[논문 리뷰] Deep Learning and Data Assimilation for Real-Time Production Prediction in Natural Gas Wells

Kelvin Loh, Pejman Shoeibi Omrani외 1명|arXiv (Cornell University)|2018. 02. 14.

Reservoir Engineering and Simulation Methods인용 수 18

한 줄 요약

이 논문은 성숙한 노르웨이 해상 가스 웰에서 실시간으로 가스 유량을 예측하기 위해 수정된 장기 단기 기억(이하 LSTM) 신경망과 집단 칼만 필터(EnKF)를 융합한 하이브리드 딥 러닝 및 자료 융합 프레임워크를 제안한다. 이 방법은 실시간 관측치를 사용해 모델 파라미터를 지속적으로 업데이트함으로써, 염화나트륨 침전과 동적 유량 행동이 복합적으로 작용하는 도전적인 운영 조건에서 예측 오차를 최대 50%까지 감소시키며 정확도와 강인성을 향상시킨다.

ABSTRACT

The prediction of the gas production from mature gas wells, due to their complex end-of-life behavior, is challenging and crucial for operational decision making. In this paper, we apply a modified deep LSTM model for prediction of the gas flow rates in mature gas wells, including the uncertainties in input parameters. Additionally, due to changes in the system in time and in order to increase the accuracy and robustness of the prediction, the Ensemble Kalman Filter (EnKF) is used to update the flow rate predictions based on new observations. The developed approach was tested on the data from two mature gas production wells in which their production is highly dynamic and suffering from salt deposition. The results show that the flow predictions using the EnKF updated model leads to better Jeffreys' J-divergences than the predictions without the EnKF model updating scheme.

연구 동기 및 목표

• 염화나트륨 침전과 복잡한 동적 특성을 보이는 성숙한 웰에서 유량 감소를 예측하는 데 도전하는 문제를 해결하기 위해.
• 알 수 없는 현장 조건에 강인하고 재훈련이 최소한인 실시간 구현 가능한 예측 시스템을 개발하기 위해.
• 딥 러닝을 자료 융합 기법과 융합하여 장기적으로 정확도와 적응성을 향상시키기 위해.
• 실제 현장 데이터를 기반으로 한 두 개의 성숙한 가스 웰에서의 실시간 예측 성능을 평가하기 위해.

제안 방법

• 이상적인 유량 변화 추세와 시간적 의존성을 학습하기 위해, 웰 A(2009년 1월–2011년 12월)의 역사적 생산 데이터를 기반으로 수정된 딥 LSTM 모델을 훈련시킨다.
• 유량, 압력, 온도, 코어 밸브 설정 등의 입력 변수는 최소-최대 스케일링을 통해 정규화되며, 센서 정확도 기반의 표준편차 스케일링을 통해 측정 불확실성을 유지한다.
• 실시간 관측치를 사용해 LSTM 모델의 편향 파라미터를 업데이트하기 위해 온라인으로 집단 칼만 필터(EnKF)를 적용하여 지속적인 모델 보정을 가능하게 한다.
• EnKF 프레임워크는 LSTM 모델을 상태공간 시스템으로 간주하며, 관측치와 예측치의 차이(혁신)를 기반으로 앙상블 기반 오차 공분산 추정을 통해 모델 파라미터를 업데이트한다.
• 훈련된 모델은 재훈련 없이 웰 B(2012–2013)에 적용되어, 예측 가능한 현장 조건에 대한 일반화 능력과 적응성을 입증한다.
• 모델 성능은 제프리스의 J-분산도를 사용해 정량적으로 평가되며, 낮은 값일수록 더 높은 예측 정확도와 분포 일치도를 의미한다.

실험 결과

연구 질문

• RQ1 한 성숙한 가스 웰에서 훈련된 딥 LSTM 모델이 물리적 특성이 다른 두 번째 미사용 웰에서 생산 예측에 일반화될 수 있는가?
• RQ2 EnKF를 통한 온라인 모델 업데이트가 모델에 알려지지 않은 변화와 측정 불확실성이 존재하는 상황에서 예측 정확도와 강인성을 어떻게 향상시키는가?
• RQ3 EnKF 기반 파라미터 업데이트가 동적이고 염화나트륨 침전이 발생하는 조건에서 실제 유량 변화를 보다 정확하게 추적하고 예측 편향을 얼마나 줄이는가?
• RQ4 EnKF 업데이트된 모델은 정적 LSTM 기준 모델에 비해 초기 스팟업 단계와 고불확실성 조건에서도 열등한 성능를 유지하는가?

주요 결과

• 2013년 3월 10일에서 24일 사이에 가장 도전적인 기간 동안 EnKF 업데이트된 LSTM 모델은 중앙값 J-분산도가 283.1로 기준 모델보다 유의미하게 낮게 나타나, 더 높은 예측 정확도를 입증했다.
• EnKF 모델은 특히 높은 동적 변화와 염화나트륨 침전에 의한 유량 감소 기간 동안 예측 편향을 감소시키고 실제 유량 변화를 더 잘 추적하는 데 기여했다.
• 초기 EnKF 스포트업 단계 동안에도 업데이트된 모델은 기준 모델을 능가하는 성능를 보였으며, 수렴에 대한 지연이 최소화된 강인성을 입증했다.
• 재훈련 없이도 웰 B의 알 수 없는 물리적 특성에 효과적으로 적응하여, 다양한 현장 조건 간의 일반화 능력을 입증했다.
• 모든 테스트 기간(2012년 7월 13일–27일; 2013년 3월 10일–24일; 2013년 1월 1일–31일) 동안 중앙값 J-분산도가 일관되게 낮게 유지되어 지속적인 성능 향상을 확인했다.
• EnKF는 모델의 드프트와 불확실성을 지속적으로 보정하므로, 수동적 재훈련 의존도를 감소시키며 '설치 후 방치' 운영 모델을 가능하게 한다.