 유정자료, 공간적 상관관계인 트레이닝이미지, 2차자료인 탄성파자료 등이 사용될 수 있다.
S204단계에서 지구통계기법을 이용하여 상기 준비된 정적자료로 등가의 저류층모델들을 다수 생성한다. 도 4a에는 정적자료로 생성된 초기 모델을 나타내며 본 실시예에서는 800개의 저류층모델이 생성되었다. 도 5를 참조하면, 도 5a 내지 도 5d는 각각 수직, 45도, 수평 및 135도일 경우의 트레이닝이미지를 나타낸다. 트레이닝이미지는 전술한 바와 같이 정적자료 중 하나로 지질학적인 컨셉이다. 도 5e 내지 도 5h는 상기 정적자료를 활용해 지구통계기법으로 생성한 초기모델의 예를 나타낸다. 이처럼 정적자료의 불확실성에 따라 매우 상이한 초기모델들이 생성되므로 도 4d처럼 불확실성 범위가 매우 넓게 나타난 것을 확인할 수 있다.
S206단계에서 상기 생성된 초기모델들을 이용해 딥러닝 알고리즘으로 핵심정보를 추출하기 위한 학습을 수행한다. 본 실시예에서는 딥러닝 알고리즘 중 하나인 (스택드)오토인코더를 이용하였다.
S208단계에서 상기 학습된 오토인코더를 이용하여 상기 초기 저류층모델들의 특징벡터를 추출한다. 도 4b에서는 오토인코더를 이용하여 특징벡터를 추출하는 상태를 나타내고 있다. 또한, 도 6은 본 발명에 따라 25x25의 크기를 가지는 저류층모델을 인코딩하여 50개의 특징벡터를 추출하는 것을 나타내고 있다(파란색 점선). 이 때, 스택드오토인코더로 2번의 인코딩과정을 거치며, 625개의 정보가 313개, 그리고 50개로 순차적으로 압축된다. 도 6의 검은색 점선을 참조하면 압축되었던 50개의 특징벡터를 이용하여 다시 313개, 그리고 625개의 정보로 복원할 수 있으며 이를 디코딩이라 한다. 도 7a는 4개의 초기 저류층모델을 나타내며, 상기 모델에 인코딩하여 특징벡터를 추출한 후, 다시 디코딩하여 저류층모델로 복원시킨 것이 도 7b이다. 복원 후의 저류층모델은 초기 저류층모델과 매우 유사한 형태를 띈다. 따라서 50개의 정보로 압축한 특징벡터는 625개의 정보를 효과적으로 유지할 수 있으며, 이를 기반으로한 저류층모델간 유사성 측정도 신뢰할 수 있는 클러스터링 결과를 보장할 수 있다.
S210단계에서 상기 추출된 모델별 특징벡터를 이용하여 모델간 유사성을 계산할 수 있다. 전체 격자(625개)를 모두 이용하기보다 모델별 핵심정보만 추출한 50개 값의 차이로 유사성을 계산하므로 계산시간이 절약되고 유사성 측정결과의 신뢰도도 향상될 수 있다.
S212단계에서 상기 계산된 유사성에 따라 상기 초기모델을 클러스터별로 군집화시킨다. 도 4c에서는 특징벡터들에 따라 군집화시킨 상태를 나타내고 있다. 도 4c에서는 동일 군집에 속한 초기모델들은 서로 유사한 암상분포를 보인다.
S214단계에서 상기 군집화된 클러스터별로 대표모델을 선정한다. 대표모델은 클러스터별 중심에서 가장 가까운 저류층모델로 정의된다. 도 4c를 참조하면 대표모델은 각 그룹 내에 굵은 흑점으로 표시하였다. 도 8을 참조하면, 도 8a는 초기모델 800개의 평균을 나타내고, 도 8b는 20개의 대표모델들의 평균을 나타낸다. 800개 모델의 평균값(도 8a)과 20개 모델의 평균값(도 8b)이 유사하며 이는 800개 모델의 불확실성을 20개 대표모델의 불확실성으로 대체할 수 있다는 간접적인 증거이다. 그리고 도 8c는 각 클러스터별 평균을 나타낸다. 클러스터별로 유사한 모델들이 성공적으로 군집화되어 도 8a 및 도 8b에 비해 매우 뚜렷한 연결성을 보이는 것을 알 수 있다.
