[논문 리뷰] A Deep Learning-Accelerated Data Assimilation and Forecasting Workflow for Commercial-Scale Geologic Carbon Storage

Hewei Tang, Pengcheng Fu외 7명|arXiv (Cornell University)|2021. 05. 09.

Reservoir Engineering and Simulation Methods참고 문헌 36인용 수 9

한 줄 요약

이 논문은 깊이 있는 학습 기반 가속화된 데이터 융합 및 예측 워크플로우를 제안하며, 상업적 규모의 지질적 이산화탄소 저장을 위해 넓은 잔차 네트워크와 U-Net 아키텍처 기반의 서rogate 모델을 사용하여 계산 비용이 높은 저류체 시뮬레이션을 대체한다. 이 워크플로우는 표준 개인용 워크스테이션에서 역사적 매칭 및 불확실성 정량화 예측을 한 시간 이내에 완료하여 이산화탄소 저장 관리의 빠른 의사결정을 가능하게 한다.

ABSTRACT

Fast assimilation of monitoring data to update forecasts of pressure buildup and carbon dioxide (CO2) plume migration under geologic uncertainties is a challenging problem in geologic carbon storage. The high computational cost of data assimilation with a high-dimensional parameter space impedes fast decision-making for commercial-scale reservoir management. We propose to leverage physical understandings of porous medium flow behavior with deep learning techniques to develop a fast history matching-reservoir response forecasting workflow. Applying an Ensemble Smoother Multiple Data Assimilation framework, the workflow updates geologic properties and predicts reservoir performance with quantified uncertainty from pressure history and CO2 plumes interpreted through seismic inversion. As the most computationally expensive component in such a workflow is reservoir simulation, we developed surrogate models to predict dynamic pressure and CO2 plume extents under multi-well injection. The surrogate models employ deep convolutional neural networks, specifically, a wide residual network and a residual U-Net. The workflow is validated against a flat three-dimensional reservoir model representative of a clastic shelf depositional environment. Intelligent treatments are applied to bridge between quantities in a true-3D reservoir model and those in a single-layer reservoir model. The workflow can complete history matching and reservoir forecasting with uncertainty quantification in less than one hour on a mainstream personal workstation.

연구 동기 및 목표

• 고차원적 매개변수 공간으로 인해 상업적 규모의 지질적 이산화탄소 저장에서 데이터 융합의 높은 계산 비용을 해결하기 위해.
• 모니터링 데이터(압력 및 지반 탐사에서 유도된 이산화탄소 플룸)를 사용하여 저류체 예측을 신속하고 실시간으로 업데이트할 수 있도록 하기 위해.
• 다중 웰 주입 조건 하에서의 동적 압력 및 이산화탄소 플룸 변화를 정확하게 예측할 수 있는 서rogate 모델을 개발하기 위해.
• 진정한 3차원 저류체 모델과 단일층 모델 사이의 격차를 지능적인 데이터 처리 기법을 통해 메우기 위해.
• 운영적 의사결정 지원을 위해 최소한의 계산 오버헤드로 불확실성 정량화 예측을 달성하기 위해.

제안 방법

• 워크플로우는 압력 및 이산화탄소 플룸 데이터를 사용하여 지질적 특성을 업데이트하기 위해 Ensemble Smoother Multiple Data Assimilation(ES-MDA) 프레임워크를 사용한다.
• 심층 합성곱 신경망—특히 넓은 잔차 네트워크와 잔차 U-Net—을 사용하여 전체 저류체 시뮬레이션을 실행하지 않고도 저류체 반응을 예측하는 서rogate 모델을 훈련시킨다.
• 서rogate 모델은 산악 샌드스톤 환경을 반영하는 3차원 저류체 모델에서 생성된 합성 데이터를 기반으로 훈련된다.
• 지능적인 데이터 처리 기법을 적용하여 3차원 저류체 반응을 단일층 모델로 매핑함으로써 일반화 능력과 계산 효율성을 향상시킨다.
• 전체 워크플로우는 데이터 융합, 서rogate 예측, 불확실성 정량화를 하나의 종단 간 엔드 투 엔드 파이프라인으로 통합한다.

실험 결과

연구 질문

• RQ1 심층 학습 기반 서rogate 모델은 지질적 이산화탄소 저장에서 데이터 융합의 계산 비용을 크게 감소시키면서도 예측 정확도를 유지할 수 있는가?
• RQ2 3차원 저류체 모델에서 생성된 데이터로 훈련된 2차원 서rogate 모델은 다중 웰 주입 조건 하에서 압력 및 이산화탄소 플룸 변화를 얼마나 효과적으로 예측할 수 있는가?
• RQ3 3차원과 2차원 모델 간의 지능적인 데이터 매핑은 빠른 예측 워크플로우에서 예측 정밀도를 어느 정도 유지할 수 있는가?
• RQ4 표준 하드웨어에서 워크플로우가 한 시간 이내에 불확실성 정량화 예측을 달성할 수 있는가?
• RQ5 지반 불확실성이 존재하는 상황에서 지반 탐사에서 유도된 이산화탄소 플룸 데이터 통합은 예측 신뢰도를 얼마나 향상시키는가?

주요 결과

• 심층 학습 기반 가속화 워크플로우는 주류 개인용 워크스테이션에서 역사적 매칭 및 저류체 예측을 불확실성 정량화와 함께 한 시간 이내에 완료한다.
• 넓은 잔차 네트워크와 U-Net 아키텍처 기반의 서rogate 모델은 다양한 주입 시나리오에서 압력 상승 및 이산화탄소 플룸 범위를 높은 정확도로 예측한다.
• 지능적인 데이터 처리 기법을 통해 3차원 저류체 거동을 단일층 모델로 효과적으로 전달할 수 있었으며, 차원 감소에도 불구하고 예측 성능을 유지했다.
• 워크플로우는 지반 탐사에서 유도된 압력 이력 및 이산화탄소 플룸 데이터를 통합하여 지질적 특성 업데이트 및 저류체 성능 예측을 성공적으로 수행했다.
• 이 방법은 상업적 규모의 지질적 이산화탄소 저장 응용 분야에서 뛰어난 강건성과 확장성을 보이며, 근접 실시간 의사결정 지원을 가능하게 했다.
• 기존 저류체 시뮬레이션 대비 계산 비용을 수 개 주기 만큼 감소시켰으며, 예측 신뢰도나 불확실성 정량화의 품질을 손상시키지 않았다.