[論文レビュー] Reservoir Characterization: A Machine Learning Approach

Soumi Chaki|arXiv (Cornell University)|Jun 15, 2015

Seismic Imaging and Inversion Techniques参考文献 114被引用数 8

ひとこと要約

本論文は、地震的特徴量と井戸データを用いて堆積層内の砂分率を予測する2つの人工ニューラルネットワーク（ANN）ベースのフレームワークを提案し、ターゲット正則化を用いてデータ解像度の不一致を解消する。この手法により、井戸のトップ情報を取り入れることで予測精度が向上し、交差検証において高い相関と低い誤差率を達成した。

ABSTRACT

Reservoir Characterization (RC) can be defined as the act of building a reservoir model that incorporates all the characteristics of the reservoir that are pertinent to its ability to store hydrocarbons and also to produce them.It is a difficult problem due to non-linear and heterogeneous subsurface properties and associated with a number of complex tasks such as data fusion, data mining, formulation of the knowledge base, and handling of the uncertainty.This present work describes the development of algorithms to obtain the functional relationships between predictor seismic attributes and target lithological properties. Seismic attributes are available over a study area with lower vertical resolution. Conversely, well logs and lithological properties are available only at specific well locations in a study area with high vertical resolution.Sand fraction, which represents per unit sand volume within the rock, has a balanced distribution between zero to unity.The thesis addresses the issues of handling the information content mismatch between predictor and target variables and proposes regularization of target property prior to building a prediction model.In this thesis, two Artificial Neural Network (ANN) based frameworks are proposed to model sand fraction from multiple seismic attributes without and with well tops information respectively. The performances of the frameworks are quantified in terms of Correlation Coefficient, Root Mean Square Error, Absolute Error Mean, etc.

研究の動機と目的

• 堆積層の特徴としての非線形的かつ不均一な地下特性を扱う挑戦に応えること。
• 低解像度の地震的特徴量と高解像度の岩性データの間の情報量の不一致を解消すること。
• 井戸トップ制約の有無にかかわらず、地震的特徴量から砂分率を予測する機械学習フレームワークを開発すること。
• 相関係数、RMSE、平均絶対誤差という指標を用いてモデルのパフォーマンスを定量化すること。
• ターゲット変数の正則化を通じて、複数のデータソースを統合し、堆積層モデリングの精度を向上させること。

提案手法

• 2つのANNベースのフレームワークを提案：1つは地震的特徴量のみを用い、もう1つは井戸トップを追加の入力として組み込む。
• 岩性的性質（砂分率）のターゲット変数に正則化を適用し、分布のバランスをとることでモデルの汎化性能を向上させる。
• 地震的特徴量を予測子とし、砂分率をターゲット変数とし、縦方向解像度が異なる研究領域のデータを用いる。
• 標準的な機械学習評価指標（相関係数、平均二乗誤差（RMSE）、平均絶対誤差）を用いる。
• 井戸位置データを用いた教師あり学習でモデルを学習し、観測された砂分率と照らし合わせて予測を検証する。
• 井戸トップ情報を統合することで、井戸データが疎な状況下でも空間的精度を向上させ、予測の不確実性を低減する。

実験結果

リサーチクエスチョン

• RQ1 高解像度の岩性データが乏しい状況下で、低解像度の地震的特徴量から機械学習モデルがどのようにして効果的に砂分率を予測できるか。
• RQ2 井戸トップ情報の組み込みが、ANNを用いた砂分率予測の精度に与える影響は何か。
• RQ3 ターゲット変数（砂分率）の正則化が、堆積層特徴化タスクにおけるモデルパフォーマンスをどのように向上させるか。
• RQ4 相関係数とRMSEという指標が、予測された砂分率の信頼性をどの程度反映しているか。
• RQ5 ANNは、不均一な堆積層において、地震的特徴量と岩性的性質の間の非線形的関係を効果的にモデル化できるか。

主な発見

• 井戸トップ情報を組み込んだANNフレームワークは、井戸トップデータを含まないモデルと比較して、より高い相関係数と低いRMSEを達成した。
• 砂分率ターゲット変数の正則化により、よりバランスの取れた分布が得られ、モデルの収束性と予測の安定性が向上した。
• 井戸トップデータを含まないモデルでも、顕著な相関係数が得られたことから、情報が乏しい地域においても地震データのみで予測が可能であることが示された。
• 平均二乗誤差（RMSE）は、予測誤差の平均的な大きさを示す主要なパフォーマンス指標として報告された。
• 平均絶対誤差は、予測値と実際の砂分率との平均偏差を評価するために用いられ、テストサンプル全体で一貫した性能を示した。
• 本研究は、機械学習、特にANNが、堆積層特徴化タスクにおいて複雑な非線形的関係を効果的に扱えることを確認した。