[논문]지능형 저류층 특성화 기법을 이용한 물리검층 자료 해석

임종세

지능형 저류층 특성화 기법을 이용한 물리검층 자료 해석
Well Log Analysis using Intelligent Reservoir Characterization 원문보기

물리탐사 = Geophysical exploration, v.7 no.2, 2004년, pp.109 - 116

초록
AI-Helper

석유/천연가스 저류층 특성화는 사용 가능한 현장자료를 이용하여 여러 저류층 물성의 공간적 특성을 정량적으로 추정하는 과정이다. 저류층 물성 중 특히 공극률과 유체투과율은 저류층 내의 유체 함유 공간의 크기와 유체 유동 능력을 나타내며, 저류층 평가와 운영에 있어 가장 중요한 특성변수이다. 불균질 저류층에 있어 코어가 채취되지 않은 구간이나 시추공에서 일반적인 물리검층 자료로부터 기존의 통계적 방법을 통해 공극률과 유체투과율을 추정하는 것은 매우 어렵고 복잡한 작업이므로, 이 연구에서는 물리검출 자료를 이용한 저류층 물성결정 방법으로 퍼지이론과 신경망을 이용한 지능형 기법을 제시하였다. 퍼지이론을 기초로 한 퍼지 곡선법으로 코어 공극률, 유체투과율 자료와 상관성이 높은 물리검층 자료를 선택하고, 선택된 물리검층 자료와 코어분석 자료를 이용한 신경망 학습을 통해 저류층의 공극률과 유체투과율을 추정하고자 하였다. 이 연구에서 제시한 지능형 저류층 특성화 기법을 이용하여 국내대륙붕 시추공의 유정자료를 분석하여 기존 방법 보다 정확하고 신뢰성 있는 해석 결과를 얻을 수 있었다. 이러한 지능형 저류층 특성화 해석기법은 국내외 석유/천연가스 개발사업에 있어 보다 신뢰성 있는 물리검층 자료를 이용한 저류층 특성화 도구로 활용할 수 있을 것이다.

Abstract ▼ AI-Helper

Petroleum reservoir characterization is a process for quantitatively describing various reservoir properties in spatial variability using all the available field data. Porosity and permeability are the two fundamental reservoir properties which relate to the amount of fluid contained in a reservoir and its ability to flow. These properties have a significant impact on petroleum fields operations and reservoir management. In un-cored intervals and well of heterogeneous formation, porosity and permeability estimation from conventional well logs has a difficult and complex problem to solve by conventional statistical methods. This paper suggests an intelligent technique using fuzzy logic and neural network to determine reservoir properties from well logs. Fuzzy curve analysis based on fuzzy logics is used for selecting the best related well logs with core porosity and permeability data. Neural network is used as a nonlinear regression method to develop transformation between the selected well logs and core analysis data. The intelligent technique is demonstrated with an application to the well data in offshore Korea. The results show that this technique can make more accurate and reliable properties estimation compared with previously used methods. The intelligent technique can be utilized a powerful tool for reservoir characterization from well logs in oil and natural gas development projects.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이를 위해 퍼지 순위 알고리즘(fuzzy ranking algorithm)을 이용한 퍼지 곡선 분석 (fuzzy curve anal{{= match }} ysis) 기법을 이용할 수 있다. 이 분석법을 이용하여 여러 물리검층 자료 중 코어분석 결과 얻어진 저류층 물성 정보(유체투과율, 공극률 등)와의 관련성 여부를 알아보는 방법을 제시하고자 한다. 독립변수의 변화에 따른 종속변수의 값을 예측하는 경우, 독립변수의 변화에 따른 종속변수의 변화를 측정하기 위해 퍼지 소속 함수 (membership function) F, (x)를 계산한다.
이 연구에서는 퍼지 이론에 의한 퍼지 곡선 분석법과 모멘텀 신경망 해석 기법을 이용한 효율적 저류층 물성 추정을 위한 지능형 저류층 특성화 방법을 제시하였다. 또한 이 방법을 이용하여 국내대륙붕 시추공 물리검층 자료와 코어분석 자료로부터 저류층 물성인 공극률과 유체투과율을 추정하여 신뢰성 있는 해석 결과를 얻을 수 있었다.
이 연구에서는 현장에서 얻을 수 있는 여러 물리검층 중 퍼지 곡선 기법으로부터 연관성 높은 자료를 선택하고, 코어분석을 통해 얻은 공극률과 유체투과율 자료 모두를 이용하여 선택된 물리검층 자료와의 학습으로부터 일정한 패턴을 얻어 코어분석 자료가 없는 구간에 대해 물리검층 자료만으로 저류 층 물성값인 공극률과 유체투과율을 주정하고자 한다.
특히 비균질 저류증의 경우에서 부정확한 분석 결과를 제공하는 등의 문제점과 해석에 있어 비효율성을 나타내고 있다. 이러한 문제점들을 극복하기 위해 이 연구에서는 차세대 저류층 특성화 분야로 주목 받고 있는 퍼지 및 신경망 해석기법을 이용한 지능형 저류층 특성화(intelligent reservoir characteriza{{= match }} tion) 방법을 제시하고자 한다. 이러한 해석법은 저류층 분석 및 해석 시 주관적인 판단을 최소화하고 가능한 많은 자료들을 결합하여, 보다 신뢰성 있고 객관적인 해석 결과로부터 정확한 평가는 물론 개발 계획 수립에 있어 불확실성을 줄이는데 활용할 수 있다.

