[論文レビュー] Deep Learning and Data Assimilation for Real-Time Production Prediction in Natural Gas Wells

Kelvin Loh, Pejman Shoeibi Omrani+1 more|arXiv (Cornell University)|Feb 14, 2018

Reservoir Engineering and Simulation MethodsEngineering被引用数 18

ひとこと要約

本論文では、成熟したノルウェー海のガス貯留層におけるガス流量のリアルタイム予測を目的として、修正された長短期記憶（LSTM）ネットワークに集合カルマンフィルタ（EnKF）を組み合わせたハイブリッドディープラーニングとデータ同化フレームワークを提案する。この手法は、リアルタイム観測データを用いてモデルパラメータを継続的に更新することで、塩析出と動的流量行動を伴う困難な運用条件下でも予測誤差を最大50％まで低減し、予測精度と耐障害性を向上させる。

ABSTRACT

The prediction of the gas production from mature gas wells, due to their complex end-of-life behavior, is challenging and crucial for operational decision making. In this paper, we apply a modified deep LSTM model for prediction of the gas flow rates in mature gas wells, including the uncertainties in input parameters. Additionally, due to changes in the system in time and in order to increase the accuracy and robustness of the prediction, the Ensemble Kalman Filter (EnKF) is used to update the flow rate predictions based on new observations. The developed approach was tested on the data from two mature gas production wells in which their production is highly dynamic and suffering from salt deposition. The results show that the flow predictions using the EnKF updated model leads to better Jeffreys' J-divergences than the predictions without the EnKF model updating scheme.

研究の動機と目的

• 塩析出と複雑な動的挙動を伴う成熟した、終末期に近いガス井戦におけるガス流量の低下を予測する課題に対処すること。
• 未知の現場条件に強く、最小限の再トレーニングを要するリアルタイムで展開可能な予測システムを開発すること。
• ディープラーニングとデータ同化技術を統合することで、時間経過に伴いモデルの精度と適応性を向上させること。
• 実際の現場データ（2つの成熟ガス井戦）を用いて、EnKFで更新されたLSTMモデルとベースラインLSTMモデルの性能を評価すること。

提案手法

• Well A（2009年1月〜2011年12月）の歴史的生産データを用いて、時間的依存性と生産低下トレンドを学習するように、修正されたディープLSTMモデルをトレーニングする。
• 入力変数（流量、圧力、温度、チョークバルブ設定）は最小-最大スケーリングで正規化され、センサの精度に基づく標準偏差スケーリングにより測定誤差が保持される。
• リアルタイム観測データを用いて、LSTMモデルのバイアスパラメータをオンラインでEnKFにより更新することで、継続的なモデル補正が可能になる。
• EnKFフレームワークは、LSTMモデルを状態空間系として扱い、観測値と予測値の差（イノベーション）に基づき、アンサンブルを用いた誤差共分散推定によりモデルパラメータを更新する。
• この手法は、再トレーニングなしにWell B（2012年〜2013年）に適用され、未知の現場条件への一般化と適応性が実証された。
• モデル性能は、下位の値がより良い予測精度と分布の整合性を示すジェフリーズのJ-発散を用いて定量的に評価された。

実験結果

リサーチクエスチョン

• RQ1 1つの成熟ガス井戦でトレーニングされたディープLSTMモデルが、物理的特性が異なる2番目の未観測井戦の生産を予測するのに一般化可能か？
• RQ2 EnKFによるオンラインモデル更新は、モデル化されていないシステム変化と測定誤差が存在する状況下で、予測精度と耐障害性をどのように向上させるか？
• RQ3 EnKFベースのパラメータ更新は、動的で塩に起因する影響を受ける井戦環境下で、予測バイアスをどの程度低減し、実際の流量の時間的追従性を向上させるか？
• RQ4 EnKFで更新されたモデルは、初期スピンアップ段階および高不確実性条件下で、静的LSTMベースラインと比較して優れた性能を維持するか？

主な発見

• 最も困難な期間（2013年3月10日〜24日）中に、EnKFで更新されたLSTMモデルは、中央値J-発散が283.1とベースラインモデルよりも顕著に低く、優れた予測精度を示した。
• EnKFモデルは予測バイアスを低減し、特に高動的変化と塩析出に起因する低下が顕著な時期において、実際の流量の追従性が向上した。
• 初期のEnKFスピンアップ段階でさえも、更新済みモデルはベースラインを上回る性能を示し、収束に伴う遅延が最小限で、耐障害性が確認された。
• 再トレーニングなしにWell Bの未知の物理的特性に適応できたことから、異なる現場条件間での一般化能力が実証された。
• 全テスト期間（2012年7月13日〜27日；2013年3月10日〜24日；2013年1月1日〜3月31日）において中央値J-発散が一貫して低く、持続的な性能向上が確認された。
• EnKFがモデルのずれと不確実性を継続的に是正するため、手動による再トレーニングに依存しなくてもよい「デプロイして忘れられる」運用モデルが実現可能となった。