KR101867475B1 - 딥러닝을 이용한 저류층 불확실성 평가 방법 - Google Patents
딥러닝을 이용한 저류층 불확실성 평가 방법 Download PDFInfo
- Publication number
- KR101867475B1 KR101867475B1 KR1020170146164A KR20170146164A KR101867475B1 KR 101867475 B1 KR101867475 B1 KR 101867475B1 KR 1020170146164 A KR1020170146164 A KR 1020170146164A KR 20170146164 A KR20170146164 A KR 20170146164A KR 101867475 B1 KR101867475 B1 KR 101867475B1
- Authority
- KR
- South Korea
- Prior art keywords
- models
- model
- reservoir
- representative
- dynamic data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013135 deep learning Methods 0.000 title abstract description 11
- 238000011002 quantification Methods 0.000 title 1
- 238000004088 simulation Methods 0.000 claims abstract description 53
- 230000003068 static effect Effects 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000003860 storage Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G06F17/5009—
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/66—Subsurface modeling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geology (AREA)
- Geophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 정적자료(static data)로부터 생성된 수많은 저류층모델을 딥러닝기법으로 모델의 특징(feature)을 추출하고 이를 기반으로 유사한 저류층모델을 클러스터링하고 대표모델을 선정하여 적은 수의 모델로 전체 저류층모델의 불확실성 범위를 유지할 수 있으며, 또한 동적자료(dynamic data) 확보 시, 상기 클러스터별 대표모델의 예측된 동적자료와 관측된 동적자료를 비교하여 최적대표모델을 선정하고 이와 유사도가 높은 최종모델을 선정하여 불확실성 범위를 개선시키는 딥러닝을 이용한 저류층 불확실성 평가 방법에 관한 것으로서 정적자료를 준비하는 단계; 지구통계기법으로 상기 정적자료를 활용한 다수의 저류층모델을 생성하는 단계; 오토인코더로 상기 다수의 저류층모델을 학습하는 학습단계; 상기 학습된 오토인코더로 저류층모델의 특징벡터를 추출하는 인코딩 단계; 상기 추출된 특징벡터에 따라 저류층모델의 유사성(거리)을 평가하는 단계; 상기 유사성에 따라 클러스터링기법으로 유사한 모델을 군집화시키는 군집화 단계; 상기 군집화된 클러스터별로 대표모델을 선정하는 대표모델 선정 단계; 상기 대표모델들에 대하여 저류층 시뮬레이션하는 제1 시뮬레이션 단계; 저류층으로부터 관측된 동적자료가 있는 지의 여부를 판단하는 판단단계; 상기 판단단계에서의 판단결과 관측된 동적자료가 없는 경우에는 상기 제1 시뮬레이션 단계에서의 시뮬레이션 결과를 이용하여 불확실성을 평가하는 단계; 및 상기 판단단계에서의 판단결과 관측된 동적자료가 있는 경우, 상기 동적자료를 이용하여 최적대표모델 및 최종모델을 선정하고 불확실성을 평가하는 단계; 및 상기 대표모델들 또는 최종모델들을 이용하여 역산알고리즘을 수행하는 역산단계;를 포함하여 구성되어 딥러닝 기반 클러스터링을 통해 적은 연산량으로 신뢰성 있게 저류층의 불확실성을 평가할 수 있는 효과가 있다.
Description
본 발명은 딥러닝(deep learning)을 이용하여 저류층의 불확실성을 평가하는 방법에 관한 것으로서, 더욱 상세하게는 정적자료(static data)로부터 생성된 수많은 저류층모델을 딥러닝기법으로 모델의 특징(feature)을 추출하고 이를 기반으로 유사한 저류층모델을 클러스터링하고 대표모델을 선정하여 적은 수의 모델로 전체 저류층모델의 불확실성 범위를 유지할 수 있으며, 또한 동적자료(dynamic data) 확보 시, 상기 클러스터별 대표모델의 예측된 동적자료와 관측된 동적자료를 비교하여 최적대표모델을 선정하고 이와 유사도가 높은 최종모델을 선정하여 불확실성 범위를 개선시키는 딥러닝을 이용한 저류층 불확실성 평가 방법에 관한 것이다.
지하에 존재하는 저류층을 파악하기 위해 활용될 수 있는 자료는 크게 정적자료와 동적자료가 있다. 정적자료는 지구통계기법(geostatistics)을 통해 초기 저류층모델을 생성하는 데 활용되며, 동적자료는 역산알고리즘(inverse algorithm)을 통해 상기 저류층모델을 개선하는 데 사용된다.
일반적으로 지구통계기법은 지질, 환경, 기상학 등 다양한 분야에서 사용하는 방법이다. 지구통계기법은 알려진 정적자료를 이용하여 미지의 지점에 관심있는 인자값을 평가하는 기법이다. 예컨대, 지구통계기법은 시간과 비용의 문제로 지반 정보의 획득에 제한성이 있는 경우 제한된 지반 정보를 최대한 이용하여 지반 조사가 이루어지지 못한 구간의 자료를 예측하고 분석하여 구조물의 계획, 시추 계획, 공사 계획, 환경 계획 또는 기상 예측 등의 설계에 핵심적 기술로 사용될 수 있다.
현재의 지구통계기법을 수행하기 위해서는 정적자료가 필요하며, 정적자료에는 1차자료(primary or hard data) 및 2차자료(secondary 또는 soft data) 등이 있다. 지구통계기법의 불확실성을 줄이기 위해서는 신뢰할 수 있는 2차자료가 필요하지만, 이를 획득하기 위해서는 별도의 실험이나 탐사절차가 필요할 수 있다. 이 경우 2차자료를 얻기 위해서는 시간과 비용이 발생한다는 문제점이 있다.