S216단계에서 상기 추출된 대표모델들에 대하여 저류층 시뮬레이션을 수행한다(제1 시뮬레이션 단계). 도 4d는 추출된 20개 대표모델(적색)과 800개 전체모델(회색)의 시뮬레이션 결과를 비교한 것이다. 오직 20개의 대표모델로만 전체 불확실성을 평가할 수 있으므로 많은 시간이 소요되는 저류층 시뮬레이션 횟수를 획기적으로 줄일 수 있다.
S218단계에서 저류층으로부터 생산된 동적자료가 있는 지의 여부를 판단한다.
상기 판단단계에서의 판단결과 상기 동적자료가 없는 경우(S218단계, NO) 대표모델들과 상기 제1 시뮬레이션 단계에서의 시뮬레이션 결과를 이용하여 불확실성을 평가한다(S220단계).
상기 판단단계에서의 판단결과 상기 동적자료가 있는 경우(S218단계, YES) 상기 동적자료를 이용하여 최종모델 선정 및 불확실성을 평가한다(S222단계).
상기 S220단계 및 S222단계에서의 불확실성 평가 단계 이후, 대표모델들 또는 최종모델들은 이용하여 역산알고리즘의 초기모델들로 활용할 수 있다(S224단계). 이 경우, 양질의 초기모델을 역산알고리즘에 제공함으로써 800개의 전체 저류층모델을 사용한 경우보다 향상된 결과를 기대할 수 있다. 한편, 역산 단계인 S224단계는 선택적으로 수행하는 단계로 필요에 따라 수행하지 않을 수도 있다.
도 3을 참조하여 동적자료를 이용한 불확실성을 평가하는 단계에 대하여 보다 상세하게 설명하기로 한다.
먼저, S302단계에서 상기 동적자료와 비교하여 오차가 최소인 최적대표모델을 선정한다. 도 4e는 20개의 대표모델 시뮬레이션 결과(회색)와 관측자료(적색)를 비교해 오차가 최소인 최적대표모델(검정색)을 선정하는 것을 나타낸다.
S304단계에서는 상기 최적대표모델과 유사성이 큰 최종모델들을 선정한다. 도 4f는 최적대표모델을 포함한 10개의 최종모델(적색)을 나타낸다. 도 9a는 정답모델을, 도 9b는 상기 최종 10개 모델의 평균을 나타낸다. 도 9b는 도 8a 또는 도 8b에 비해 정답모델의 연결성을 잘 파악하였다. 도 9c는 최종 10개 모델이 선택된 예이며, 도 4f의 적색점으로 나타낸 모델들이다.
S306단계에서 상기 최종모델에 대해서만 저류층 시뮬레이션을 수행한다(제2 시뮬레이션 단계).
S306에서의 시뮬레이션 결과를 이용하여 불확실성을 평가한다(S308단계). 도 4g는 불확실성 평가의 예로, 적색은 관측된 동적자료를 나타내고 회색은 10개의 최종모델의 예측값을 의미한다. 도 4d와 비교시, 관측값을 중심으로 불확실성 폭이 확연히 줄어들어 의사결정의 핵심적인 근거로 활용이 가능하다.
도 10a는 800개의 정적모델들에 대하여 시뮬레이션을 한 결과를 나타내고, 도 10b는 동적자료를 이용하여 10개의 최종모델들에 대해서만 시뮬레이션을 한 결과를 나타낸다. 도 2의 과정에 따라 적은 수의 저류층 시뮬레이션으로(제1 시뮬레이션 단계: 20회) 800개 모델의 불확실성 범위를 구현할 수 있으며, 특히 동적자료 확보 시, 도 3의 과정에 따라 역산없이 적은 수의 저류층 시뮬레이션으로(제 2 시뮬레이션 단계: 10회) 불확실성 범위를 개선할 수 있는 장점이 있다. 따라서 획기적으로 저류층 불확실성 평가 시간을 단축시키면서도 신뢰성 있는 결과 도출이 가능하다.
상기 본 발명의 내용은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (7)

