[논문 리뷰] Deep learning based closed-loop optimization of geothermal reservoir production

Nanzhe Wang, Haibin Chang외 3명|arXiv (Cornell University)|2022. 04. 15.

Reservoir Engineering and Simulation Methods인용 수 7

한 줄 요약

이 논문은 지열 지하층 생산을 위한 딥러닝 기반의 클로즈드-루프 최적화 프레임워크를 제안하며, 하이브리드 CNN-LSTM 서rogate 모델, 미분 진화, 반복적 엔sembles 스무딩을 결합하여 실시간 웰 제어 최적화 및 지질학적 불확실성 정량화를 수행한다. 이 프레임워크는 하부지층 불확실성 하에서 효율적이고 적응형 최적화를 가능하게 하여 다양한 시험 케이스에서 향상된 생산 성능을 달성한다.

ABSTRACT

To maximize the economic benefits of geothermal energy production, it is essential to optimize geothermal reservoir management strategies, in which geologic uncertainty should be considered. In this work, we propose a closed-loop optimization framework, based on deep learning surrogates, for the well control optimization of geothermal reservoirs. In this framework, we construct a hybrid convolution-recurrent neural network surrogate, which combines the convolution neural network (CNN) and long short-term memory (LSTM) recurrent network. The convolution structure can extract spatial information of geologic parameter fields and the recurrent structure can approximate sequence-to-sequence mapping. The trained model can predict time-varying production responses (rate, temperature, etc.) for cases with different permeability fields and well control sequences. In the closed-loop optimization framework, production optimization based on the differential evolution (DE) algorithm, and data assimilation based on the iterative ensemble smoother (IES), are performed alternately to achieve real-time well control optimization and geologic parameter estimation as the production proceeds. In addition, the averaged objective function over the ensemble of geologic parameter estimations is adopted to consider geologic uncertainty in the optimization process. Several geothermal reservoir development cases are designed to test the performance of the proposed production optimization framework. The results show that the proposed framework can achieve efficient and effective real-time optimization and data assimilation in the geothermal reservoir production process.

연구 동기 및 목표

• 지열 지하층 생산 최적화의 과제를 지질학적 불확실성 하에서 해결하기 위해.
• 동시 웰 제어 최적화 및 매개변수 추정을 위한 실시간, 데이터 기반 프레임워크를 개발하기 위해.
• 하위지층 변동성을 고려하면서 에너지 수확량을 극대화하여 경제적 수익을 향상시키기 위해.
• 전통적인 시뮬레이션 기반 최적화에 비해 딥러닝 서rogate 모델을 사용하여 계산 비용을 감소시키기 위해.
• 반복적 데이터 어셈블리 및 최적화 루프를 통해 실시간 운영을 가능하게 하기 위해.

제안 방법

• 하이브리드 순환-합성곱 신경망(CNN-LSTM)이 다양한 투과도 분포와 웰 제어 시퀀스 하에서 시간에 따라 변화하는 생산 반응(예: 유량, 온도)을 예측하도록 훈련된다.
• CNN 구성 요소는 지질학적 매개변수 분포에서 공간적 특징을 추출하고, LSTM은 생산 시퀀스의 시간적 의존성을 모델링한다.
• 프레임워크는 웰 제어 최적화를 위해 미분 진화(DE)를, 실시간 지질학적 매개변수 추정을 위해 반복적 엔셈블 스무딩(IES)을 사용한다.
• 지질학적 불확실성을 최적화 과정에 통합하기 위해 엔셈블 평균 목적 함수를 사용한다.
• 최적화와 데이터 어셈블리가 클로즈드-루프 구조에서 번갈아가며 실시간 적응을 가능하게 한다.
• 예측 정확도를 확보하기 위해 고정밀도 지하층 시뮬레이션 데이터셋을 기반으로 서rogate 모델을 훈련한다.

실험 결과

연구 질문

• RQ1 딥러닝 서rogate 모델이 다양한 지질학적 조건과 제어 전략 하에서 동적 생산 반응을 정확하게 예측할 수 있는가?
• RQ2 클로즈드-루프 프레임워크가 실시간으로 웰 제어 최적화와 지질학적 매개변수 추정을 얼마나 효과적으로 균형 있게 수행하는가?
• RQ3 엔셈블 평균을 통해 지질학적 불확실성을 고려함으로써 최적화의 강건성이 얼마나 향상되는가?
• RQ4 기존의 시뮬레이션 기반 최적화에 비해 제안된 프레임워크는 계산 비용을 얼마나 감소시키는가?
• RQ5 클로즈드-루프 최적화 전략을 사용할 경우 생산 효율성과 경제적 수익에 어떤 성과 향상이 있는가?

주요 결과

• CNN-LSTM 서rogate 모델은 다양한 투과도 분포와 제어 시퀀스 하에서 생산률과 온도 예측에 높은 정확도를 달성한다.
• 클로즈드-루프 프레임워크는 생산이 진행됨에 따라 새로운 데이터를 수용하면서 실시간 최적화 및 매개변수 추정을 성공적으로 유지한다.
• 엔셈블 평균 목적 함수는 지질학적 불확실성 하에서 더 강건한 최적화 결과를 이끌어낸다.
• 전체 물리 기반 시뮬레이션 기반 최적화에 비해 프레임워크는 계산 비용을 크게 감소시켜 더 빠른 의사결정 사이클을 가능하게 한다.
• 시험 케이스들은 다양한 지하층 시나리오에서 에너지 수확량과 경제적 효율성 향상이 일관되게 관찰됨을 보여준다.
• DE와 IES를 번갈아 가며 통합함으로써 안정적이고 수렴 가능한 최적화가 가능하며 정확한 불확실성 정량화가 이루어진다.