이와 같은 정보들을 바탕으로 지구통계기법을 이용하여 등가의 확률을 가지는 다수의 저류층모델을 만들 수 있다. 정적자료는 동일하지만 제한된 자료로 인한 불확실성으로 서로 매우 다른 모델이 생성된다. 이처럼 지하 저류층을 모사하는 것은 큰 불확실성을 동반하며, 저류층모델의 생산시뮬레이션 결과도 매우 상이하다. 만약 지구통계기법으로 수백 개의 저류층모델을 생성했다면 각 모델을 모두 시뮬레이션하여 생산량의 범위를 파악하고 이를 통해 불확실성을 정량화 할 수 있다. 하지만 이 경우 소요되는 시간이 매우 길며, 불확실성의 범위가 매우 넓어 유의미한 자료로 보기 어렵다.
만약 실제 생산이 진행되는 경우, 동적자료 확보로 역산기법을 통해 저류층모델을 개선하여 불확실성 범위도 줄이게 된다. 동적자료는 지구통계기법에 사용되는 자료가 아니며 지구통계기법의 결과물인 저류층모델을 초기자료로 활용하여 역산을 통해 모델을 개선하는 데 사용된다. 하지만 불확실성이 큰 초기 저류층모델은 역산 신뢰도를 낮추고 많은 수의 모델로 인해 역산시간도 급격히 증가한다. 또한 지구통계기법에서 사용된 정적자료를 보존하지 못하는 한계가 있다.
이와 같은 문제점을 해결하기 위하여 한국 등록특허공보 제10-1625660호에 개시된 발명(발명의 명칭 : 지구통계기법에서의 관측자료를 이용한 2차자료 생성 방법, 이하 인용발명)에서는 역산기법 대신 생산자료 기반의 가상정적자료(pseudo-static data)를 생성하여 지구통계기법을 재수행하는 기술이 제안되었다.
인용발명에서는 거리기반 클러스터링 기법을 통해 유사한 저류층모델을 동일 그룹으로 분류하고 그룹별 대표모델 하나만 생산시뮬레이션하여 관측된 동적자료와 비교 후, 오차가 최소인 최적대표모델 및 그 주변모델을 선정해 이들로 2차자료를 생성하였다. 따라서 적은 수의 시뮬레이션으로 정적 및 동적 자료를 통합하고 불확실성을 개선하며 최종모델이 정적자료를 보존하는 효과가 있다.
인용발명은 저류층모델간 비유사성의 척도인 거리(distance)의 기준을 하우스도프(Hausdorff)로 정의하여 0과 1로 표현되는 모델에만 적용에 제한된다는 문제점이 있다. 또한 저류층모델 전체격자를 사용하여 격자수가 많은 경우, 하우스도프 거리계산비용이 커지는 문제점이 있다.
이를 개선하기 위하여 딥러닝알고리즘 중 하나인 오토인코더(auto-encoder, AE)를 거리기준으로 사용하여 저류층모델을 클러스터링하였다. 이를 통해 적은 수의 저류층 시뮬레이션으로 전체모델의 불확실성 평가가 가능하고, 동적자료 확보 시, 오차가 적은 최종모델을 선정해 불확실성 범위를 줄이고 역산기법의 초기모델로 활용가능한 장점이 있다.
따라서 본 발명은 전술한 종래기술의 문제점을 해결하기 위한 것으로서, 본 발명의 목적은 저류층모델의 유사성을 측정하는 거리기준을 딥러닝기법으로 추출한 특징(feature)으로 정의하여 보다 효율적이고 신뢰도 높게 유사한 저류층모델을 클러스터링하며, 이를 통해 클러스터별 대표모델을 선정하여 적은 수의 모델로 전체 저류층모델의 불확실성 범위를 유지할 수 있는 딥러닝을 이용한 저류층 불확실성 평가 방법을 제공하기 위한 것이다.
또한, 본 발명의 다른 목적은 동적자료가 있는 경우, 상기 클러스터별 대표모델의 예측된 동적자료와 관측된 동적자료를 비교하여 최적대표모델을 선정하고 이와 유사도가 높은 최종모델을 선정하여 불확실성 범위를 개선시키는 딥러닝을 이용한 저류층 불확실성 평가 방법을 제공하기 위한 것이다.
상술한 목적을 달성하기 위한 딥러닝을 이용한 저류층 불확실성 평가 방법은, 정적자료를 준비하는 단계; 지구통계기법으로 상기 정적자료를 활용한 다수의 저류층모델을 생성하는 단계; 오토인코더로 상기 다수의 저류층모델을 학습하는 학습단계; 상기 학습된 오토인코더로 저류층모델의 특징벡터를 추출하는 인코딩 단계; 상기 추출된 특징벡터에 따라 저류층모델의 유사성(거리)을 평가하는 단계; 상기 유사성에 따라 클러스터링기법으로 유사한 모델을 군집화시키는 군집화 단계; 상기 군집화된 클러스터별로 대표모델을 선정하는 대표모델 선정 단계; 상기 대표모델들에 대하여 저류층 시뮬레이션하는 제1 시뮬레이션 단계; 저류층으로부터 관측된 동적자료가 있는 지의 여부를 판단하는 판단단계; 상기 판단단계에서의 판단결과 관측된 동적자료가 없는 경우에는 상기 제1 시뮬레이션 단계에서의 시뮬레이션 결과를 이용하여 불확실성을 평가하는 단계; 및 상기 판단단계에서의 판단결과 관측된 동적자료가 있는 경우, 상기 동적자료를 이용하여 최적대표모델 및 최종모델을 선정하고 불확실성을 평가하는 단계; 및 상기 대표모델들 또는 최종모델들을 이용하여 역산알고리즘을 수행하는 역산단계;를 포함하여 구성된다.