  1. 정적자료를 준비하는 단계;
    지구통계기법으로 상기 정적자료를 활용한 다수의 저류층모델을 생성하는 단계;
    오토인코더로 상기 모든 모델을 학습하는 학습단계;
    상기 학습된 오토인코더로 저류층모델의 특징벡터를 추출하는 인코딩 단계;
    상기 추출된 특징벡터에 따라 저류층모델의 유사성(거리)을 평가하는 단계;
    상기 유사성에 따라 클러스터링기법으로 유사한 모델을 군집화시키는 군집화 단계;
    상기 군집화된 클러스터별로 대표모델을 선정하는 대표모델 선정 단계;
    상기 대표모델들에 대하여 저류층 시뮬레이션하는 제1 시뮬레이션 단계;
    저류층으로부터 관측된 동적자료가 있는 지의 여부를 판단하는 판단단계;
    상기 판단단계에서의 판단결과 관측된 동적자료가 없는 경우에는 상기 제1 시뮬레이션 단계에서의 시뮬레이션 결과를 이용하여 불확실성을 평가하는 단계;
    및 상기 판단단계에서의 판단결과 관측된 동적자료가 있는 경우, 상기 동적자료를 이용하여 최적대표모델 및 최종모델을 선정하고 불확실성을 평가하는 단계; 및
    상기 대표모델들 또는 최종모델들을 이용하여 역산알고리즘을 수행하는 역산단계;를 포함하는 딥러닝을 이용한 저류층 불확실성 평가 방법.
  2. 제1항에 있어서, 상기 동적자료를 이용하여 불확실성을 평가하는 단계는, 상기 제1 시뮬레이션 단계의 대표모델들의 예측값과 상기 동적자료를 비교하여 오차가 최소인 최적대표모델을 선정하는 단계; 상기 선정된 최적대표모델과 유사성이 큰 모델을 선정하는 최종모델 선정 단계; 상기 최종모델들에 대해 저류층 시뮬레이션을 수행하는 제2 시뮬레이션 단계; 상기 시뮬레이션 결과를 이용하여 개선된 불확실성을 평가하는 개선된 불확실성 평가 단계;를 포함하여 구성되는 것인 딥러닝을 이용한 저류층 불확실성 평가 방법.
  3. 제1항 및 제2항 중 적어도 어느 한 항에 있어서,
    상기 시뮬레이션 결과를 이용하여 불확실성을 평가하는 단계 또는 상기 동적자료를 이용하여 불확실성을 평가하는 단계 이후, 클러스터별 대표모델 또는 최종모델들을 초기모델로 하여 역산알고리즘을 수행하는 단계;를 더 포함하는 딥러닝을 이용한 저류층 불확실성 평가 방법.
  4. 제1항 및 제2항 중 적어도 어느 한 항에 있어서,
    상기 군집화 단계 및 최종모델 선정 단계는, 상기 인코딩 단계에서 추출된 특징벡터를 이용해 계산된 오토인코더 거리를 기준으로 모델간 유사성을 평가하는 것인 딥러닝을 이용한 저류층 불확실성 평가 방법.
  5. 제2항에 있어서,
    상기 최종모델 선정 단계는, 상기 선정된 최적대표모델과 오토인코더기반 유사성이 가장 높은 저류층모델을 소정의 수만큼 선정하여 구성하는 것인 딥러닝을 이용한 저류층 불확실성 평가 방법.
  6. 제1항에 있어서,
    상기 제1 시뮬레이션 단계는, 다수의 저류층모델 전체로부터 선정된 클러스터링 수와 동일한 소정의 대표모델만으로 구성하는 것인 딥러닝을 이용한 저류층 불확실성 평가 방법.
  7. 제1항 및 제2항 중 적어도 어느 한 항에 있어서,
    상기 대표모델 선정 단계 및 최종모델 선정 단계 이후, 선정모델들의 특징벡터를 학습된 오토인코더의 디코딩을 통해 저류층모델로 복원하는 디코딩 단계;를 추가로 포함하여 구성되는 것인 딥러닝을 이용한 저류층 불확실성 평가 방법.
PCT/KR2018/012533 2017-11-03 2018-10-23 딥러닝을 이용한 저류층 불확실성 평가 방법 WO2019088543A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2017-0146164 2017-11-03
KR1020170146164A KR101867475B1 (ko) 2017-11-03 2017-11-03 딥러닝을 이용한 저류층 불확실성 평가 방법

