[논문 리뷰] Closed-loop field development optimization with multipoint geostatistics and statistical assessment.

Mehrdad G. Shirangi|arXiv (Cornell University)|2017. 12. 01.

Reservoir Engineering and Simulation Methods참고 문헌 13인용 수 1

한 줄 요약

이 논문은 다중점 지리통계학(MPS)과 최적화 기반 주성분 분석(PCA)을 사용하여 지하 자원 최적화를 위한 피드백 루프(field development, CLFD) 프레임워크를 제안한다. 새로운 데이터로 모델을 반복적으로 업데이트하고 재최적화함으로써, 세 번의 CLFD 사이클을 거친 후 96%의 경우에서 실제 순현재가치(NPV)가 향상되었으며, 평균으로 37% 향상되었다.

ABSTRACT

Closed-loop field development (CLFD) optimization is a comprehensive framework for optimal development of subsurface resources. CLFD involves three major steps: 1) optimization of full development plan based on current set of models, 2) drilling new wells and collecting new spatial and temporal (production) data, 3) model calibration based on all data. This process is repeated until the optimal number of wells is drilled. This work introduces an efficient CLFD implementation for complex systems described by multipoint geostatistics (MPS). Model calibration is accomplished in two steps: conditioning to spatial data by a geostatistical simulation method, and conditioning to production data by optimization-based PCA. A statistical procedure is presented to assess the performance of CLFD. Methodology is applied to an oil reservoir example for 25 different true-model cases. Application of a single-step of CLFD, improved the true NPV in 64%--80% of cases. The full CLFD procedure (with three steps) improved the true NPV in 96% of cases, with an average improvement of 37%.

연구 동기 및 목표

• 복잡한 지하 시스템을 위한 효율적인 CLFD 프레임워크를 개발하기 위해 다중점 지리통계학(MPS)을 사용하여 지질학적 이방성(geological heterogeneity)을 표현한다.
• 지리통계학적 시뮬레이션을 통해 공간 데이터(예: 웰로그, 지구물리학적 데이터)를 조건화하고, 최적화 기반 PCA를 통해 생산 데이터를 조건화함으로써 정확한 모델 校정을 가능하게 한다.
• 다양한 리저보아르 시나리오에서 CLFD 성능을 통계적으로 평가하여 프레임워크의 강건성과 효과성을 검증한다.
• 반복적인 데이터 융합과 재최적화가 현장 개발 결정을 향상시키는 데서의 가치를 입증한다.

제안 방법

• 복잡한 공간 패턴을 반영하는 현실적인 지질 모델을 생성하기 위해 다중점 지리통계학(MPS)을 사용한다.
• 첫 번째 校정 단계에서 지리통계학적 시뮬레이션을 적용하여 모델을 공간 데이터(예: 웰로그, 지구물리학적 데이터)에 조건화한다.
• 생산 데이터에 대한 모델 조건화를 위해 최적화 기반 주성분 분석(PCA)을 활용하며, 시뮬레이션된 생산량과 관측된 생산량 간의 불일치를 최소화한다.
• 피드백 루프 사이클을 구현: 전체 개발 계획 최적화 → 신규 웰 드릴링 → 데이터 수집 → 모델 재교정 → 재최적화 → 최적의 웰 수 확보 시까지 반복한다.
• 다수의 진짜 모델 실현 사례를 대상으로 CLFD 성능을 평가하기 위한 통계적 평가 절차를 도입한다.
• 일반화성과 신뢰성을 확보하기 위해 25개의 다른 진짜 모델 사례에 프레임워크를 검증한다.

실험 결과

연구 질문

• RQ1 MPS와 PCA 기반 校정을 사용한 CLFD는 복잡한 리저보아르에서 현장 개발 계획을 효과적으로 향상시킬 수 있는가?
• RQ2 반복적인 드릴링을 통한 새로운 데이터의 통합은 개발 계획의 정확성과 경제적 성과에 어떤 영향을 미치는가?
• RQ3 다양한 리저보아르 진짜 모델 시나리오에서 CLFD의 통계적 성능은 어떠한가?
• RQ4 순현재가치(NPV) 향상 측면에서 CLFD는 단일 단계 최적화에 비해 어느 정도 뛰어나게 되는가?
• RQ5 실제 리저보아르 응용에서 불확실성과 모델 오차를 다루는 데 있어 CLFD 프레임워크는 얼마나 강건한가?

주요 결과

• 단일 CLFD 사이클을 적용한 결과, 25개 테스트 사례의 64%에서 80% 범위 내에서 진짜 NPV가 향상되었다.
• 세 단계 반복 프로세스를 포함한 전체 CLFD 절차는 96%의 사례에서 진짜 NPV를 향상시켰다.
• 세 번의 CLFD 사이클을 거친 후 모든 사례의 평균 NPV 향상률은 37%였다.
• 이중 단계 校정을 통해 공간 데이터와 생산 데이터를 통합함으로써 모델 정확도와 의사결정 품질이 크게 향상되었다.
• 통계적 평가 절차는 성과 향상률을 성공적으로 정량화하고 CLFD 프레임워크의 강건성을 검증했다.
• 이 방법은 다양한 리저보아르 진짜 모델 구성에서 강력한 적응성과 효과성을 입증했다.