상기 동적자료를 이용하여 불확실성을 평가하는 단계는, 상기 제1 시뮬레이션 단계의 대표모델들의 예측값과 상기 동적자료를 비교하여 오차가 최소인 최적대표모델을 선정하는 단계; 상기 선정된 최적대표모델과 유사성이 큰 모델을 선정하는 최종모델 선정 단계; 상기 최종모델들에 대해 저류층 시뮬레이션을 수행하는 제2 시뮬레이션 단계; 상기 시뮬레이션 결과를 이용하여 개선된 불확실성을 평가하는 개선된 불확실성 평가 단계;를 포함하여 구성될 수 있다.
상기 시뮬레이션 결과를 이용하여 불확실성을 평가하는 단계 또는 상기 동적자료를 이용하여 불확실성을 평가하는 단계 이후, 클러스터별 대표모델 또는 최종모델들을 초기모델로 하여 역산알고리즘을 수행하는 단계;를 더 포함하여 구성될 수 있다.
상기 군집화 단계 및 최종모델 선정 단계는, 상기 인코딩 단계에서 추출된 특징벡터를 이용해 계산된 오토인코더 거리를 기준으로 모델간 유사성을 평가할 수 있다.
상기 최종모델 선정 단계는, 상기 선정된 최적대표모델과 오토인코더기반 유사성이 가장 높은 저류층모델을 소정의 수만큼 선정하여 구성될 수 있다.
상기 제1 시뮬레이션 단계는, 다수의 저류층모델 전체로부터 선정된 클러스터링 수와 동일한 소정의 대표모델만으로 구성될 수 있다.
상기 대표모델 선정 단계 및 최종모델 선정 단계 이후, 선정모델들의 특징벡터를 학습된 오토인코더의 디코딩을 통해 저류층모델로 복원하는 디코딩 단계;를 추가로 포함하여 구성될 수 있다.
따라서 본 발명의 딥러닝을 이용한 저류층 불확실성 평가 방법은 동적자료가 없는 경우, 저류층모델의 유사성을 측정하는 거리기준을 딥러닝기법으로 추출한 특징(feature)으로 정의하여 보다 효율적이고 신뢰도 높게 유사한 저류층모델을 클러스터링하며, 이를 통해 클러스터별 대표모델을 선정하여 적은 수의 모델로 전체 저류층모델의 불확실성 범위를 유지할 수 있으므로 연산시간을 획기적으로 줄이면서도 신뢰성 있게 저류층의 불확실성을 평가할 수 있는 효과가 있다.
또한, 본 발명의 다른 목적은 동적자료가 있는 경우, 상기 클러스터별 대표모델의 예측된 동적자료와 관측된 동적자료를 비교하여 최적대표모델을 선정하고 이와 유사도가 높은 최종모델을 선정하여 불확실성 범위를 개선시킬 수 있으므로 역산알고리즘을 적용하지 않고 최소한의 저류층 시뮬레이션만으로 관측된 동적자료와 유사한 거동을 보이는 최종모델을 선정할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 저류층 불확실성 평가를 수행하는 시스템의 블록을 개략적으로 나타낸 블록 구성도.
도 2는 본 발명의 일 실시예에 따른 구체적인 저류층 불확실성 평가를 수행하는 과정을 나타낸 순서도.
도 3은 본 발명의 일 실시예에 따른 도 2의 동적자료를 이용하여 불확실성을 평가하는 단계를 보다 상세하게 나타낸 순서도.
도 4는 본 발명의 일 실시예에 따른 도 2 및 도 3의 저류층 불확실성을 평가하는 과정에 따른 예시를 나타낸 그래프.
도 5는 본 발명의 일 실시예에 따른 입력으로 사용되는 정적자료 및 초기모델들을 나타낸 도면.
도 6은 본 발명의 일 실시예에 따라 스택드오토인코더(stacked auto-encoder, SAE)를 이용하여 인코딩 및 디코딩하는 원리를 나타낸 도면.
도 7은 본 발명의 일 실시예에 따라 초기 모델과 본 발명에 따라 디코딩된 모델을 비교하여 나타낸 도면.
도 8은 본 발명의 일 실시예에 따라 모든 초기 모델의 평균값, 선정된 20개의 대표모델들의 평균값 및 군집화 단계에서 동일 군집에 속한 모델들의 평균값을 비교하여 나타낸 도면.
도 9는 본 발명의 일 실시예에 따라 동적자료가 있는 경우, 관측된 동적자료를 생성하는 데 사용된 정답모델(the reference field), 10개의 최종모델의 평균, 그리고 개별 최종모델들을 나타낸 도면.
도 10은 본 발명의 일 실시예에 따른 초기모델들과 최종모델들의 불확실성평가 결과를 비교하여 나타낸 그래프.
도 2는 본 발명의 일 실시예에 따른 구체적인 저류층 불확실성 평가를 수행하는 과정을 나타낸 순서도.
도 3은 본 발명의 일 실시예에 따른 도 2의 동적자료를 이용하여 불확실성을 평가하는 단계를 보다 상세하게 나타낸 순서도.
도 4는 본 발명의 일 실시예에 따른 도 2 및 도 3의 저류층 불확실성을 평가하는 과정에 따른 예시를 나타낸 그래프.
도 5는 본 발명의 일 실시예에 따른 입력으로 사용되는 정적자료 및 초기모델들을 나타낸 도면.
도 6은 본 발명의 일 실시예에 따라 스택드오토인코더(stacked auto-encoder, SAE)를 이용하여 인코딩 및 디코딩하는 원리를 나타낸 도면.
도 7은 본 발명의 일 실시예에 따라 초기 모델과 본 발명에 따라 디코딩된 모델을 비교하여 나타낸 도면.
도 8은 본 발명의 일 실시예에 따라 모든 초기 모델의 평균값, 선정된 20개의 대표모델들의 평균값 및 군집화 단계에서 동일 군집에 속한 모델들의 평균값을 비교하여 나타낸 도면.
도 9는 본 발명의 일 실시예에 따라 동적자료가 있는 경우, 관측된 동적자료를 생성하는 데 사용된 정답모델(the reference field), 10개의 최종모델의 평균, 그리고 개별 최종모델들을 나타낸 도면.