Publications (1)

Publication Number Publication Date
WO2019088543A1 true WO2019088543A1 (ko) 2019-05-09

Family

ID=62629059

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/012533 WO2019088543A1 (ko) 2017-11-03 2018-10-23 딥러닝을 이용한 저류층 불확실성 평가 방법

Country Status (2)

Country Link
KR (1) KR101867475B1 (ko)
WO (1) WO2019088543A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027680A (zh) * 2019-12-06 2020-04-17 北京瑞莱智慧科技有限公司 基于变分自编码器的监控量不确定性预测方法及系统
GB2584449A (en) * 2019-06-03 2020-12-09 Cognitive Geology Ltd Apparatus method and computer-program product for calculating a measurable geological metric
CN112712069A (zh) * 2021-03-25 2021-04-27 北京易真学思教育科技有限公司 一种判题方法、装置、电子设备及存储介质
US11435498B2 (en) 2018-12-11 2022-09-06 Exxonmobil Upstream Research Company Subsurface models with uncertainty quantification

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3850401B1 (en) * 2018-09-14 2023-09-06 BP Corporation North America Inc. Machine learning-based analysis of seismic attributes
EP3894907B1 (en) * 2018-12-11 2024-01-24 ExxonMobil Technology and Engineering Company Machine learning-augmented geophysical inversion
KR102159880B1 (ko) * 2019-05-15 2020-09-24 한국과학기술원 메타 인지 기반 고속 환경 탐색 방법 및 장치
WO2021150929A1 (en) * 2020-01-25 2021-07-29 Schlumberger Technology Corporation Automatic model selection through machine learning

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120118439A (ko) * 2011-04-18 2012-10-26 서울대학교산학협력단 지상 탄성파 영상화 장치
KR20130001706A (ko) * 2011-06-27 2013-01-04 서울대학교산학협력단 복소주파수 그룹을 기초로 하는 지하구조 영상화 방법
KR101625660B1 (ko) * 2015-11-20 2016-05-31 한국지질자원연구원 지구통계기법에서의 관측자료를 이용한 2차자료 생성 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120118439A (ko) * 2011-04-18 2012-10-26 서울대학교산학협력단 지상 탄성파 영상화 장치
KR20130001706A (ko) * 2011-06-27 2013-01-04 서울대학교산학협력단 복소주파수 그룹을 기초로 하는 지하구조 영상화 방법
KR101625660B1 (ko) * 2015-11-20 2016-05-31 한국지질자원연구원 지구통계기법에서의 관측자료를 이용한 2차자료 생성 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
AHN SEONG IN: "Characterization of channelized reservoir using the neutral network incorporated with deep autoencoder", February 2017 (2017-02-01) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11435498B2 (en) 2018-12-11 2022-09-06 Exxonmobil Upstream Research Company Subsurface models with uncertainty quantification
GB2584449A (en) * 2019-06-03 2020-12-09 Cognitive Geology Ltd Apparatus method and computer-program product for calculating a measurable geological metric
GB2584449B (en) * 2019-06-03 2021-06-02 Cognitive Geology Ltd Apparatus method and computer-program product for calculating a measurable geological metric
CN111027680A (zh) * 2019-12-06 2020-04-17 北京瑞莱智慧科技有限公司 基于变分自编码器的监控量不确定性预测方法及系统
CN112712069A (zh) * 2021-03-25 2021-04-27 北京易真学思教育科技有限公司 一种判题方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
KR101867475B1 (ko) 2018-06-14

Similar Documents

Publication Publication Date Title
WO2019088543A1 (ko) 딥러닝을 이용한 저류층 불확실성 평가 방법
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN109711277B (zh) 基于时空频域混合学习的行为特征提取方法、系统、装置
CN111402266A (zh) 一种构建数字岩心的方法及系统
KR101625660B1 (ko) 지구통계기법에서의 관측자료를 이용한 2차자료 생성 방법
CN112491796A (zh) 一种基于卷积神经网络的入侵检测及语义决策树量化解释方法
CN112800934B (zh) 一种多类别工程车的行为识别方法及装置
CN115131560A (zh) 基于全局特征学习和局部特征判别聚合的点云分割方法
CN114821204A (zh) 一种基于元学习嵌入半监督学习图像分类方法与系统
Stomberg et al. Jungle-net: Using explainable machine learning to gain new insights into the appearance of wilderness in satellite imagery
CN113052103A (zh) 一种基于神经网络的电气设备缺陷检测方法及装置
Kumar Artificial neural network as a tool for reservoir characterization and its application in the petroleum engineering
Kolajoobi et al. Investigating the capability of data-driven proxy models as solution for reservoir geological uncertainty quantification
CN108711150B (zh) 一种基于pca的端到端路面裂缝检测识别方法
CN117456227A (zh) 基于复值分离对齐网络的极化sar图像碳汇目标分类方法
CN115099504A (zh) 基于知识图谱补全模型的文物安防风险要素识别方法
Catita et al. Spatial distribution of felt intensities for Portugal earthquakes
CN115753102A (zh) 一种基于多尺度残差子域适应的轴承故障诊断方法
CN114022632A (zh) 基于深度卷积生成对抗网络的地质模型快速生成方法
US11960045B2 (en) Method of characterising a subsurface region using multiple point statistics
Li Machine Learning Based Seismic Structural Health Monitoring and Reconnaissance
CN116978052B (zh) 基于改进YOLOv5的桥梁设计图的子图布局识别方法
CN113283452B (zh) 一种大型设备安拆步骤检测方法
Gödickmeier et al. An Image Segmentation Approach for the Detection of Small-scale Magnetic Anomalies
Nukavarapu et al. Unsupervised Deep Learning Approach to Analyze Spatio-Temporal Change in Satellite Imagery

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18873368

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18873368

Country of ref document: EP

Kind code of ref document: A1