제안 방법

다음으로 퍼지 곡선 분석을 통해 선택된 물리검층 자료를 이용하여 공극률 및 유체투과율을 추정하고자 한다. 이를 위해서 모멘텀 오류 역전파 신경망 해석 기법을 활용하였다.
지능형 저류층 특성화 방법을 제시하였다. 또한 이 방법을 이용하여 국내대륙붕 시추공 물리검층 자료와 코어분석 자료로부터 저류층 물성인 공극률과 유체투과율을 추정하여 신뢰성 있는 해석 결과를 얻을 수 있었다. 특히 이러한 해석 기법은 불균적인 저류층 해석 시 유용한 해석 도구로 활용될 수 있을 것이다.
물리검층 자료와 저류층 물성 자료와의 연관성을 알아보기 위해 저류층 물성 값인 공극률과 유체투과율 변화에 따른 물리검층 자료의 변화 양상을 산점도를 통해 나타내었다. Fig.
우선 각 자료들 간의 비교분석을 위해 저류층 물성 자료 및 물리검층 자료의 정규화(normalization) 과정을 거쳐 0과 1 사이의 값으로 변환하였다. 저류층 물성 자료와의 연관성을 알아보기 위해 퍼지 소속 함수를 구하고 이를 통해 퍼지 곡선을 작성하였다.
이 연구에서 제시한 지능형 저류증 특성화 해석 방법의 적용을 위해 국내대륙붕 시추공의 물리검층 자료와 시추 코어분석 자료의 데이터베이스를 구축하고 해당 자료를 분석하였다. 분석을 위해 선정된 시추공은 A광구 B-Well이며, 분석 구간은저류층 구간 중 코어가 회수된 2415.
값으로 변환하였다. 저류층 물성 자료와의 연관성을 알아보기 위해 퍼지 소속 함수를 구하고 이를 통해 퍼지 곡선을 작성하였다. 코어 공극률 및 유체투과율과 물리검층 자료와의 정규화 퍼지 곡선은 Fig.
그림에서 볼 수 있듯이 상관관계의 유무와 연관성 정도를 측정하기가 상당히 힘들다. 즉 이들 자료들 간에는 선형적인 상관관계를 가지고 있다고 판단하기 어려우므로 퍼지 곡선을 이용한 분석을 실시하였다.
이를 위해서 모멘텀 오류 역전파 신경망 해석 기법을 활용하였다. 코어 공극률과 유체투과율을 목표 값으로 하여 선택된 물리검층 자료를 대상으로 신경망 학습과정을 거쳐 일정한 패턴을 얻고 이를 통해 물리검층 자료만을 이용하여 공극률과 유체투과율을 추정하였다. 학습 결과 얻어진 신경망 패턴을 이용하여 계산된 공극률 및 유체투과율과 측정된 값과의 일치 정도를 확인하기 위한 비교 그래프는 Fig.