도 10은 본 발명의 일 실시예에 따른 초기모델들과 최종모델들의 불확실성평가 결과를 비교하여 나타낸 그래프.
이하, 본 발명의 실시예를 나타내는 첨부 도면을 참조하여 본 발명을 더욱 상세히 설명한다. 도 1은 본 발명의 일 실시예에 따른 저류층 불확실성 평가를 수행하는 시스템의 블록을 개략적으로 나타낸 블록 구성도이다.
도 1을 참조하면, 먼저, 데이터베이스(110)는 정적자료와 동적자료를 저장한다. 정적자료 중 1차자료 및 공간적 상관관계 자료는 필수이며, 2차자료는 필수자료는 아니다. 동적자료 역시 필수자료는 아니며, 동적자료가 없으면 전체 불확실성을 적은 수의 시뮬레이션으로 평가하는 것이 목적이며, 동적자료가 있으면 전체 불확실성 범위를 개선시키는 것이 목적이 된다. 여기서 1차자료는 유정자료(well data)를, 공간적 상관관계는 트레이닝이미지(training image)나 베리오그램(variogram) 등이 사용될 수 있다.
초기모델 생성부(120)는 주어진 정적자료를 이용해 지구통계기법으로 초기모델을 생성한다. 예컨대, 석유공학인 경우면 암상모델(facies model)을 다점지구통계(multi-point geostatistics)로 만들 수 있다. 여기서 불확실성을 고려해 등가의 확률을 가지는 수백 개의 가능성 있는 모델을 생성한다.
딥러닝 기법부(130)는 상기 생성된 다수의 초기모델들을 딥러닝 알고리즘으로 학습해 모델별 핵심 특징을 추출할 수 있다(인코딩). 또한 상기 추출된 특징을 이용하여 정보를 복원할 수도 있다(디코딩). 예컨대 딥러닝 기법부(130)는 오토인코더 또는 스택드오토인코더 등이 사용될 수 있다.
최적모델 선정부(140)는 우선 상기 특징벡터를 모델간 유사성 측정의 기준으로 사용해 유사한 모델끼리 군집화시킨다. 이후에 군집화된 클러스터별로 대표모델을 선택한다. 동적자료 부재 시, 상기 대표모델들을 최적모델을 적용시키는 단계에 적용한다. 동적자료 관측 시, 대표모델들 중 관측된 동적자료와 가장 유사한 예측값을 가지는 최적대표모델을 선정한 후, 상기 최적대표모델로부터 특징벡터에 기반하여 거리가 가까운 소정의 모델을 최종모델로 선정할 수 있다. 상기 최종모델을 최적모델을 적용시키는 단계에 적용한다.
최적모델 적용부(150)는 최적모델 선정부(140)에 의해 모델이 선정되면 이들에 대해 동적시뮬레이션을 수행하여 미래거동을 예측하고 최종적으로 불확실성 평가 및 개선을 할 수 있다.
이와 같이 각 단계에서 처리된 결과들은 표시부(160)를 통해 표시될 수 있다. 후술하는 도면에서 나타낸 과정들은 표시부(160)를 통해 운용자가 확인할 수 있으며, 이를 통해 예측 및 불확실성평가의 신뢰성을 대략적으로 판단할 수 있다. 이와 같은 불확실성 평가와 관련하여 후술하는 도면을 참조하여 보다 상세하게 설명하기로 한다.
도 2는 본 발명의 일 실시예에 따른 구체적인 저류층 불확실성 평가를 수행하는 과정을 나타낸 순서도이고, 도 3은 본 발명의 일 실시예에 따른 도 2의 동적자료를 이용하여 불확실성을 평가하는 단계를 보다 상세하게 나타낸 순서도이며, 도 4는 본 발명의 일 실시예에 따른 도 2 및 도 3의 저류층 불확실성을 평가하는 과정에 따른 예시를 나타낸 그래프이고, 도 5는 본 발명의 일 실시예에 따른 입력으로 사용되는 정적자료 및 초기모델들을 나타낸 도면이며, 도 6은 본 발명의 일 실시예에 따라 스택드오토인코더를 이용하여 인코딩 및 디코딩하는 원리를 나타낸 도면이고, 도 7은 본 발명의 일 실시예에 따라 초기 모델과 본 발명에 따라 디코딩된 모델을 비교하여 나타낸 도면이며, 도 8은 본 발명의 일 실시예에 따라 모든 초기모델의 평균값, 선정된 20개의 대표모델들의 평균값 및 군집화 단계에서 동일 군집에 속한 모델들의 평균값을 비교하여 나타낸 도면이고, 도 9는 본 발명의 일 실시예에 따라 동적자료가 있는 경우, 관측된 동적자료를 생성하는 데 사용된 정답모델, 10개의 최종모델의 평균, 그리고 개별 최종모델들을 나타낸 도면이며, 도 10은 본 발명의 일 실시예에 따른 초기모델들과 최종모델들의 불확실성평가 결과를 비교하여 나타낸 그래프이다.
도 2 내지 도 10을 참조하면, 상술한 목적을 달성하기 위한 딥러닝을 이용한 저류층 불확실성 평가 방법은, S202단계에서 정적자료를 데이터베이스(110)에 준비한다. 정적자료는 1차자료인 유정자료, 공간적 상관관계인 트레이닝이미지, 2차자료인 탄성파자료 등이 사용될 수 있다.
