[논문 리뷰] A data-driven workflow for predicting horizontal well production using vertical well logs

Jorge Guevara, Matthías Kormáksson외 7명|arXiv (Cornell University)|2017. 05. 15.

Reservoir Engineering and Simulation Methods참고 문헌 2인용 수 7

한 줄 요약

이 논문은 기능 주성분 분석(fPCA)을 사용한 특징 추출, 수평 측정 위치로의 보간, 기계학습 모델을 통한 예측을 통해 다수의 지층에서 수평 측정의 생산량을 예측하는 데이터 기반 워크플로우를 제시한다. 이 방법은 기존의 크리징 기법보다 우수한 성능을 보이며, 관측된 생산량과의 상관관계가 높고 RMSE가 낮다(석유: 0.723, 가스: 0.522).

ABSTRACT

In recent work, data-driven sweet spotting technique for shale plays previously explored with vertical wells has been proposed. Here, we extend this technique to multiple formations and formalize a general data-driven workflow to facilitate feature extraction from vertical well logs and predictive modeling of horizontal well production. We also develop an experimental framework that facilitates model selection and validation in a realistic drilling scenario. We present some experimental results using this methodology in a field with 90 vertical wells and 98 horizontal wells, showing that it can achieve better results in terms of predictive ability than kriging of known production values.

연구 동기 및 목표

• 수평 측정 생산량을 예측하기 위한 체계적이고 일반화 가능한 워크플로우를 개발하는 것.
• 기존의 단일 지층에 국한된 데이터 기반 스위트 스팟팅 기법을 다수의 지층으로 확장하는 것.
• 표준화된 데이터 프레임을 사용한 특징 추출, 보간, 예측 모델링의 파이프라인을 체계화하는 것.
• 중첩 교차검증과 모델 선택을 통해 실제 드릴링 시나리오에서 워크플로우를 검증하는 것.
• 기존의 크리징 같은 전통적 방법보다 생산 예측 정확도를 향상시키는 것.

제안 방법

• 누적 생산량(예: 6개월, 12개월)과 목표 지층 메타데이터를 포함하여 수직 및 수평 측정 데이터를 표준화된 데이터 프레임으로 정규화한다.
• 주요 로그 곡선에 대해 기능 주성분 분석(fPCA)을 사용하여 수직 측정 로그에서 특징을 추출한다.
• 공간 보간 기법을 사용하여 수직 측정 위치에서의 fPCA 특징을 수평 측정 위치로 보간한다.
• 보간된 특징을 수평 측정 생산 데이터와 통합하여 통합된 데이터 프레임을 구성하고 모델링에 활용한다.
• 10겹 교차검증을 3회 반복하여 예측 모델을 훈련하고, RMSE 및 피어슨 상관계수를 평가 지표로 사용하여 성능을 평가한다.
• 일반화 오차를 추정하고 모델 평가 시 낙관적 편향을 방지하기 위해 중첩된 이탈자 하나를 제외한 교차검증(Nested Leave-One-Out cross-validation)을 적용한다.

실험 결과

연구 질문

• RQ1 수직 측정 로그를 활용한 데이터 기반 워크플로우가 다수의 지층에서 수평 측정 생산량을 신뢰성 있게 예측할 수 있는가?
• RQ2 기계학습 모델의 성능가 기존의 크리징 기법과 비교하여 수직 측정 로그에서 누적 생산량을 예측할 때 어떻게 다를까?
• RQ3 특징 선택 및 모델 선택 전략이 저표본 및 고표본 크기 설정에서 예측 정확도에 어떤 영향을 미치는가?
• RQ4 90개의 수직 측정과 98개의 수평 측정이 있는 분야와 같이 데이터가 제한된 분야에 이 워크플로우를 일반화할 수 있는가?
• RQ5 중첩된 이탈자 하나를 제외한 교차검증이 새로운 측정 예측을 위한 진정된 일반화 오차를 추정하는 데 얼마나 효과적인가?

주요 결과

• 제안된 워크플로우는 크리징의 RMSE 0.765보다 낮은 루트 평균 제곱 오차(RMSE) 0.723을 기록하여 석유 생산 예측에서 뛰어난 예측 성능을 보였다.
• 가스 생산 예측에서는 최고의 모델(rqlasso)이 RMSE 0.522를 기록하여 크리징의 RMSE 0.704보다 유의미하게 뛰어났다.
• 최고 성능을 보인 모델들은 관측된 생산량과 더 높은 피어슨 상관계수(석유: 0.599, 가스: 0.767)를 기록했으며, 크리징의 상관계수(석유: 0.530, 가스: 0.507)보다 높았다.
• 이상치 제거와 내장된 방법을 통한 특징 선택은 특히 svmRadialSigma 및 rqlasso 모델의 일반화 성능을 향상시켰다.
• 중첩된 이탈자 하나를 제외한 교차검증을 통해 선택된 모델의 견고성이 확인되었으며, 진정된 일반화 오차를 근사함으로써 성능 추정 시 낙관적 편향을 줄였다.
• 90개의 수직 측정과 98개의 수평 측정이 있는 낮은 데이터 환경에서도 워크플로우가 효과를 발휘하여 소규모 분야로의 확장성도 입증되었다.