[논문 리뷰] Machine Learning for Gas and Oil Exploration

Vito Alexander Nordloh, Anna Roubícková외 1명|arXiv (Cornell University)|2020. 10. 04.

Reservoir Engineering and Simulation Methods참고 문헌 3인용 수 4

한 줄 요약

이 논문은 기울기 부스팅과 신경망을 사용하여 유전적 근접한 웰을 훈련 데이터로 활용함으로써 오일 앤 가스 웰 로그의 누락된 값을 예측하는 기계학습 접근법을 제안한다. 주요 기여는 지역적 훈련이 예측 정확도를 향상시킨다는 것을 입증한 것으로, 유사한 오차 지표에도 불구하고 기울기 부스팅이 신경망보다 더 안정적인 성능을 보임을 보여준다.

ABSTRACT

Drilling boreholes for gas and oil extraction is an expensive process and profitability strongly depends on characteristics of the subsurface. As profitability is a key success factor, companies in the industry utilise well logs to explore the subsurface beforehand. These well logs contain various characteristics of the rock around the borehole, which allow petrophysicists to determine the expected amount of contained hydrocarbon. However, these logs are often incomplete and, as a consequence, the subsequent analyses cannot exploit the full potential of the well logs. In this paper we demonstrate that Machine Learning can be applied to \emph{fill in the gaps} and estimate missing values. We investigate how the amount of training data influences the accuracy of prediction and how to best design regression models (Gradient Boosting and neural network) to obtain optimal results. We then explore the models' predictions both quantitatively, tracking the prediction error, and qualitatively, capturing the evolution of the measured and predicted values for a given property with depth. Combining the findings has enabled us to develop a predictive model that completes the well logs, increasing their quality and potential commercial value.

연구 동기 및 목표

• 오일 앤 가스 탐사에서 완전하지 못하고 노이즈가 많은 웰 로그 데이터의 문제를 다루어 정확한 수증기 수확량 추정을 제한한다.
• 기계학습을 사용하여 누락된 값을 메우면서 웰 로그의 품질과 상업적 가치를 향상시킨다.
• 훈련 데이터 크기와 지리적 근접성이 웰 로그 속성의 누락된 값을 예측하는 데 미치는 영향을 조사한다.
• 기울기 부스팅과 신경망 모델의 예측 정확도와 안정성 간의 비교를 수행한다.
• 정량적 오차 지표만으로는 오해의 소지가 있으며, 예측 결과의 정성적 시각적 검토를 주장한다.

제안 방법

• 한 물리적 특성을 목표 변수로 간주하고 다른 특성들을 입력 특성으로 삼아, 감독 학습 기계학습을 사용하여 웰 로그의 누락된 값을 예측한다.
• 목표 특성이 측정된 웰 로그 데이터의 부분집합에서 모델을 훈련하고, 데이터 泄漏를 방지하기 위해 별도의 테스트 세트를 사용하여 평가한다.
• 두 가지 회귀 모델인 기울기 부스팅(XGBoost 유사)과 전방향 신경망을 적용하며, 최적 성능을 위해 초모수 조정을 실시한다.
• 표준 지표인 평균 제곱 오차(MSE)와 평균 절대 퍼센트 오차(MAPE)를 사용하여 모델 성능을 평가하고, 깊이에 따른 예측값과 측정값의 시각적 분석을 보완한다.
• 점차적으로 가장 가까운 지리적 근접 웰을 훈련 세트에 추가하여 국지적 훈련 전략을 테스트하고 예측 오차에 미치는 영향을 평가한다.
• 상관관계 히트맵을 사용하여 웰 간 특성 간 관계를 분석하고, 전반적인 상관관계가 국소 지질학적 변동성을 가리킬 수 있는지 평가한다.

실험 결과

연구 질문

• RQ1 특히 지리적으로 근접한 웰들로부터의 훈련 데이터의 양이 웰 로그에서 누락된 값 예측의 정확도에 어떤 영향을 미치는가?
• RQ2 기울기 부스팅 모델과 신경망 모델 중 어느 것이 누락된 웰 로그 값 예측에 더 정확하고 안정적인 성능을 보이는가?
• RQ3 MSE와 MAPE와 같은 표준 오차 지표가 웰 로그 보정에서 예측의 질을 얼마나 정확하게 반영하는가?
• RQ4 단일 웰 또는 전체 데이터셋에서 훈련하는 것에 비해, 근처 웰에서 국지적으로 훈련하면 모델 성능이 향상되는가?
• RQ5 작은 공간 척도에서의 지질학적 변동성이 웰 로그 예측에서 기계학습 모델의 일반화 및 신뢰성에 어떤 영향을 미치는가?

주요 결과

• 모든 웰을 동시에 훈련하는 것은 모델 정확도를 향상시키지 못하며, 지질학적 이질성으로 인해 비합리적인 상관관계가 유입될 수 있다.
• 근접한 웰을 훈련 세트에 추가하더라도 예측 오차가 일관되게 감소하지는 않으며, 작은 공간 척도에서의 지질학적 차이가 모델 학습을 혼란스럽게 한다.
• 기울기 부스팅 모델은 신경망에 비해 다양한 웰과 초모수 설정에서 더 안정적인 성능을 보이며, 신경망은 런에 따라 결과의 변동성이 매우 크다.
• 대부분의 웰 로그 특성에 대해 기울기 부스팅 모델은 평균 크기의 간격을 예측할 때 90퍼센트 이상의 정확도를 달성하여 강력한 예측 능력을 보여준다.
• 정량적 지표인 MAPE와 MSE는 오해의 소지가 있다. 깊이에 따른 예측값의 정성적 시각적 검토를 통해 모델이 오차 지표에서는 정확해 보일 수 있지만, 의미 있는 지질학적 경향을 포착하지 못할 수 있음을 확인할 수 있다.
• 이 연구는 모델 정확도 향상을 위해 더 복잡한 모델보다는 개선된 평가 지표와 고급 품질의 입력 데이터가 필요하다고 결론 내린다.