[論文レビュー] Deep learning based closed-loop optimization of geothermal reservoir production

Nanzhe Wang, Haibin Chang+3 more|arXiv (Cornell University)|Apr 15, 2022

Reservoir Engineering and Simulation Methods被引用数 7

ひとこと要約

本稿では、地下の不確実性を考慮した地熱貯留層の生産最適化のための深層学習ベースのクローズドループ最適化フレームワークを提案する。このフレームワークは、ハイブリッドCNN-LSTMのスレーブモデルと微分進化、反復型アンサンブルスムージングを組み合わせ、リアルタイムでのウェル制御最適化と地中的不確実性の定量化を実現する。このフレームワークにより、地下の不確実性下でも効率的かつ適応的な最適化が可能となり、複数のテストケースで生産性能が向上する。

ABSTRACT

To maximize the economic benefits of geothermal energy production, it is essential to optimize geothermal reservoir management strategies, in which geologic uncertainty should be considered. In this work, we propose a closed-loop optimization framework, based on deep learning surrogates, for the well control optimization of geothermal reservoirs. In this framework, we construct a hybrid convolution-recurrent neural network surrogate, which combines the convolution neural network (CNN) and long short-term memory (LSTM) recurrent network. The convolution structure can extract spatial information of geologic parameter fields and the recurrent structure can approximate sequence-to-sequence mapping. The trained model can predict time-varying production responses (rate, temperature, etc.) for cases with different permeability fields and well control sequences. In the closed-loop optimization framework, production optimization based on the differential evolution (DE) algorithm, and data assimilation based on the iterative ensemble smoother (IES), are performed alternately to achieve real-time well control optimization and geologic parameter estimation as the production proceeds. In addition, the averaged objective function over the ensemble of geologic parameter estimations is adopted to consider geologic uncertainty in the optimization process. Several geothermal reservoir development cases are designed to test the performance of the proposed production optimization framework. The results show that the proposed framework can achieve efficient and effective real-time optimization and data assimilation in the geothermal reservoir production process.

研究の動機と目的

• 地中的不確実性を伴う地熱貯留層の生産最適化の課題に対処すること。
• 同時にウェル制御最適化とパrameter推定が可能なリアルタイムでデータ駆動型のフレームワークを開発すること。
• 地下のばらつきを考慮しつつエネルギー回収を最大化することで経済的リターンを向上させること。
• 高精度な物理シミュレーションに依存する従来の最適化手法と比較して、深層学習スレーブモデルを用いることで計算コストを低減すること。
• 反復的データ同化と最適化サイクルを繰り返すことで、クローズドループ運用を可能にすること。

提案手法

• ハイブリッド畳み込み・再帰型ニューラルネットワーク（CNN-LSTM）を訓練し、異なる透水率分布とウェル制御シーケンスに対して、時間変動する生産応答（例：流量、温度）を予測する。
• CNN部は地質的パラメータフィールドからの空間的特徴を抽出し、LSTMは生産シーケンス内の時間的依存性をモデル化する。
• ウェル制御最適化には微分進化（DE）を、リアルタイムでの地質的パrameter推定には反復型アンサンブルスムージング（IES）を採用する。
• 地質的不確実性を最適化プロセスに組み込むために、アンサンブル平均化された目的関数を用いる。
• 最適化とデータ同化を交互に繰り返すことで、生産の進行に伴いリアルタイムで適応可能なクローズドループ構造を実現する。
• 予測精度を保証するため、高精度な貯留層シミュレーションのデータセットを用いてスレーブモデルをトレーニングする。

実験結果

リサーチクエスチョン

• RQ1 深層学習スレーブモデルは、異なる地質的条件と制御戦略下でも、動的生産応答を高精度に予測できるか？
• RQ2 クローズドループフレームワークは、リアルタイムでウェル制御最適化と地質的パrameter推定を効果的にバランスさせられるか？
• RQ3 アンサンブル平均化により地質的不確実性を考慮することで、最適化のロバストネスはどの程度向上するか？
• RQ4 従来のシミュレーションベースの最適化と比較して、本フレームワークは計算コストをどの程度低減できるか？
• RQ5 クローズドループ最適化戦略を用いることで、生産効率と経済的リターンにどの程度の向上が見られるか？

主な発見

• CNN-LSTMスレーブモデルは、多様な透水率フィールドと制御シーケンスにおいて、生産流量および温度の予測精度が非常に高い。
• クローズドループフレームワークは、生産が進行する中で新たなデータを受容しながら、リアルタイムでの最適化とパrameter推定を効果的に維持できた。
• アンサンブル平均化された目的関数により、地質的不確実性下でもよりロバストな最適化結果が得られた。
• 本フレームワークは、フル物理シミュレーションに基づく最適化と比較して、顕著に計算コストを低減し、より迅速な意思決定サイクルを可能にした。
• テストケースでは、複数の貯留層シナリオにおいて、エネルギー回収量と経済的効率の両面で一貫した性能向上が確認された。
• DEとIESを交互に適用する統合により、安定的かつ収束性のある最適化が実現され、正確な不確実性定量化が可能になった。