저류층 내에 부존되어 있는 탄화수소의 매장량을 계산하기 위해서는 그 저류층의 공극률이 필요하다. 일반적으로 시추공 이외의 지역에 대한 공극률은 시추공에서 얻은 공극률 검층자료로부터 외삽하여 얻지만, 시추공을 포함한 지역에서 획득한 탄성파탐사 자료가 존재하는 경우 시추공 자료와 함께 탄성파 탐사 자료를 이용하여 시추공 이외의 지역에서 보다 정확한 유사 공극률을 추출해낼 수 있다. 이 연구에서는 다항식 신경망 기법을 이용하여 탄성파 탐사 자료와 공극률 검층 자료로부터 유사 공극률 검층 자료를 생성하는 모듈을 개발하였다. 먼저 탄성파 탐사 자료로부터 추출된 지하매질의 특성을 나타내는 탄성파 속성(seismic attribute)과 심도에 따른 시간의 자료로 변환된 공극률 검층 자료로부터 다항식 신경망 기법을 사용하여 상관계수를 추출하였고 이 계수를 이용하여 시추공이 없는 지역에서의 공극률 정보를 생성하였다. 한편, 개발된 모듈에서는 보다 정확한 공극률을 획득하기 위하여 각각의 탄성파 속성들과 공극률 검층 자료와의 상관성 분석을 통해 상관성이 높은 탄성파 속성들을 사용하였다. 개발된 다항식 신경망 모듈의 신뢰성, 활용성을 검증하기 위하여 개발된 모듈을 북해 F3 지역의 현장자료에 적용하고, 얻어진 결과를 상용 프로그램에서 사용되는 확률론적 신경망 기법을 통해 얻어진 결과와 비교하였다. 두 방법으로부터 얻은 결과들은 유사한 결과를 보였으며 이를 통해 개발된 모듈의 신뢰성을 입증할 수 있었다. 또한, 다항식 신경망 기법으로부터 얻어진 유사 공극률 검층 자료가 확률론적 신경망 기법을 통해 얻어진 결과보다 실제 값에 더 가깝다는 것을 보여주었다. 따라서 북해 F3 지역과 같이 시추공 자료가 부족한 지역에서는 다항식 신경망 기법이 효과적임을 알 수 있었다.
저류층 내에 부존되어 있는 탄화수소의 매장량을 계산하기 위해서는 그 저류층의 공극률이 필요하다. 일반적으로 시추공 이외의 지역에 대한 공극률은 시추공에서 얻은 공극률 검층자료로부터 외삽하여 얻지만, 시추공을 포함한 지역에서 획득한 탄성파탐사 자료가 존재하는 경우 시추공 자료와 함께 탄성파 탐사 자료를 이용하여 시추공 이외의 지역에서 보다 정확한 유사 공극률을 추출해낼 수 있다. 이 연구에서는 다항식 신경망 기법을 이용하여 탄성파 탐사 자료와 공극률 검층 자료로부터 유사 공극률 검층 자료를 생성하는 모듈을 개발하였다. 먼저 탄성파 탐사 자료로부터 추출된 지하매질의 특성을 나타내는 탄성파 속성(seismic attribute)과 심도에 따른 시간의 자료로 변환된 공극률 검층 자료로부터 다항식 신경망 기법을 사용하여 상관계수를 추출하였고 이 계수를 이용하여 시추공이 없는 지역에서의 공극률 정보를 생성하였다. 한편, 개발된 모듈에서는 보다 정확한 공극률을 획득하기 위하여 각각의 탄성파 속성들과 공극률 검층 자료와의 상관성 분석을 통해 상관성이 높은 탄성파 속성들을 사용하였다. 개발된 다항식 신경망 모듈의 신뢰성, 활용성을 검증하기 위하여 개발된 모듈을 북해 F3 지역의 현장자료에 적용하고, 얻어진 결과를 상용 프로그램에서 사용되는 확률론적 신경망 기법을 통해 얻어진 결과와 비교하였다. 두 방법으로부터 얻은 결과들은 유사한 결과를 보였으며 이를 통해 개발된 모듈의 신뢰성을 입증할 수 있었다. 또한, 다항식 신경망 기법으로부터 얻어진 유사 공극률 검층 자료가 확률론적 신경망 기법을 통해 얻어진 결과보다 실제 값에 더 가깝다는 것을 보여주었다. 따라서 북해 F3 지역과 같이 시추공 자료가 부족한 지역에서는 다항식 신경망 기법이 효과적임을 알 수 있었다.
