[論文レビュー] A data-driven workflow for predicting horizontal well production using vertical well logs

Jorge Guevara, Matthías Kormáksson+7 more|arXiv (Cornell University)|May 15, 2017

Reservoir Engineering and Simulation Methods参考文献 2被引用数 7

ひとこと要約

本論文は、機能的主成分分析（fPCA）を用いた特徴抽出、水平井戸位置への補間、機械学習モデルによる予測を通じて、複数の地層をカバーする水平井戸の生産を予測するデータ駆動型ワークフローを提示する。この手法は従来のクリギング法を上回り、観測生産との相関が高く、RMSE（油：0.723、ガス：0.522）が低い結果を達成した。

ABSTRACT

In recent work, data-driven sweet spotting technique for shale plays previously explored with vertical wells has been proposed. Here, we extend this technique to multiple formations and formalize a general data-driven workflow to facilitate feature extraction from vertical well logs and predictive modeling of horizontal well production. We also develop an experimental framework that facilitates model selection and validation in a realistic drilling scenario. We present some experimental results using this methodology in a field with 90 vertical wells and 98 horizontal wells, showing that it can achieve better results in terms of predictive ability than kriging of known production values.

研究の動機と目的

• 垂直井戸ログデータを用いて水平井戸の生産を予測する体系的かつ一般化可能なワークフローの開発。
• 従来のデータ駆動型スイートスポット技術を単一地層から複数地層へと拡張すること。
• 標準化されたデータフレームを用いた特徴抽出、補間、予測モデリングのパイプラインを形式化すること。
• ネストド交差検証とモデル選択を用いて、現実の掘削シナリオでのワークフローの妥当性を検証すること。
• 従来の方法（例：クリギング）に比べて生産予測の精度を向上させること。

提案手法

• 累積生産（例：6か月、12か月）およびターゲット地層のメタデータを含む、垂直井戸および水平井戸データを標準化されたデータフレームに正規化する。
• 主なログカーブを用いて、垂直井戸ログからの特徴抽出に機能的主成分分析（fPCA）を適用する。
• 空間補間技術を用いて、垂直井戸位置から得たfPCA特徴量を水平井戸位置に補間する。
• 補間された特徴量を水平井戸生産データと統合し、統一されたデータフレームを構築してモデリングに使用する。
• 10分割交差検証を3回繰り返し、RMSEとピアソン相関を評価指標として用いて予測モデルの学習と選択を実施する。
• 一般化誤差の推定と過剰な楽観的バイアスの回避を目的として、ネストドLOO（Leave-One-Out）交差検証を適用する。

実験結果

リサーチクエスチョン

• RQ1 垂直井戸ログを用いたデータ駆動型ワークフローは、複数の地層にわたり、水平井戸の生産を信頼性高く予測できるか？
• RQ2 機械学習モデルの性能は、垂直井戸データからの累積生産予測において、従来のクリギング法と比べてどうか？
• RQ3 特徴選択およびモデル選択戦略は、低サンプルサイズおよび高サンプルサイズの状況下での予測精度にどのような影響を与えるか？
• RQ4 90本の垂直井戸および98本の水平井戸を有するような限られたデータのフィールドに対しても、このワークフローは一般化可能か？
• RQ5 ネストド交差検証は、新規井戸の予測における真の一般化誤差を推定するためにどの程度有効か？

主な発見

• 提案されたワークフローは、クリギング法のRMSE（0.765）よりも低い、油生産予測のRMSE（0.723）を達成し、優れた予測性能を示した。
• ガス生産においては、最良のモデル（rqlasso）がRMSE 0.522を達成し、クリギング法のRMSE（0.704）を著しく上回った。
• 最良のモデルは、観測生産とのピアソン相関が、油（0.599）とガス（0.767）の両方でクリギング法（油：0.530、ガス：0.507）を上回った。
• リッジ回帰と組み合わせたエラスティックネットによる特徴選択および組み込みメソッドが、特にsvmRadialSigmaおよびrqlassoモデルの一般化性能を向上させた。
• ネストドLOO検証により、選択されたモデルの堅牢性が確認され、真の一般化誤差に近い推定が可能となり、性能推定における楽観的バイアスが低減された。
• 90本の垂直井戸および98本の水平井戸という限られたデータ環境でも、このワークフローは有効であることが示され、小規模フィールドへのスケーラビリティが裏付けられた。