S204단계에서 지구통계기법을 이용하여 상기 준비된 정적자료로 등가의 저류층모델들을 다수 생성한다. 도 4의 (a)에는 정적자료로 생성된 초기 모델을 나타내며 본 실시예에서는 800개의 저류층모델이 생성되었다. 도 5를 참조하면, 도 5의 (a) 내지 도 5의 (d)는 각각 수직, 45도, 수평 및 135도일 경우의 트레이닝이미지를 나타낸다. 트레이닝이미지는 전술한 바와 같이 정적자료 중 하나로 지질학적인 컨셉이다. 도 5의 (e) 내지 도 5의 (h)는 상기 정적자료를 활용해 지구통계기법으로 생성한 초기모델의 예를 나타낸다. 이처럼 정적자료의 불확실성에 따라 매우 상이한 초기모델들이 생성되므로 도 4의 (d)처럼 불확실성 범위가 매우 넓게 나타난 것을 확인할 수 있다.
S206단계에서 상기 생성된 초기모델들을 이용해 딥러닝 알고리즘으로 핵심정보를 추출하기 위한 학습을 수행한다. 본 실시예에서는 딥러닝 알고리즘 중 하나인 (스택드)오토인코더를 이용하였다.
S208단계에서 상기 학습된 오토인코더를 이용하여 상기 초기 저류층모델들의 특징벡터를 추출한다. 도 4의 (b)에서는 오토인코더를 이용하여 특징벡터를 추출하는 상태를 나타내고 있다. 또한, 도 6은 본 발명에 따라 25x25의 크기를 가지는 저류층모델을 인코딩하여 50개의 특징벡터를 추출하는 것을 나타내고 있다(파란색 점선). 이 때, 스택드오토인코더로 2번의 인코딩과정을 거치며, 625개의 정보가 313개, 그리고 50개로 순차적으로 압축된다. 도 6의 검은색 점선을 참조하면 압축되었던 50개의 특징벡터를 이용하여 다시 313개, 그리고 625개의 정보로 복원할 수 있으며 이를 디코딩이라 한다. 도 7의 (a)는 4개의 초기 저류층모델을 나타내며, 상기 모델에 인코딩하여 특징벡터를 추출한 후, 다시 디코딩하여 저류층모델로 복원시킨 것이 도 7의 (b)이다. 복원 후의 저류층모델은 초기 저류층모델과 매우 유사한 형태를 띈다. 따라서 50개의 정보로 압축한 특징벡터는 625개의 정보를 효과적으로 유지할 수 있으며, 이를 기반으로한 저류층모델간 유사성 측정도 신뢰할 수 있는 클러스터링 결과를 보장할 수 있다.
S210단계에서 상기 추출된 모델별 특징벡터를 이용하여 모델간 유사성을 계산할 수 있다. 전체 격자(625개)를 모두 이용하기보다 모델별 핵심정보만 추출한 50개 값의 차이로 유사성을 계산하므로 계산시간이 절약되고 유사성 측정결과의 신뢰도도 향상될 수 있다.
S212단계에서 상기 계산된 유사성에 따라 상기 초기모델을 클러스터별로 군집화시킨다. 도 4의 (c)에서는 특징벡터들에 따라 군집화시킨 상태를 나타내고 있다. 도 4의 (c)에서는 동일 군집에 속한 초기모델들은 서로 유사한 암상분포를 보인다.
S214단계에서 상기 군집화된 클러스터별로 대표모델을 선정한다. 대표모델은 클러스터별 중심에서 가장 가까운 저류층모델로 정의된다. 도 4의 (c)를 참조하면 대표모델은 각 그룹 내에 굵은 흑점으로 표시하였다. 도 8을 참조하면, 도 8의 (a)는 초기모델 800개의 평균을 나타내고, 도 8의 (b)는 20개의 대표모델들의 평균을 나타낸다. 800개 모델의 평균값(도 8의 (a))과 20개 모델의 평균값(도 8의 (b))이 유사하며 이는 800개 모델의 불확실성을 20개 대표모델의 불확실성으로 대체할 수 있다는 간접적인 증거이다. 그리고 도 8의 (c)는 각 클러스터별 평균을 나타낸다. 클러스터별로 유사한 모델들이 성공적으로 군집화되어 도 8의 (a) 및 (b)에 비해 매우 뚜렷한 연결성을 보이는 것을 알 수 있다.
S216단계에서 상기 추출된 대표모델들에 대하여 저류층 시뮬레이션을 수행한다(제1 시뮬레이션 단계). 도 4의 (d)는 추출된 20개 대표모델(적색)과 800개 전체모델(회색)의 시뮬레이션 결과를 비교한 것이다. 오직 20개의 대표모델로만 전체 불확실성을 평가할 수 있으므로 많은 시간이 소요되는 저류층 시뮬레이션 횟수를 획기적으로 줄일 수 있다.
S218단계에서 저류층으로부터 생산된 동적자료가 있는 지의 여부를 판단한다.
상기 판단단계에서의 판단결과 상기 동적자료가 없는 경우(S218단계, NO) 대표모델들과 상기 제1 시뮬레이션 단계에서의 시뮬레이션 결과를 이용하여 불확실성을 평가한다(S220단계).
상기 판단단계에서의 판단결과 상기 동적자료가 있는 경우(S218단계, YES) 상기 동적자료를 이용하여 최종모델 선정 및 불확실성을 평가한다(S222단계).
상기 S220단계 및 S222단계에서의 불확실성 평가 단계 이후, 대표모델들 또는 최종모델들은 이용하여 역산알고리즘의 초기모델들로 활용할 수 있다(S224단계). 이 경우, 양질의 초기모델을 역산알고리즘에 제공함으로써 800개의 전체 저류층모델을 사용한 경우보다 향상된 결과를 기대할 수 있다. 한편, 역산 단계인 S224단계는 선택적으로 수행하는 단계로 필요에 따라 수행하지 않을 수도 있다.
도 3을 참조하여 동적자료를 이용한 불확실성을 평가하는 단계에 대하여 보다 상세하게 설명하기로 한다.
먼저, S302단계에서 상기 동적자료와 비교하여 오차가 최소인 최적대표모델을 선정한다. 도 4의 (e)는 20개의 대표모델 시뮬레이션 결과(회색)와 관측자료(적색)를 비교해 오차가 최소인 최적대표모델(검정색)을 선정하는 것을 나타낸다.