In order to estimate the hydrocarbon reserves, the porosity of the reservoir must be determined. The porosity of the area without a well is generally calculated by extrapolating the porosity logs measured at wells. However, if not only well logs but also seismic data exist on the same site, the more...
In order to estimate the hydrocarbon reserves, the porosity of the reservoir must be determined. The porosity of the area without a well is generally calculated by extrapolating the porosity logs measured at wells. However, if not only well logs but also seismic data exist on the same site, the more accurate pseudo porosity log can be obtained through artificial neural network technique by extracting the relations between the seismic data and well logs at the site. In this study, we have developed a module which creates pseudo porosity logs by using the polynomial neural network method. In order to obtain more accurate pseudo porosity logs, we selected the seismic attributes which have high correlation values in the correlation analysis between the seismic attributes and the porosity logs. Through the training procedure between selected seismic attributes and well logs, our module produces the correlation weights which can be used to generate the pseudo porosity log in the well free area. To verify the reliability and the applicability of the developed module, we have applied the module to the field data acquired from F3 Block in the North Sea and compared the results to those from the probabilistic neural network method in a commercial program. We could confirm the reliability of our module because both results showed similar trend. Moreover, since the pseudo porosity logs from polynomial neural network method are closer to the true porosity logs at the wells than those from probabilistic method, we concluded that the polynomial neural network method is effective for the data sets with insufficient wells such as F3 Block in the North Sea.
In order to estimate the hydrocarbon reserves, the porosity of the reservoir must be determined. The porosity of the area without a well is generally calculated by extrapolating the porosity logs measured at wells. However, if not only well logs but also seismic data exist on the same site, the more accurate pseudo porosity log can be obtained through artificial neural network technique by extracting the relations between the seismic data and well logs at the site. In this study, we have developed a module which creates pseudo porosity logs by using the polynomial neural network method. In order to obtain more accurate pseudo porosity logs, we selected the seismic attributes which have high correlation values in the correlation analysis between the seismic attributes and the porosity logs. Through the training procedure between selected seismic attributes and well logs, our module produces the correlation weights which can be used to generate the pseudo porosity log in the well free area. To verify the reliability and the applicability of the developed module, we have applied the module to the field data acquired from F3 Block in the North Sea and compared the results to those from the probabilistic neural network method in a commercial program. We could confirm the reliability of our module because both results showed similar trend. Moreover, since the pseudo porosity logs from polynomial neural network method are closer to the true porosity logs at the wells than those from probabilistic method, we concluded that the polynomial neural network method is effective for the data sets with insufficient wells such as F3 Block in the North Sea.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이 연구에서는 탄성파 탐사 자료로부터 다항식 신경망 기법을 이용하여 유사 공극률 검층 값을 생성 하는 모듈을 개발하였다.
제안 방법
[단계 2] 각각의 탄성파 속성과 공극률 검층 자료의 상관성 분석을 수행한다. 이를 통하여 공극률 검층자료와 높은 상관성을 보이는 탄성파 속성을 선정 하여 사용할 개수를 설정한다.
따라서 이를 입증하기 위하여 본 연구에서는 기발된 다항식 신경망 모듈을 시추공의 개수가 적은 북해 Block F3 지역의 현장자료에 적용하였다. 그리고 최종적으로 얻어진 유사 공극률 검층 값을 상용 프로그램을 통하여 생성된 유사 공극률 검층 값과 비교해 보았다.
다음으로 계산된 밀도공극률 검층 값을 체크샷 자료를 이용하여 탄성파 탐사 자료와 비교할 수 있도록 심도를 시간 값으로 자료를 변환하였다. 한편, 탄성파 탐사 자료로부터 탄성파 속성들을 추출한 뒤 밀도공극률과의 상관성 분석을 수행하여 가장 높은 상관성을 보이는 음향임피던스(acoustic impedance), instantaneous envelope weighted phase, Ln(Energy), sqrt(Energy), 순간진폭(instantaneous amplitude), 순간 위상(instantaneous phase) 6개의 탄성파 속성을 선정하였다.
