[論文レビュー] Machine Learning and the Internet of Things Enable Steam Flood Optimization for Improved Oil Production

Mi Yan, Jonathan C. MacDonald+4 more|arXiv (Cornell University)|Aug 29, 2019

Oil and Gas Production Techniques参考文献 26被引用数 4

ひとこと要約

本論文は、リアルタイム時系列データを用いて生産を予測し、最適な蒸気分配を提案することで、重油回収におけるスチームフラッド作業の最適化を図る機械学習およびIoT駆動のワークフローを提案する。クラウドベースのモデルトレーニングとリアルタイムデータ処理を活用することで、3%の油生産増加を達成し、エネルギー分野や予測保全における産業応用にスケーラブルなソリューションを示している。

ABSTRACT

Recently developed machine learning techniques, in association with the Internet of Things (IoT) allow for the implementation of a method of increasing oil production from heavy-oil wells. Steam flood injection, a widely used enhanced oil recovery technique, uses thermal and gravitational potential to mobilize and dilute heavy oil in situ to increase oil production. In contrast to traditional steam flood simulations based on principles of classic physics, we introduce here an approach using cutting-edge machine learning techniques that have the potential to provide a better way to describe the performance of steam flood. We propose a workflow to address a category of time-series data that can be analyzed with supervised machine learning algorithms and IoT. We demonstrate the effectiveness of the technique for forecasting oil production in steam flood scenarios. Moreover, we build an optimization system that recommends an optimal steam allocation plan, and show that it leads to a 3% improvement in oil production. We develop a minimum viable product on a cloud platform that can implement real-time data collection, transfer, and storage, as well as the training and implementation of a cloud-based machine learning model. This workflow also offers an applicable solution to other problems with similar time-series data structures, like predictive maintenance.

研究の動機と目的

• 重油回収における従来の物理ベースのスチームフラッドシミュレーションの非効率性に対処すること。
• リアルタイム予測とスチームフラッド作業の最適化を実現するため、機械学習とIoTを活用したデータ駆動型アプローチの開発。
• リアルタイムデータ収集、保存、モデル推論を実現するため、クラウドプラットフォーム上に最小限の実現可能プロダクト（MVP）を構築すること。
• 本フレームワークの適用可能性を油生産を超えて、類似する時系列データを扱う予測保全分野にも拡張できることを示すこと。
• 時系列データに基づく教師あり学習を活用して、最適な蒸気分配計画を提案することで、油生産効率の向上を図ること。

提案手法

• 本手法は、スチームフラッド作業におけるIoTセンサーから収集された時系列データを用いた教師あり機械学習を採用する。
• リアルタイムデータのインジェスト、保存、およびモデルトレーニングを処理するためのクラウドベースのプラットフォームを構築する。
• システムは、過去の運用データを活用して、異なる蒸気注入条件下での油生産を予測するモデルをトレーニングする。
• 最適な蒸気分配計画を推奨するための最適化モジュールは、トレーニング済みモデルを活用して油出力を最大化する。
• IoTデータストリームと機械学習モデルを統合することで、リアルタイムでの動的かつデータ駆動型意思決定を可能にする。
• 本フレームワークは、スケーラビリティとリアルタイムパフォーマンスを確保するため、パブリッククラウドインfrastrucure上に最小限の実現可能プロダクト（MVP）として設計されている。

実験結果

リサーチクエスチョン

• RQ1 IoTが生成する時系列データを用いてトレーニングされた機械学習モデルは、スチームフラッド作業における油生産予測の正確性を向上させることができるか？
• RQ2 データ駆動型アプローチは、従来の物理ベースのシミュレーションを上回ってスチームフラッド性能を最適化できるか？
• RQ3 リアルタイムデータ処理とクラウドベースの機械学習モデルは、動的蒸気分配を通じて油生産をどの程度向上させることができるか？
• RQ4 提案されたAIoTフレームワークは、類似する時系列データを扱う他の産業応用にどの程度スケーラブルかつ移植可能か？
• RQ5 最適化された蒸気分配が、総合的な油生産量に及ぼす測定可能な影響は何か？

主な発見

• 提案された機械学習およびIoTベースのシステムは、最適な蒸気分配により3%の油生産増加を達成した。
• クラウドベースのMVPを用いて、リアルタイムデータ収集、保存、およびモデル推論が成功裏に実証された。
• スチームフラッド作業の時系列運用データに基づく教師あり学習を活用して、油生産を効果的に予測できた。
• 古典的な物理ベースのシミュレーションとは異なり、より高速かつ適応性に富んだパフォーマンスチューニングを実現する代替手段としての有効性が示された。
• 本ワークフローは、産業システムにおける予測保全など、類似する時系列データを扱う他の分野へも移植可能である。
• IoTと機械学習の統合により、動的かつデータ駆動型の意思決定が可能となり、回収効率の向上が実現された。