S304단계에서는 상기 최적대표모델과 유사성이 큰 최종모델들을 선정한다. 도 4의 (f)는 최적대표모델을 포함한 10개의 최종모델(적색)을 나타낸다. 도 9의 (a)는 정답모델을, 도 9의 (b)는 상기 최종 10개 모델의 평균을 나타낸다. 도 9의 (b)는 도 8의 (a) 또는 (b)에 비해 정답모델의 연결성을 잘 파악하였다. 도 9의 (c)는 최종 10개 모델이 선택된 예이며, 도 4의 (f)의 적색점으로 나타낸 모델들이다.
S306단계에서 상기 최종모델에 대해서만 저류층 시뮬레이션을 수행한다(제2 시뮬레이션 단계).
S306에서의 시뮬레이션 결과를 이용하여 불확실성을 평가한다(S308단계). 도 4의 (g)는 불확실성 평가의 예로, 적색은 관측된 동적자료를 나타내고 회색은 10개의 최종모델의 예측값을 의미한다. 도 4의 (d)와 비교시, 관측값을 중심으로 불확실성 폭이 확연히 줄어들어 의사결정의 핵심적인 근거로 활용이 가능하다.
도 10의 (a)는 800개의 정적모델들에 대하여 시뮬레이션을 한 결과를 나타내고, 도 10의 (b)는 동적자료를 이용하여 10개의 최종모델들에 대해서만 시뮬레이션을 한 결과를 나타낸다. 도 2의 과정에 따라 적은 수의 저류층 시뮬레이션으로(제1 시뮬레이션 단계: 20회) 800개 모델의 불확실성 범위를 구현할 수 있으며, 특히 동적자료 확보 시, 도 3의 과정에 따라 역산없이 적은 수의 저류층 시뮬레이션으로(제 2 시뮬레이션 단계: 10회) 불확실성 범위를 개선할 수 있는 장점이 있다. 따라서 획기적으로 저류층 불확실성 평가 시간을 단축시키면서도 신뢰성 있는 결과 도출이 가능하다.
상기 본 발명의 내용은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.
110 : 데이터베이스 120 : 초기모델 생성부
130 : 딥러닝 기법부 140 : 최적모델 선정부
150 : 최적모델 적용부 160: 표시부
130 : 딥러닝 기법부 140 : 최적모델 선정부
150 : 최적모델 적용부 160: 표시부
Claims (7)
- 삭제
- 정적자료를 준비하는 단계;
지구통계기법으로 상기 정적자료를 활용한 다수의 저류층모델을 생성하는 단계;
오토인코더로 상기 다수의 저류층모델을 학습하는 학습단계;
상기 학습된 오토인코더로 저류층모델의 특징벡터를 추출하는 인코딩 단계;
상기 추출된 특징벡터에 따라 저류층모델의 유사성(거리)을 평가하는 단계;
상기 유사성에 따라 클러스터링기법으로 유사한 모델을 군집화시키는 군집화 단계;
상기 군집화된 클러스터별로 대표모델을 선정하는 대표모델 선정 단계;
상기 대표모델들에 대하여 저류층 시뮬레이션하는 제1 시뮬레이션 단계;
저류층으로부터 관측된 동적자료가 있는 지의 여부를 판단하는 판단단계;
상기 판단단계에서의 판단결과 관측된 동적자료가 없는 경우에는 상기 제1 시뮬레이션 단계에서의 시뮬레이션 결과를 이용하여 불확실성을 평가하는 단계;
및 상기 판단단계에서의 판단결과 관측된 동적자료가 있는 경우, 상기 동적자료를 이용하여 최적대표모델 및 최종모델을 선정하고 불확실성을 평가하는 단계; 및
상기 대표모델들 또는 최종모델들을 이용하여 역산알고리즘을 수행하는 역산단계;를 포함하고,
상기 동적자료를 이용하여 불확실성을 평가하는 단계는,
상기 제1 시뮬레이션 단계의 대표모델들의 예측값과 상기 동적자료를 비교하여 오차가 최소인 최적대표모델을 선정하는 단계;
상기 선정된 최적대표모델과 유사성이 큰 모델을 선정하는 최종모델 선정 단계;
상기 최종모델들에 대해 저류층 시뮬레이션을 수행하는 제2 시뮬레이션 단계; 및
상기 시뮬레이션 결과를 이용하여 개선된 불확실성을 평가하는 개선된 불확실성 평가 단계;를 포함하는 딥러닝을 이용한 저류층 불확실성 평가 방법. - 정적자료를 준비하는 단계;
지구통계기법으로 상기 정적자료를 활용한 다수의 저류층모델을 생성하는 단계;
오토인코더로 상기 다수의 저류층모델을 학습하는 학습단계;
상기 학습된 오토인코더로 저류층모델의 특징벡터를 추출하는 인코딩 단계;
상기 추출된 특징벡터에 따라 저류층모델의 유사성(거리)을 평가하는 단계;
상기 유사성에 따라 클러스터링기법으로 유사한 모델을 군집화시키는 군집화 단계;
상기 군집화된 클러스터별로 대표모델을 선정하는 대표모델 선정 단계;
상기 대표모델들에 대하여 저류층 시뮬레이션하는 제1 시뮬레이션 단계;
저류층으로부터 관측된 동적자료가 있는 지의 여부를 판단하는 판단단계;
상기 판단단계에서의 판단결과 관측된 동적자료가 없는 경우에는 상기 제1 시뮬레이션 단계에서의 시뮬레이션 결과를 이용하여 불확실성을 평가하는 단계;
클러스터별 대표모델을 초기모델로 하여 역산알고리즘을 수행하는 제1 역산 단계;
및 상기 판단단계에서의 판단결과 관측된 동적자료가 있는 경우, 상기 동적자료를 이용하여 최적대표모델 및 최종모델을 선정하고 불확실성을 평가하는 단계;
클러스터별 최종모델들을 초기모델로 하여 역산알고리즘을 수행하는 제2 역산 단계;
상기 대표모델들 또는 최종모델들을 이용하여 역산알고리즘을 수행하는 역산단계;를 포함하는 딥러닝을 이용한 저류층 불확실성 평가 방법. - 정적자료를 준비하는 단계;
지구통계기법으로 상기 정적자료를 활용한 다수의 저류층모델을 생성하는 단계;
오토인코더로 상기 다수의 저류층모델을 학습하는 학습단계;
상기 학습된 오토인코더로 저류층모델의 특징벡터를 추출하는 인코딩 단계;
상기 추출된 특징벡터에 따라 저류층모델의 유사성(거리)을 평가하는 단계;
상기 유사성에 따라 클러스터링기법으로 유사한 모델을 군집화시키는 군집화 단계;
상기 군집화된 클러스터별로 대표모델을 선정하는 대표모델 선정 단계;
상기 대표모델들에 대하여 저류층 시뮬레이션하는 제1 시뮬레이션 단계;
저류층으로부터 관측된 동적자료가 있는 지의 여부를 판단하는 판단단계;
상기 판단단계에서의 판단결과 관측된 동적자료가 없는 경우에는 상기 제1 시뮬레이션 단계에서의 시뮬레이션 결과를 이용하여 불확실성을 평가하는 단계;
및 상기 판단단계에서의 판단결과 관측된 동적자료가 있는 경우, 상기 동적자료를 이용하여 최적대표모델 및 최종모델을 선정하고 불확실성을 평가하는 단계; 및
상기 대표모델들 또는 최종모델들을 이용하여 역산알고리즘을 수행하는 역산단계;를 포함하고,
상기 군집화 단계 및 최종모델 선정 단계는,
상기 인코딩 단계에서 추출된 특징벡터를 이용해 계산된 오토인코더 거리를 기준으로 모델간 유사성을 평가하는 것인 딥러닝을 이용한 저류층 불확실성 평가 방법. - 제2항에 있어서,