이 연구에서는 탄성파 탐사 자료로부터 추출된 탄성파 속성과 밀도공극률 검층 자료와의 상관성을 구하고, 이로부터 다항식 신경망 기법을 이용하여 유사 공극률 검층자료를 생성하는 모듈을 개발하였다. 또한, 개발된 모듈을 북해 광구의 현장자료에 적용하여 모듈의 정확성과 활용성을 검증하였다.
북해 지역에서 획득된 현장자료에 본 연구에서 개발된 다항식 신경망 기법 모듈을 적용한 후 공극률을 산출하기 위하여 먼저 F02-1, F03-2 시추공들에서 획득한 밀도 검층 값들로부터 다음의 식을 이용하여 밀도공극률 검층 값을 계산하였다.
유사 밀도공극률 검층 자료를 생성하기 위해서 전체 탄성파 탐사 자료에서 지층의 연속성을 잘 나타내고 있는 216-1200 ms 구간만을 사용하여 다항식 신경망 기법을 적용하였다. Fig.
이 연구에서는 탄성파 탐사 자료로부터 추출된 탄성파 속성과 밀도공극률 검층 자료와의 상관성을 구하고, 이로부터 다항식 신경망 기법을 이용하여 유사 공극률 검층자료를 생성하는 모듈을 개발하였다. 또한, 개발된 모듈을 북해 광구의 현장자료에 적용하여 모듈의 정확성과 활용성을 검증하였다.
앞서 기술한 대로 F06-1 공의 밀도공극률 검층 값은 F02-1 과 F03-2 공들에서의 음파검층과 자연감마선검층, 그리고 밀도검층 값으로부터 인공신경망 기법을 통해 계산된 정보이다. 이렇게 기존의 검층자료 들을 사용하여 인공신경망 기법을 통해 계산된 F06-1 공의 밀도공극률 검층 값과 F02-1, F03-2 두 공의 탄성파 속성들을 훈련자료로 사용하여 개발된 다항식 신경망 모듈을 통해 계산된 F06-1 공의 유사 밀도공극률 검층자료를 비교하여 보았다.
두 결과는 서로 유사하지만 다항식 신경망 기법의 결과가 확률론적 신경망 기법에 비해서 실제 값에 더 가까운 것을 알수 있었다. 이를 조금 더 자세히 살펴보기 위해 Fig. 9에 시추공 F02-1과 F03-2의 위치에서 다항식 신경망 기법과 확률론적 신경망 기법에 의해 구해진 공극률을 시추공 자료들과 함께 도시하였다. 두 결과 모두 실제 검층 값의 경향과 유사한 경향을 보여주지만 다항식 신경망 기법의 경우 실제 값에 더 가까운 값을 보여주고 있다.
[단계 2] 각각의 탄성파 속성과 공극률 검층 자료의 상관성 분석을 수행한다. 이를 통하여 공극률 검층자료와 높은 상관성을 보이는 탄성파 속성을 선정 하여 사용할 개수를 설정한다.
다음으로 계산된 밀도공극률 검층 값을 체크샷 자료를 이용하여 탄성파 탐사 자료와 비교할 수 있도록 심도를 시간 값으로 자료를 변환하였다. 한편, 탄성파 탐사 자료로부터 탄성파 속성들을 추출한 뒤 밀도공극률과의 상관성 분석을 수행하여 가장 높은 상관성을 보이는 음향임피던스(acoustic impedance), instantaneous envelope weighted phase, Ln(Energy), sqrt(Energy), 순간진폭(instantaneous amplitude), 순간 위상(instantaneous phase) 6개의 탄성파 속성을 선정하였다. 선정된 탄성파 속성 값들과 밀도공극률 검층과의 상관성을 분석한 결과가 Table 3에 나타나있다.
대상 데이터
개발된 모듈의 검증을 위하여 북해 현장자료에 적용하여 유사 공극률 검층 값을 획득하였다. 시추공 위치에서 실제 얻은 밀도공극률 검층과 획득한 유사 공극률 검층을 비교한 결과 유사공극률 검층은 실제 값과 매우 근접한 결과를 보였고, 유사한 변화양상을 나타내었다.
