[論文レビュー] A Deep Learning-Accelerated Data Assimilation and Forecasting Workflow for Commercial-Scale Geologic Carbon Storage

Hewei Tang, Pengcheng Fu+7 more|arXiv (Cornell University)|May 9, 2021

Reservoir Engineering and Simulation Methods参考文献 36被引用数 9

ひとこと要約

本論文は、クリティカルシールド環境を想定した3次元リザーバーモデルから生成された合成データを用いてトレーニングされた、ワイドリラクセンスネットワークおよびU-Netアーキテクチャに基づくサーヴィレートモデルを用いて、計算コストの高いリザーバー・シミュレーションを置き換えることで、商業規模の地質的炭素隔離におけるディープラーニング加速型データ同化および予測ワークフローを提案する。このワークフローは、標準の個人用ワークステーションでも1時間未満で履歴一致と不確実性を伴う予測を達成し、CO2隔離管理のための迅速な意思決定を可能にする。

ABSTRACT

Fast assimilation of monitoring data to update forecasts of pressure buildup and carbon dioxide (CO2) plume migration under geologic uncertainties is a challenging problem in geologic carbon storage. The high computational cost of data assimilation with a high-dimensional parameter space impedes fast decision-making for commercial-scale reservoir management. We propose to leverage physical understandings of porous medium flow behavior with deep learning techniques to develop a fast history matching-reservoir response forecasting workflow. Applying an Ensemble Smoother Multiple Data Assimilation framework, the workflow updates geologic properties and predicts reservoir performance with quantified uncertainty from pressure history and CO2 plumes interpreted through seismic inversion. As the most computationally expensive component in such a workflow is reservoir simulation, we developed surrogate models to predict dynamic pressure and CO2 plume extents under multi-well injection. The surrogate models employ deep convolutional neural networks, specifically, a wide residual network and a residual U-Net. The workflow is validated against a flat three-dimensional reservoir model representative of a clastic shelf depositional environment. Intelligent treatments are applied to bridge between quantities in a true-3D reservoir model and those in a single-layer reservoir model. The workflow can complete history matching and reservoir forecasting with uncertainty quantification in less than one hour on a mainstream personal workstation.

研究の動機と目的

• 高次元パラメータ空間に起因する商業規模の地質的炭素隔離におけるデータ同化の高い計算コストに対処すること。
• モニタリングデータ（圧力および地震アンインバージョンによるCO2プルーム）を用いて、迅速かつリアルタイムにリザーバー予測を更新できること。
• 複数井戦からの注入条件下で、動的圧力およびCO2プルームの進化を正確に予測できるサーヴィレートモデルを開発すること。
• 真の3次元リザーバーモデルと簡略化された1層モデルの間のギャップを、インテリジェントなデータ処理によって埋めること。
• 運用意思決定支援のための最小限の計算オーバーヘッドで不確実性を伴う予測を達成すること。

提案手法

• ワークフローは、圧力およびCO2プルームデータを用いて地質的性質を更新するため、アンサンブルスモOTHERマルチプルデータアセプタンス（ES-MDA）フレームワークを採用する。
• ディープ畳み込みニューラルネットワーク（特にワイドリラクセンスネットワークおよびリラクセンスU-Net）をサーヴィレートモデルとしてトレーニングし、フルリザーバー・シミュレーションを実行せずにリザーバー反応を予測する。
• サーヴィレートモデルは、堆積シルトシルト環境を想定した3次元リザーバーモデルから生成された合成データを用いてトレーニングされる。
• 3次元リザーバー反応を1層モデルにマッピングするためのインテリジェントなデータ処理技術が適用され、一般化性能および計算効率が向上する。
• ワークフロー全体は、データ同化、サーヴィレート予測、不確実性の定量化を統合したエンドツーエンドのパイプラインとして構築される。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングに基づくサーヴィレートモデルは、予測精度を保持しつつ、地質的炭素隔離におけるデータ同化の計算コストを著しく低減できるか？
• RQ2 3次元リザーバーモデルのデータでトレーニングされた2次元サーヴィレートモデルは、複数井戦からの注入条件下で、動的圧力およびCO2プルームの進化をどれほど効果的に予測できるか？
• RQ3 3次元と2次元モデル間のインテリジェントなデータマッピングは、高速な予測ワークフローにおいて予測の正確性をどの程度維持できるか？
• RQ4 標準ハードウェア上でも、1時間未満で不確実性を伴う予測を達成できるか？
• RQ5 地震アンインバージョンから得られるCO2プルームデータの統合は、地質的不確実性が存在する状況でも予測の信頼性をどの程度向上できるか？

主な発見

• ディープラーニングで加速されたワークフローは、主流の個人用ワークステーションでも1時間未満で履歴一致と不確実性を伴うリザーバー予測を完了する。
• ワイドリラクセンスネットワークおよびU-Netアーキテクチャに基づくサーヴィレートモデルは、多様な注入シナリオにおいて圧力上昇およびCO2プルームの広がりを高い精度で予測する。
• インテリジェントなデータ処理により、3次元リザーバー挙動を1層モデルに効果的に転送でき、次元削減にもかかわらず予測性能を維持する。
• ワークフローは、地震アンインバージョンから得られる圧力履歴およびCO2プルームデータを統合し、地質的性質の更新とリザーバー性能の予測に成功した。
• 商業規模の地質的炭素隔離用途において、本手法は強靭性とスケーラビリティを示し、ほぼリアルタイムの意思決定支援を可能にする。
• 従来のリザーバー・シミュレーションと比較して、計算コストを数個のオーダーも低減したが、予測信頼性や不確実性の定量化の質を損なわずに実現した。