상기 최종모델 선정 단계는, 상기 선정된 최적대표모델과 오토인코더기반 유사성이 가장 높은 저류층모델을 소정의 수만큼 선정하여 구성하는 것인 딥러닝을 이용한 저류층 불확실성 평가 방법. - 정적자료를 준비하는 단계;
지구통계기법으로 상기 정적자료를 활용한 다수의 저류층모델을 생성하는 단계;
오토인코더로 상기 다수의 저류층모델을 학습하는 학습단계;
상기 학습된 오토인코더로 저류층모델의 특징벡터를 추출하는 인코딩 단계;
상기 추출된 특징벡터에 따라 저류층모델의 유사성(거리)을 평가하는 단계;
상기 유사성에 따라 클러스터링기법으로 유사한 모델을 군집화시키는 군집화 단계;
상기 군집화된 클러스터별로 대표모델을 선정하는 대표모델 선정 단계;
상기 대표모델들에 대하여 저류층 시뮬레이션하는 제1 시뮬레이션 단계;
저류층으로부터 관측된 동적자료가 있는 지의 여부를 판단하는 판단단계;
상기 판단단계에서의 판단결과 관측된 동적자료가 없는 경우에는 상기 제1 시뮬레이션 단계에서의 시뮬레이션 결과를 이용하여 불확실성을 평가하는 단계;
및 상기 판단단계에서의 판단결과 관측된 동적자료가 있는 경우, 상기 동적자료를 이용하여 최적대표모델 및 최종모델을 선정하고 불확실성을 평가하는 단계; 및
상기 대표모델들 또는 최종모델들을 이용하여 역산알고리즘을 수행하는 역산단계;를 포함하고,
상기 제1 시뮬레이션 단계는, 다수의 저류층모델 전체로부터 선정된 클러스터링 수와 동일한 소정의 대표모델만으로 구성하는 것인 딥러닝을 이용한 저류층 불확실성 평가 방법. - 정적자료를 준비하는 단계;
지구통계기법으로 상기 정적자료를 활용한 다수의 저류층모델을 생성하는 단계;
오토인코더로 상기 다수의 저류층모델을 학습하는 학습단계;
상기 학습된 오토인코더로 저류층모델의 특징벡터를 추출하는 인코딩 단계;
상기 추출된 특징벡터에 따라 저류층모델의 유사성(거리)을 평가하는 단계;
상기 유사성에 따라 클러스터링기법으로 유사한 모델을 군집화시키는 군집화 단계;
상기 군집화된 클러스터별로 대표모델을 선정하는 대표모델 선정 단계;
상기 대표모델의 특징벡터를 학습된 오토인코더의 디코딩을 통해 저류층모델로 복원하는 제1 디코딩 단계;
상기 대표모델들에 대하여 저류층 시뮬레이션하는 제1 시뮬레이션 단계;
저류층으로부터 관측된 동적자료가 있는 지의 여부를 판단하는 판단단계;
상기 판단단계에서의 판단결과 관측된 동적자료가 없는 경우에는 상기 제1 시뮬레이션 단계에서의 시뮬레이션 결과를 이용하여 불확실성을 평가하는 단계;
및 상기 판단단계에서의 판단결과 관측된 동적자료가 있는 경우, 상기 동적자료를 이용하여 최적대표모델 및 최종모델을 선정하고 불확실성을 평가하는 단계;
상기 최종모델의 특징벡터를 학습된 오토인코더의 디코딩을 통해 저류층모델로 복원하는 제2 디코딩 단계; 및
상기 대표모델들 또는 최종모델들을 이용하여 역산알고리즘을 수행하는 역산단계;를 포함하는 딥러닝을 이용한 저류층 불확실성 평가 방법.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170146164A KR101867475B1 (ko) | 2017-11-03 | 2017-11-03 | 딥러닝을 이용한 저류층 불확실성 평가 방법 |
PCT/KR2018/012533 WO2019088543A1 (ko) | 2017-11-03 | 2018-10-23 | 딥러닝을 이용한 저류층 불확실성 평가 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170146164A KR101867475B1 (ko) | 2017-11-03 | 2017-11-03 | 딥러닝을 이용한 저류층 불확실성 평가 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR101867475B1 true KR101867475B1 (ko) | 2018-06-14 |
Family
ID=62629059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170146164A KR101867475B1 (ko) | 2017-11-03 | 2017-11-03 | 딥러닝을 이용한 저류층 불확실성 평가 방법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR101867475B1 (ko) |
WO (1) | WO2019088543A1 (ko) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200183046A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Research And Engineering Company | Subsurface models with uncertainty quantification |
WO2020123084A1 (en) * | 2018-12-11 | 2020-06-18 | Exxonmobil Research And Engineering Company | Machine learning-augmented geophysical inversion |
WO2020230977A1 (ko) * | 2019-05-15 | 2020-11-19 | 한국과학기술원 | 메타 인지 기반 고속 환경 탐색 방법 및 장치 |
CN112703429A (zh) * | 2018-09-14 | 2021-04-23 | Bp北美公司 | 基于机器学习的地震属性分析 |
WO2021150929A1 (en) * | 2020-01-25 | 2021-07-29 | Schlumberger Technology Corporation | Automatic model selection through machine learning |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2584449B (en) * | 2019-06-03 | 2021-06-02 | Cognitive Geology Ltd | Apparatus method and computer-program product for calculating a measurable geological metric |
CN111027680B (zh) * | 2019-12-06 | 2020-10-30 | 北京瑞莱智慧科技有限公司 | 基于变分自编码器的监控量不确定性预测方法及*** |