앞에서 기술한 바와 같이 다항식 신경망 기법의 장점은 비교적 적은 자료(학습에 사용되는 시추공의 개수가 적은 경우)로도 복잡하고 비선형성이 강한 문제에 효율적인 학습과 모델 추정이 가능하다는 것이다. 따라서 이를 입증하기 위하여 본 연구에서는 기발된 다항식 신경망 모듈을 시추공의 개수가 적은 북해 Block F3 지역의 현장자료에 적용하였다. 그리고 최종적으로 얻어진 유사 공극률 검층 값을 상용 프로그램을 통하여 생성된 유사 공극률 검층 값과 비교해 보았다.
데이터처리
마지막으로 본 연구에서 개발된 다항식 신경망 기법을 통해 얻어진 3D 공극률 큐브의 결과를 상용프로그램(Hampson & Russell, CGGVeritas)을 통해 얻어진 결과와 비교하여 보았다.
이론/모형
5. 3D porosity fence diagram constructed by using polynomial neural network method from seismic attributes.
성능/효과
확률론적 신경망 기법을 이용하는 상용프로그램과 다항식 신경망 기법의 결과를 비교하였을 때, 다항식 신경망 기법의 결과가 실제 공극률 검층 값을 보다 더 잘 반영하고 있는 것을 확인하였다. 그리고 그 결과를 비교해봄으로써 북해 현장자료와 같이 시추공의 개수가 적을 경우에는 다항식 신경망 기법이 확률론적 신경망 기법에 비해 효과적임을 추정할 수 있었다. 따라서 개발된 모듈의 더 확실한 검증을 위하여 향후 지속적인 연구가 뒤따라야할 것으로 사료된다.
8은 다항식 신경망 기법을 적용하여 얻은 결과와 상용프로그램으로 얻은 결과 중 F03-2를 포함한 단면도를 각각 보여주고 있다. 두 결과는 서로 유사하지만 다항식 신경망 기법의 결과가 확률론적 신경망 기법에 비해서 실제 값에 더 가까운 것을 알수 있었다. 이를 조금 더 자세히 살펴보기 위해 Fig.
탄성파 속성들 중 음향임피던스 값과 밀도공극률 검층 값과의 상관성이 매우 높게 나타나는 것을 알 수 있는데, 그 이유는 음향임피던스가 밀도와 속도의 곱으로 표현되기 때문이다. 따라서, 밀도를 통해 계산된 밀도공극률 검층 값과 음향임피던스는 높은 음의 상관성을 가진다는 사실을 알 수 있다.
시추공 위치에서 실제 얻은 밀도공극률 검층과 획득한 유사 공극률 검층을 비교한 결과 유사공극률 검층은 실제 값과 매우 근접한 결과를 보였고, 유사한 변화양상을 나타내었다. 또한, 다른 시추공들에서 얻은 검층값들을 이용하여 얻은 유사공극률 검층 값과 탄성파 탐사 자료의 탄성파 속성 값들로부터 추출한 유사공극률 검층 값들은 매우 유사한 결과를 얻었다.
개발된 모듈의 검증을 위하여 북해 현장자료에 적용하여 유사 공극률 검층 값을 획득하였다. 시추공 위치에서 실제 얻은 밀도공극률 검층과 획득한 유사 공극률 검층을 비교한 결과 유사공극률 검층은 실제 값과 매우 근접한 결과를 보였고, 유사한 변화양상을 나타내었다. 또한, 다른 시추공들에서 얻은 검층값들을 이용하여 얻은 유사공극률 검층 값과 탄성파 탐사 자료의 탄성파 속성 값들로부터 추출한 유사공극률 검층 값들은 매우 유사한 결과를 얻었다.
7은 F06-1 공 위치에서 각각의 방법으로 얻은 유사 밀도공극률 검층 값을 비교한 그림이다. 이 두 그래프를 비교해본 결과, RMS 오차가 0.049로써 두 방법으로 나온 결과가 매우 유사하다는 것을 확인하였다. 이와 같이 다른 시추공 검층 자료들에 의해 얻어진 유사 밀도공극률 자료와 탄성파 속성들을 이용해 얻은 유사 밀도공극률 검층 자료가 유사한 결과를 보이는 결과를 바탕으로 개발된 다항식 신경망 모듈을 이용하면 시추공 자료가 없는 지역에서도 탄성파 속성들을 이용하여 유사 밀도공극률 자료를 얻을 수 있음을 확인할 수 있다.