대상 데이터

퍼지 곡선의 범위가 크게 나타난 물리검층 자료는 저류층 특성변수와의 관련성이 상대적으로 크다는 것을 의미한다. 공극률과 유체투과율 퍼지 곡선의 범위가 상대적으로 큰 물리검층 자료인 음파 검층, 밀도 검층, 중성자 검층, 감마선 검층, 장거리지향 검층을 선택하여 신경망 해석의 입력 자료로 활용하였다.
분석하였다. 분석을 위해 선정된 시추공은 A광구 B-Well이며, 분석 구간은저류층 구간 중 코어가 회수된 2415.00m에서 2428.5m에 이르는 13.5m 구간이다.
해석에 사용된 시추공 자료는 코어분석 결과 얻어진 51개의 유체투과율, 공극률 자료와 구간 내에서 0.125m마다 측정된 감마선 검층(gamma ray log), 음파 검층(sonic log), 밀도검층(density log), 중성자 검층(neutron log), 장거리지향 검층 (laterolog deep resistivity), 단거리지향 검증(laterolog shallow resistivity), 공경 검층(caliper log), 자연전위 검층(spontaneous potential log) 등의 각각 107개의 자료이다(Table 1, Fig. 1).

데이터처리

분석에 사용된 물리검층 및 코어분석 자료의 특성을 파악하기 위해 우선 기술통계 분석을 실시하였다. 물리검층 및 코어분석 자료의 기술통계 처리는 다변량 분석 등을 위한 기본 자료로 활용될 뿐만 아니라 퍼지 곡선 분석 및 신경망 해석 기법에 사용될 자료의 특성 파악 등에 활용된다.

이론/모형

신경망 기법 중 오류 역전파(back propagation) 알고리즘의 구조는 다층 퍼셉트론(multi-layer perceptron)과 동일하며, 학습 알고리즘은 다층구조에 적용시킨 델타학습법인 일반 델타학습법 (generalized delta rule)을 사용한다. 보통 오류 역 전파알고리즘은 학습하는 과정에서만 오차에 관련된 출력이 역방향으로 전파될 뿐, 학습이 완료되어 실제 응용할 때에는 입력이 순방향으로만 진행되면서 출력이 나오는 순방향 신경망 구조이다.
느려지는 현상이 나타난다. 이런 오류 역전파 알고리즘의 문제를 해결하기 위해 이 연구에서는 모멘텀(momentum) 오류 역전파 알고리즘을 사용하였다. 이 방법은 학습단계에서 연결 강도를 변화시킬 때 이전 학습단계의 연결강도 변화량을 보조적으로 활용하는 방법이다.
과정이 필요하다. 이를 위해 퍼지 순위 알고리즘(fuzzy ranking algorithm)을 이용한 퍼지 곡선 분석 (fuzzy curve anal{{= match }} ysis) 기법을 이용할 수 있다. 이 분석법을 이용하여 여러 물리검층 자료 중 코어분석 결과 얻어진 저류층 물성 정보(유체투과율, 공극률 등)와의 관련성 여부를 알아보는 방법을 제시하고자 한다.
공극률 및 유체투과율을 추정하고자 한다. 이를 위해서 모멘텀 오류 역전파 신경망 해석 기법을 활용하였다. 코어 공극률과 유체투과율을 목표 값으로 하여 선택된 물리검층 자료를 대상으로 신경망 학습과정을 거쳐 일정한 패턴을 얻고 이를 통해 물리검층 자료만을 이용하여 공극률과 유체투과율을 추정하였다.

성능/효과

8과 같다. 그림에서 볼 수 있듯이 코어 물성 값이 없는 구간에 대한 추정 값이 해석에 사용된 코어분석을 통해 얻어진 공극률 및 유체투과율 자료의 분포 형태를 잘 따르고 있으며, 큰 값과 작은 값에 대해서도 그 특성을 잘 반영하고 있음을 알 수 있다.
7이 다. 측정 된 값과 추정 된 값의 상관계수가 공극률의 경우 0.9934이고, 유체투과율의 경우 0.9930으로 거의 일치하는 것을 보여주고 있다. 신경망 기법을 이용해 물리검층 자료로부터 해석 대상 구간 전체에 대해 물리검층 자료만을 이용하여 공극률과 유체투과율을 추정한 결과는 Fig.

