[논문 리뷰] Acceleration of the NVT-flash calculation for multicomponent mixtures using deep neural network models

Yiteng Li, Tao Zhang외 1명|arXiv (Cornell University)|2019. 01. 27.

Reservoir Engineering and Simulation Methods참고 문헌 51인용 수 4

한 줄 요약

이 연구는 동적 모델을 통해 생성된 데이터에서 학습함으로써 다성분 수소화물 혼합물의 NVT-플래시 계산을 가속화하는 딥 뉴럴 네트워크 모델을 제안한다. 기존 반복적 방법 대비 최대 244배 빠른 속도를 달성하면서도 높은 정확도를 유지하고 별도의 안정성 테스트가 필요 없도록 한다.

ABSTRACT

Phase equilibrium calculation, also known as flash calculation, has been extensively applied in petroleum engineering, not only as a standalone application for separation process but also an integral component of compositional reservoir simulation. It is of vital importance to accelerate flash calculation without much compromise in accuracy and reliability, turning it into an active research topic in the last two decades. In this study, we establish a deep neural network model to approximate the iterative NVT-flash calculation. A dynamic model designed for NVT flash problems is iteratively solved to produce data for training the neural network. In order to test the model's capacity to handle complex fluid mixtures, three real reservoir fluids are investigated, including one Bakken oil and two Eagle Ford oils. Compared to previous studies that follow the conventional flash framework in which stability testing precedes phase splitting calculation, we incorporate stability test and phase split calculation together and accomplish both two steps by a single deep learning model. The trained model is able to identify the single vapor, single liquid and vapor-liquid state under the subcritical region of the investigated fluids. A number of examples are presented to show the accuracy and efficiency of the proposed deep neural network. It is found that the trained model makes predictions at most 244 times faster than the iterative flash calculation under the given cases. Even though training a multi-level network model does take a large amount of time that is comparable to the computational time of flash calculations, the one-time offline training process gives the deep learning model great potential to speed up compositional reservoir simulation.

연구 동기 및 목표

• 조성기반 상태방정식 기반 플래시 계산의 계산 병목 현상을 해결한다.
• 별도의 안정성 테스트와 상평형 분리가 필요한 기존 플래시 프레임워크의 비효율성을 극복한다.
• 압력(P), 온도(T), 조성에서 직접 상 행동(단일상 및 기액평형 포함)을 예측할 수 있는 딥 뉴럴 네트워크 모델을 개발한다.
• 데이터 크기와 네트워크 아키텍처를 최적화하여 모델 정확도와 학습 효율성을 균형 잡는다.
• 단 한 번의 오프라인 학습을 통해 대규모 조성 시뮬레이션에 재사용 가능한 초고속 예측을 가능하게 한다.

제안 방법

• 몰수와 부피 변화 방정식을 기반으로 한 동적 모델을 사용하여 NVT-플래시 과정을 반복적으로 시뮬레이션하고 학습 데이터를 생성한다.
• 입력 조건(P, T, 공급 조성)에서 상 조성과 몰수 분율을 매핑하는 데 딥 뉴럴 네트워크를 훈련시킨다.
• 과적합을 줄이고 일반화 성능을 향상시키기 위해 재구성된 손실 함수와 드롭아웃 정규화를 통합한다.
• 학습 수렴 속도를 가속화하고 최적화 안정성을 향상시키기 위해 배치 정규화를 적용한다.
• 플래시 근사에 대한 이전 연구를 바탕으로 한 다층 네트워크 아키텍처를 설계한다.
• 세 가지 실제 저류층 유체(백켄 오일 1종, 이글 포드 오일 2종)에 대해 훈련을 수행하였으며, 구성 성분 수는 각각 5, 8, 14개이다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 복잡한 다성분 수소화물 혼합물의 NVT-플래시 계산에서 상 행동을 정확하게 근사할 수 있는가?
• RQ2 딥 러닝 모델은 플래시 계산에서 별도의 안정성 테스트가 필요 없도록 할 수 있는 정도는 어느 정도인가?
• RQ3 학습 데이터 세트의 크기가 딥 러닝 모델의 정확도와 효율성에 어떤 영향을 미치는가?
• RQ4 제안된 딥 러닝 프레임워크에서 학습 비용과 예측 속도 사이의 상충 관계는 어떠한가?
• RQ5 훈련된 모델은 다양한 저류층 유체 조성과 상 상태(단일상, 기액상)에 대해 일반화 가능한가?

주요 결과

• 딥 뉴럴 네트워크 모델은 테스트 조건 하에서 기존 반복적 플래시 계산 대비 최대 244배 빠른 예측 속도를 달성한다.
• 별도의 안정성 테스트 없이도 단일상(기체 또는 액체) 및 이상태(기액상) 상태를 성공적으로 식별한다.
• 학습 데이터 크기가 201×201일 경우, 301×301 기준선 대비 미세한 변동만을 보이며 양호한 정확도를 확보하여 중간 크기 이상의 데이터 부피에서는 수익 감소 현상이 나타남을 시사한다.
• 백켄 및 이글 포드 오일의 C1, C2, C5–C6, C7+, C13+ 등 다양한 성분에 대해 반복적 플래시 결과와의 비교 검증을 통해 높은 정확도를 유지한다.
• 학습 시간은 반복적 플래시 계산과 유사하지만, 단 한 번의 오프라인 학습을 통해 반복 가능한 초고속 추론이 가능하므로 대규모 조성 시뮬레이션에 매우 적합하다.
• 이러한 접근법은 향후 나노포어와 같은 제한된 환경으로의 확장도 포함하여 복잡한 시스템에서 상 평형 계산을 가속화하는 데 강력한 잠재력을 보여준다.