049로써 두 방법으로 나온 결과가 매우 유사하다는 것을 확인하였다. 이와 같이 다른 시추공 검층 자료들에 의해 얻어진 유사 밀도공극률 자료와 탄성파 속성들을 이용해 얻은 유사 밀도공극률 검층 자료가 유사한 결과를 보이는 결과를 바탕으로 개발된 다항식 신경망 모듈을 이용하면 시추공 자료가 없는 지역에서도 탄성파 속성들을 이용하여 유사 밀도공극률 자료를 얻을 수 있음을 확인할 수 있다.
두 결과 모두 실제 검층 값의 경향과 유사한 경향을 보여주지만 다항식 신경망 기법의 경우 실제 값에 더 가까운 값을 보여주고 있다. 특히, F02-1 공의 결과에 점선으로 표시한 부분에서 다항식 신경망 기법으로 얻은 결과가 밀도공극률 검층 값을 더 잘 반영하고 있는 것을 확인하였다.
확률론적 신경망 기법을 이용하는 상용프로그램과 다항식 신경망 기법의 결과를 비교하였을 때, 다항식 신경망 기법의 결과가 실제 공극률 검층 값을 보다 더 잘 반영하고 있는 것을 확인하였다. 그리고 그 결과를 비교해봄으로써 북해 현장자료와 같이 시추공의 개수가 적을 경우에는 다항식 신경망 기법이 확률론적 신경망 기법에 비해 효과적임을 추정할 수 있었다.
후속연구
그리고 그 결과를 비교해봄으로써 북해 현장자료와 같이 시추공의 개수가 적을 경우에는 다항식 신경망 기법이 확률론적 신경망 기법에 비해 효과적임을 추정할 수 있었다. 따라서 개발된 모듈의 더 확실한 검증을 위하여 향후 지속적인 연구가 뒤따라야할 것으로 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
인공신경망 방법이란 무엇인가?
인공신경망 방법은 우선 물리검층 자료를 심도에 따른 시간의 자료로 변환하고, 변환된 물리검층 자료와 탄성파 탐사 자료로부터 추출된 탄성파 속성(seismic attributes) 값의 관계들로부터 계수들을 계산한 후 이를 다시 탄성파 탐사 자료에 적용하여 유사 저류층 물성정보 값을 얻어내는 기법이다.
저류층 물성 정보를 획득할 때, 코어분석이나 검층을 통해 계산을 할 경우, 다른 위치에서 정보를 얻기 위해서는 추가 시추가 필요한데 어떤 방법이 필요한가?
저류층 물성 정보를 획득하기 위해서는 코어분석이나 검층을 통해 계산하는 것이 가장 정확하지만, 이 경우 시추공 위치나 그 주변에 대한 정보만을 알 수 있으므로 다른 위치에서의 정보를 얻기 위해서는 추가 시추를 통해 확인해야 한다는 비경제적인 단점이 있다. 따라서 시추공이 없는 지역의 저류층 물성정보를 추출하는 방법이 필요한데, 이 때 시추공 자료로부터의 단순한 외삽보다는 탄성파 탐사 자료가 있을 경우 이로부터 시추공 물리검층 자료와 비교할 만한 매질의 물성정보를 추출하는 것이 효과적이다.
저류층 물성 정보를 획득할 때, 코어분석이나 검층을 통해 계산하는 것의 단점은 무엇인가?
저류층의 물성정보를 획득하는 작업은 석유·천연가스의 매장량 평가를 위해 필수적이다. 저류층 물성 정보를 획득하기 위해서는 코어분석이나 검층을 통해 계산하는 것이 가장 정확하지만, 이 경우 시추공 위치나 그 주변에 대한 정보만을 알 수 있으므로 다른 위치에서의 정보를 얻기 위해서는 추가 시추를 통해 확인해야 한다는 비경제적인 단점이 있다. 따라서 시추공이 없는 지역의 저류층 물성정보를 추출하는 방법이 필요한데, 이 때 시추공 자료로부터의 단순한 외삽보다는 탄성파 탐사 자료가 있을 경우 이로부터 시추공 물리검층 자료와 비교할 만한 매질의 물성정보를 추출하는 것이 효과적이다.
Hampson, D., Schuelke. J., and Quirein, J., 2001, Use of multiattribute transforms to predict log properties from seismic data. Geophysics, 66, 220-236.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.