후속연구

있을 것으로 판단된다. 또한 이러한 해석 방법을 통해 국내저류층 평가 기술력 확보 및 기술용역 비용에 대한 수입대체효과 등을 거둘 수 있을 것이며, 이를 통해 국내 기술력에 의한 해외 석유/천연가스 개발 사업에 투자 성공률을 높일 수 있는 발판으로 삼을 수 있기를 바란다.
이러한 문제점들을 극복하기 위해 이 연구에서는 차세대 저류층 특성화 분야로 주목 받고 있는 퍼지 및 신경망 해석기법을 이용한 지능형 저류층 특성화(intelligent reservoir characteriza{{= match }} tion) 방법을 제시하고자 한다. 이러한 해석법은 저류층 분석 및 해석 시 주관적인 판단을 최소화하고 가능한 많은 자료들을 결합하여, 보다 신뢰성 있고 객관적인 해석 결과로부터 정확한 평가는 물론 개발 계획 수립에 있어 불확실성을 줄이는데 활용할 수 있다.
지능형 저류층 특성화 해석 기법은 국내외 석유/천연가스 개발사업에 있어 보다 신뢰성 있는 저류층 해석 결과를 제시할 수 있을 것으로 판단된다. 또한 이러한 해석 방법을 통해 국내저류층 평가 기술력 확보 및 기술용역 비용에 대한 수입대체효과 등을 거둘 수 있을 것이며, 이를 통해 국내 기술력에 의한 해외 석유/천연가스 개발 사업에 투자 성공률을 높일 수 있는 발판으로 삼을 수 있기를 바란다.
또한 이 방법을 이용하여 국내대륙붕 시추공 물리검층 자료와 코어분석 자료로부터 저류층 물성인 공극률과 유체투과율을 추정하여 신뢰성 있는 해석 결과를 얻을 수 있었다. 특히 이러한 해석 기법은 불균적인 저류층 해석 시 유용한 해석 도구로 활용될 수 있을 것이다.

참고문헌 (8)

Balan, B., Mohaghegh, S., and Ameri, S., 1995, State-Of-The-Art in permeability determination from well log data: Part 1-A comparative study, model development, SPE Eastern Regional Conference & Exhibition, Morgantown, West Virginia, 17-27 Sep
Lim, J.-S., 2003, Reservoir permeability determination using artificial neural network, Joumal of The Korean Society for Geosystem Engineering, 40, 232-238
Malki, H. A., Baldwin, J. L., and Kwari, M. A., 1996, Estimating permeability by use of neural networks in thinly bedded shaly gas sands, SPE Computer Application (April), 8, 58-62
Mohaghegh, S., 2000, Virtual-intelligence applications in petroleum engineering: Part I-artificial neural networks, Joumal of Petroleum Technology(Sep.), 52, 64-73
Tamhane, D., Wong, P. M., Aminzadeh, F., and Nikravesh, M., 2000, Soft computing for intelligent reservoir characterization, SPE Asia Pacific Conference on Integrated Modelling for Asset Management, Japan, 25-26 April
Wang, L., Wong, P. M., and Shibli, S. A. R., 1999, Modelling porosity distribution in the a'nan oilfield: Use of geological quantification, neural networks, and geostatitics, SPE Reservoir Evaluation and Engineering, 2, 527-532
Weiss, W. W., Weiss, J. W., and Weber, J., 2001, Data mining at a regulatory agency to forecast waterflood recovery, SPE Rocky Mountain Petroleum Technology Conference, Keystone, Colorado, 21-23 May
Wong, P. M., Henderson, D. J., and Brooks, L. J., 1997, Reservoir permeability determination from well log data using artificial neural networks: An example from the ravva field, offshore india, SPE Asia Pacific Oil and Gas Conference, Kuala Lumpur, Malaysia, 14-16 April

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증