[논문 리뷰] Soft Sensor for Bottom-Hole Pressure Estimation in Petroleum Wells Using Long Short-Term Memory and Transfer Learning

M. A. Fernandes, E. Gildin외 1명|arXiv (Cornell University)|2026. 02. 03.

Reservoir Engineering and Simulation Methods인용 수 0

한 줄 요약

기계학습 소프트 센서가 LSTM을 사용하여 BHP를 원유 시추 현장의 원수 데이터에서 추정하며, MLP 및 Ridge Regression보다 우수하고 다양한 환경 간 전달 학습을 도입한다.

ABSTRACT

Monitoring bottom-hole variables in petroleum wells is essential for production optimization, safety, and emissions reduction. Permanent Downhole Gauges (PDGs) provide real-time pressure data but face reliability and cost issues. We propose a machine learning-based soft sensor to estimate flowing Bottom-Hole Pressure (BHP) using wellhead and topside measurements. A Long Short-Term Memory (LSTM) model is introduced and compared with Multi-Layer Perceptron (MLP) and Ridge Regression. We also pioneer Transfer Learning for adapting models across operational environments. Tested on real offshore datasets from Brazil's Pre-salt basin, the methodology achieved Mean Absolute Percentage Error (MAPE) consistently below 2\%, outperforming benchmarks. This work offers a cost-effective, accurate alternative to physical sensors, with broad applicability across diverse reservoir and flow conditions.

연구 동기 및 목표

• 생산 최적화, 안전 및 배출 감소를 강화하기 위한 정확하고 실시간 BHP 추정의 필요성 제시.
• 영구 하부 측정 게이지의 신뢰성 및 비용 한계를 데이터 기반 소프트 센서로 대체하기.
• 표면 측정으로부터 BHP 추정을 위한 LSTM, MLP 및 Ridge Regression 모델 개발 및 비교.
• 다른 운영 환경 간에 모델을 적응시키기 위한 전달 학습 도입.

제안 방법

• 유정상 및 탑사이드 측정으로부터 흐르는 BHP를 추정하기 위한 LSTM 기반 소프트 센서 개발.
• 이 작업에서 LSTM을 Multi-Layer Perceptron (MLP) 및 Ridge Regression과 벤치마크.
• 다른 운영 환경 간에 모델을 적응시키기 위한 전달 학습 적용.
• 브라질 Pre-salt 대형 해양 데이터 세트에서 성능 평가.
• 주요 지표로 평균 절대 백분율 오차(MAPE) 보고.

실험 결과

연구 질문

• RQ1 표면 측정으로부터 흐르는 BHP를 데이터 기반 소프트 센서로 정확히 추정할 수 있는가?
• RQ2 LSTM은 해양 시추 현장에서의 BHP 추정에 있어 MLP 및 Ridge Regression과 어떻게 비교되는가?
• RQ3 전달 학습이 서로 다른 운영 환경 간에 로버스트한 모델 적응을 가능하게 하는가?
• RQ4 제안된 접근 방식이 실제 해양 데이터 세트에서 달성 가능한 정확도(MAPE)는 어느 정도인가?

주요 결과

• LSTM 기반 소프트 센서가 테스트 데이터 세트에서 MAPE를 2% 미만으로 달성했다.
• 이 작업에서 LSTM은 벤치마크 모델인 MLP 및 Ridge Regression보다 우수했다.
• 전달 학습은 운영 환경 간 모델 적응을 가능하게 하여 광범위한 적용성을 뒷받침한다.
• 이 접근 방식은 물리적 내추럴 구독 게이지에 비해 비용효율적인 대안을 제공하면서도 정확도를 유지한다.