인공지능 기반 시추공 물리검층 자료의 예측 모델 연구

Abstract

시추공의 물리검층 데이터는 석유가스의 원시부존량 및 해당 지역의 유정에 대한 안정성, 지구물리학적 특성을 파악하는데 있어서 중요한 역할을 하고 있다. 그 중 음파 검층(sonic log)은 밀도 검층(density log) 및 중성자 검층(neutron log)과 더불어 공극률을 구하는데 주로 이용되며, 지층의 불연속적인 암상이나 구조를 확인하기 위해 사용되기도 한다. 그러나 비용과 같은 경제적인 문제나 장비의 결함, 기록이나 송수신 단계에서의 손실, 공저에서 발생하는 문제 등과 같은 이유로 음파 검층을 온전히 획득하기 어려운 경우가 빈번하게 발생하였다. 이러한 문제를 해결하기 위해 경험식(empirical correlation)을 이용하여 음파 검층을 예측하는 연구를 시도하였다. 그러나 경험식을 이용한 방법은 특정한 암상 및 지리적 영역에 따라 정확도가 달라진다는 점에서 적용의 한계가 발생하였다. 최근에는 머신러닝과 딥러닝(deep learning) 기법을 이용하여 다양한 시도가 이루어져왔다. 머신러닝 중 랜덤 포레스트는 다수의 결정 트리들을 학습하는 앙상블 방법으로 의사결정나무의 심화된 기법이다. 의사결정나무는 데이터에 대한 설명력이 높다는 장점이 있으며 예측 능력이 높지 않은 문제점과 과적합으로 인하여 정확도가 떨어지는 단점이 있다. 랜덤 포레스트는 이와 같은 단점을 보완한 모형으로 배깅을 통해 임의로 원본 데이터와 동일한 크기의 자료들을 추출 및 생성하여 이를 기반으로 의사결정나무들을 각각 구성한다. 이후 무작위로 선택된 변수들로 구성된 여러 의사결정나무 모형을 통한 관측치를 다수결이나 평균값으로 결합하여 최종적으로 예측하는 방식이다. 랜덤 포레스트는 분류, 회귀 등 다양한 문제에 활용되고 있다. 이 연구에서는 공공에 제공된 Volve 유전 데이터의 물리검층 자료를 학습한 후 인접 시추공의 미측정된 음파 검층에 대한 예측 연구를 수행하였다. 모델 구축에는 의사결정나무(decision tree)의 앙상블(ensemble)을 통해 좋은 성능을 보여주는 랜덤 포레스트 기법을 적용하였다. 모델에 학습시킬 입력 변수는 상관관계 분석을 통하여 선정하였으며, 물리검층 예측에 대한 신뢰도를 평가하기 위해 SVDD(support vector data description)를 이용하여 예측 신뢰도에 따른 영역을 구분하여 시각화시켰다. 그 결과 이 연구에서 제시한 방법론은 미측정 검층 자료를 예측할 때 예측 결과의 신뢰도를 분석할 수 있어 높은 신뢰도를 나타내는 구간을 확인하는 방법으로 유용한 것이 확인되었다.|Well log analysis data plays an important role in determining the reserves estimation of oil and gas, geophysical characteristics of reservoir, and wellbore stability. Sonic log is used to obtain the porosity along with the density and neutron log, and is also used to confirm the discontinuous rock formations or structures of the strata. However, there were frequent cases in which it was difficult to fully acquire the sonic log due to economic problems such as cost, defects in equipment, loss in the recording or transmission/reception stage, and wellbore problems. To solve this problem, studies were attempted to predict the sound wave detection using empirical correlation. However, the method using the empirical formula has limitations in its application in that the accuracy varies depending on a specific rock formation and geographic area.

Recently, various attempts have been made using machine learning and deep learning techniques. Among machine learning, random forest is an ensemble method that learns from multiple decision trees as an advanced technique of the decision trees. Decision trees have the advantage of having high explanatory power for the data, while have some problems of not having high predictive ability and poor accuracy due to overfitting. Random forest is a model that compensates for these shortcomings. Through bagging, data of the same size as the original data are arbitrarily extracted and generated, and decision trees are constructed based on this. It is a method to make a final prediction by combining observations through multiple decision tree models composed of randomly selected variables with a majority vote or average value. Random forests are being used for various problems such as classification and regression.

In this study, a predictive study was performed on the unmeasured sonic log of adjacent boreholes using well log data from Volve oil field provided to the public, The random forest model, which shows good performance through an ensemble of decision trees, was applied to model construction. The input variables to be trained in the model were selected through correlation analysis, and to evaluate the reliability of the well log prediction, SVDD (support vector data description) was used to classify and visualize the areas in terms of the prediction reliability. As a result, the methodology presented in this study was confirmed that it was highly useful as a method to identify high-reliability zones in well log prediction.