[논문 리뷰] Machine Learning and the Internet of Things Enable Steam Flood Optimization for Improved Oil Production

Mi Yan, Jonathan C. MacDonald외 4명|arXiv (Cornell University)|2019. 08. 29.

Oil and Gas Production Techniques참고 문헌 26인용 수 4

한 줄 요약

이 논문은 실시간 시계열 데이터를 활용해 생산 예측 및 최적 증기 할당을 제안함으로써, 중유 회수에서 증기 플러드 운영을 최적화하기 위한 기계학습과 사물인터넷(IoT) 기반 워크플로우를 제안한다. 클라우드 기반 모델 훈련과 실시간 데이터 처리를 통해 시스템은 증기 할당 최적화로 인해 3%의 유정 생산 증가를 달성하였으며, 에너지 및 예측 정비 분야의 산업 응용에 대해 확장 가능한 솔루션을 입증한다.

ABSTRACT

Recently developed machine learning techniques, in association with the Internet of Things (IoT) allow for the implementation of a method of increasing oil production from heavy-oil wells. Steam flood injection, a widely used enhanced oil recovery technique, uses thermal and gravitational potential to mobilize and dilute heavy oil in situ to increase oil production. In contrast to traditional steam flood simulations based on principles of classic physics, we introduce here an approach using cutting-edge machine learning techniques that have the potential to provide a better way to describe the performance of steam flood. We propose a workflow to address a category of time-series data that can be analyzed with supervised machine learning algorithms and IoT. We demonstrate the effectiveness of the technique for forecasting oil production in steam flood scenarios. Moreover, we build an optimization system that recommends an optimal steam allocation plan, and show that it leads to a 3% improvement in oil production. We develop a minimum viable product on a cloud platform that can implement real-time data collection, transfer, and storage, as well as the training and implementation of a cloud-based machine learning model. This workflow also offers an applicable solution to other problems with similar time-series data structures, like predictive maintenance.

연구 동기 및 목표

• 중유 회수에서 전통적인 물리 기반 증기 플러드 시뮬레이션의 비효율성을 해결하기 위해.
• 기계학습과 사물인터넷(IoT)을 활용한 데이터 기반 접근법을 개발하여 증기 플러드 운영의 실시간 예측 및 최적화를 수행하기 위해.
• 실시간 데이터 수집, 저장 및 모델 추론를 위한 확장 가능한 배포를 위한 클라우드 플랫폼 기반 최소 기능 제품(MVP)을 구축하기 위해.
• 유사한 시계열 데이터를 갖는 응용 분야로의 프레임워크 적용 가능성을 입증하기 위해.
• 시계열 데이터 기반 지도 학습을 활용해 최적 증기 할당 계획을 제안함으로써 유정 생산 효율을 향상시키기 위해.

제안 방법

• 증기 플러드 운영에서 IoT 기반 센서로부터 수집된 시계열 데이터를 활용한 지도 학습 방법을 적용한다.
• 기계학습 파이프라인을 위한 실시간 데이터 수신, 저장 및 모델 훈련을 처리하기 위해 클라우드 기반 플랫폼을 개발한다.
• 과거 운영 데이터를 사용하여 다양한 증기 주입 조건 하에서의 유정 생산 예측을 위한 모델을 훈련시킨다.
• 훈련된 모델을 활용해 최대 유정 출력을 달성하기 위해 최적 증기 할당 계획을 제안하는 최적화 모듈을 운영한다.
• IoT 데이터 스트림과 기계학습 모델을 통합하여 실시간으로 동적이고 데이터 기반의 의사결정을 가능하게 하는 워크플로우를 구성한다.
• 공용 클라우드 인프라에 배포 가능한 최소 기능 제품(MVP)으로 설계되어 확장성과 실시간 성능을 보장한다.

실험 결과

연구 질문

• RQ1 IoT에서 생성된 시계열 데이터를 기반으로 훈련된 기계학습 모델이 증기 플러드 운영에서의 유정 생산 예측 정확도를 향상시킬 수 있는가?
• RQ2 데이터 기반 접근법이 전통적인 물리 기반 시뮬레이션보다 증기 플러드 성능 최적화에서 뛰어나게 작용할 수 있는가?
• RQ3 실시간 데이터 처리와 클라우드 기반 기계학습 모델이 동적 증기 할당을 통해 얼마나 높은 수준의 유정 생산 향상에 기여할 수 있는가?
• RQ4 제안된 AIoT 프레임워크는 유사한 시계열 데이터를 갖는 다른 산업 응용 분야로 얼마나 확장 가능하고 이식 가능한가?
• RQ5 최적 증기 할당이 전체 유정 생산 수율에 미치는 측정 가능한 영향은 무엇인가?

주요 결과

• 제안된 기계학습 및 사물인터넷(IoT) 기반 시스템은 최적 증기 할당을 통해 3%의 유정 생산 증가를 달성하였다.
• 클라우드 기반 MVP를 활용하여 실시간 데이터 수집, 저장 및 모델 추론가 성공적으로 구현하였다.
• 증기 플러드 운영의 시계열 운영 데이터를 기반으로 한 지도 학습을 통해 유정 생산을 효과적으로 예측할 수 있었다.
• 전통적인 물리 기반 시뮬레이션에 비해 더 빠르고 적응력 있는 성능 튜닝이 가능한 실질적인 대안을 제공하였다.
• 유사한 시계열 데이터를 갖는 다른 분야, 예를 들어 산업 시스템의 예측 정비 분야로의 워크플로우 이식이 가능하였다.
• IoT와 기계학습의 통합은 동적이고 데이터 기반의 의사결정을 가능하게 하여 회수 효율을 향상시켰다.