물리검층 자료의 딥러닝 기반 해석을 통한 저류층 인자의 고해상도 평가 :High-resolution estimation of reservoir parameters with the deeplearning-based interpretation of well logging data

박가영

추천

검색

자료유형: 학위논문

저자정보: 박가영 (이화여자대학교, 이화여자대학교 대학원)

지도교수: 민배현

발행연도: 2021

저작권: 이화여자대학교 논문은 저작권에 의해 보호받습니다.

이용수2

이 논문의 연구 히스토리 (2)

2022

[연구논문] 딥러닝 알고리듬을 활용한 고해상도 물리검층 자료의 생성 연구

박가영 , 권서윤 , 지민수 외 4명 한국자원공학회지 2022.10 학술저널

2021

물리검층 자료의 딥러닝 기반 해석을 통한 저류층 인자의 고해상도 평가

박가영 기후·에너지시스템공학과 2021.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 연구는 신뢰도 높은 유?가스 저류층 모델링을 위하여 물리검층 자료로부터 암석 코어자료의 고해상도로 저류층 인자를 추정할 수 있는 딥러닝 기반 방법을 제안한다. 공극률, 수포화도 등 저류층 인자 해석의 근간이 되는 물리검층 자료와 코어자료는 자료의 양, 품질, 해상도 측면에서 서로 다른 특성을 보여 자료 통합해석시 어려움을 겪는다. 이는 시추공을 따라 균일한 간격으로 측정하는 물리검층 자료에 비하여 관심 영역에서만 획득하는 코어자료의 편재성 뿐만 아니라 코어자료 대비 물리검층 자료의 해상도가 낮기 때문이다. 이로 인해 물리검층 자료와 코어자료의 심도 보정 등을 통해 저류층 인자를 추정하여 온 대부분의 선행연구들에서 두 자료의 해상도를 일치하여 저류층을 해석한 연구는 찾기 어렵다.
본 연구는 딥러닝을 활용하여 원시 해상도의 물리검층 자료로부터 고해상도의 물리검층 기반 저류층 인자를 출력한 후, 원시 해상도의 물리검층 출력자료와 일부 구간에서 획득한 고해상도 코어자료에 함께 매칭함으로써 저류층 인자를 고해상도로 추정하는 방법을 개발하였다. 제안한 방법의 성능은 2가지 사례에 적용하여 검증을 수행한다. 사례 연구 1에서는 3가지 유형의 딥러닝 모델(심층신경망, 합성곱신경망, 장단기메모리)을 적용하여 노르웨이 Volve 유전에서 확보한 물리검층 자료로부터 부재한 음파 검층 자료를 고해상도로 추정한다. 전반적으로 각 딥러닝 알고리듬의 성능이 우수하며 장단기메모리의 예측 성능이 가장 우수하게 나타났다. 이를 통해 제안한 고해상도 모델의 타당성을 확인하였다. 사례 연구 2에서는 심층신경망을 적용하여 동해 울릉분지 가스하이드레이트 부존층에서 확보한 물리검층 자료와 코어자료로부터 공극률을 고해상도로 추정한다. 서로 다른 해상도를 가진 두 자료를 통합하기 위해 물리검층 자료로부터 경험식에 의한 고해상도 공극률을 추정하도록 1차 학습을 진행한 후 코어 공극률을 고려하여 추정 결과를 보정하도록 2차 학습을 이어서 진행한다. 제안한 딥러닝 방법으로 구한 고해상도 공극률의 경향은 경험식으로 구한 공극률 경향과 전반적으로 일치하는 동시에 경험식 기반 공극률 대비 코어 공극률과의 매칭률을 개선하였다. 이상의 연구 결과, 자료의 획득구간과 해상도가 상이한 물리검층 자료와 코어자료를 동일한 고해상도에서 통합하여 저류층 인자를 추정할 수 있다는 측면에서 본 연구 모델의 우수성을 확인하였다. 제안한 방법론은 향후 박층 유?가스전, 박층 가스하이드레이트 부존층 등 얇은 지층들의 저류층 인자 추정에 유용하게 활용할 수 있는 의의가 있다.

Integration of well-logging and core data is essential for reservoir characterization but challenging due to their differences in data quantity, quality, and resolution. Previous approaches have been using borehole data to generate synthetic logs or estimate reservoir properties such as porosity; however, there remains resolution disparity. For a direct comparison of well-logging-based reservoir parameters with core-based reservoir parameters and their integration, this study proposes a deep-learning-based method that generates synthetic high-resolution reservoir parameters using well logging and core data as inputs and outputs of a deep learning algorithm. The reliability of the proposed method is tested with applications to two field cases: the Volve oil field in Norway (Case 1) and the Ulleung basin gas-hydrate-bearing sediments in the Republic of Korea (Case 2). For Case 1, three deep learning algorithms (i.e., deep neural network, convolutional neural network, and long short-term memory) are employed to generate high-resolution sonic log from three types of well logging data types (i.e., neutron porosity log, density log, and gamma-ray log). The overall performance of each algorithm is acceptable, and the long short-term memory achieves the best performance among the three deep learning algorithms. For Case 2, this study designs a deep neural network that inputs the four well logging data (i.e., neutron porosity log, density log, gamma-ray log, and sonic log) and outputs high-resolution porosity data for matching both logging-based in-situ porosity and core porosity having different resolutions. For integrating well logging and core data efficiently, training of the deep neural network is performed through two stages. The primary training is conducted by estimating high-resolution porosity using well-logging data as inputs and porosity calculated using the empirical formula of Lee and Collett as outputs of the neural network. The learned model is re-trained by correcting the estimates against core porosity. As a result, the corrected porosity is in a better agreement with core porosity than the empirical porosity, while the overall trend of the correct porosity still coincides with that of the empirical porosity. The results of the two case studies highlight the significance of the proposed model as a practical tool to generate well-logging-based reservoir parameters having the same resolution as core-based parameters. Especially, this advanced approach is expected to be useful for characterizing a complex reservoir such as geological formations embedded with thin shale layers and gas-hydrate-bearing sediments with gas chimneys.

Ⅰ. 서론 1
Ⅱ. 선행연구 고찰 3
Ⅲ. 이론적 배경 8
A. 코어 및 물리검층 자료의 특징 8
B. 기계학습과 신경망 11
Ⅳ. 연구방법 23
Ⅴ. 연구결과 및 토의 40
A. 사례 연구 1: 노르웨이 Volve 유전 40
B.사례 연구 2: 동해 울릉분지 가스하이드레이트 부존층 61
Ⅵ. 결론 98
참고문헌 101
ABSTRACT 106

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)