CN112712069B (zh) * | 2021-03-25 | 2021-07-23 | 北京易真学思教育科技有限公司 | 一种判题方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120118439A (ko) * | 2011-04-18 | 2012-10-26 | 서울대학교산학협력단 | 지상 탄성파 영상화 장치 |
KR20130001706A (ko) * | 2011-06-27 | 2013-01-04 | 서울대학교산학협력단 | 복소주파수 그룹을 기초로 하는 지하구조 영상화 방법 |
KR101625660B1 (ko) * | 2015-11-20 | 2016-05-31 | 한국지질자원연구원 | 지구통계기법에서의 관측자료를 이용한 2차자료 생성 방법 |
-
2017
- 2017-11-03 KR KR1020170146164A patent/KR101867475B1/ko active IP Right Grant
-
2018
- 2018-10-23 WO PCT/KR2018/012533 patent/WO2019088543A1/ko active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120118439A (ko) * | 2011-04-18 | 2012-10-26 | 서울대학교산학협력단 | 지상 탄성파 영상화 장치 |
KR20130001706A (ko) * | 2011-06-27 | 2013-01-04 | 서울대학교산학협력단 | 복소주파수 그룹을 기초로 하는 지하구조 영상화 방법 |
KR101625660B1 (ko) * | 2015-11-20 | 2016-05-31 | 한국지질자원연구원 | 지구통계기법에서의 관측자료를 이용한 2차자료 생성 방법 |
Non-Patent Citations (1)
Title |
---|
"심층 오토인코더를 결합한 신경망 기법의 채널 저류층 특성화 연구", 서울대학교 대학원 공학석사 학위논문, 2017년 2월* * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112703429A (zh) * | 2018-09-14 | 2021-04-23 | Bp北美公司 | 基于机器学习的地震属性分析 |
CN112703429B (zh) * | 2018-09-14 | 2024-02-13 | Bp北美公司 | 基于机器学习的地震属性分析 |
US20200183046A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Research And Engineering Company | Subsurface models with uncertainty quantification |
WO2020123073A1 (en) * | 2018-12-11 | 2020-06-18 | Exxonmobil Research And Engineering Company | Subsurface models with uncertainty quantification |
WO2020123084A1 (en) * | 2018-12-11 | 2020-06-18 | Exxonmobil Research And Engineering Company | Machine learning-augmented geophysical inversion |
US11435498B2 (en) * | 2018-12-11 | 2022-09-06 | Exxonmobil Upstream Research Company | Subsurface models with uncertainty quantification |
US11609352B2 (en) | 2018-12-11 | 2023-03-21 | ExxonMobil Technology and Engineering Company | Machine learning-augmented geophysical inversion |
EP3894902B1 (en) * | 2018-12-11 | 2023-06-14 | ExxonMobil Technology and Engineering Company | Subsurface models with uncertainty quantification |
WO2020230977A1 (ko) * | 2019-05-15 | 2020-11-19 | 한국과학기술원 | 메타 인지 기반 고속 환경 탐색 방법 및 장치 |
WO2021150929A1 (en) * | 2020-01-25 | 2021-07-29 | Schlumberger Technology Corporation | Automatic model selection through machine learning |
GB2606957A (en) * | 2020-01-25 | 2022-11-23 | Schlumberger Technology Bv | Automatic model selection through machine learning |
GB2606957B (en) * | 2020-01-25 | 2024-02-28 | Schlumberger Technology Bv | Automatic model selection through machine learning |
Also Published As
Publication number | Publication date |
---|---|
WO2019088543A1 (ko) | 2019-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101867475B1 (ko) | 딥러닝을 이용한 저류층 불확실성 평가 방법 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
KR101625660B1 (ko) | 지구통계기법에서의 관측자료를 이용한 2차자료 생성 방법 | |
US10519766B2 (en) | Reservoir modelling with multiple point statistics from a non-stationary training image | |
Arpat et al. | Conditional simulation with patterns | |
US20170011149A1 (en) | Geobody continuity in geological models based on multiple point statistics | |
Lee et al. | Feature extraction using a deep learning algorithm for uncertainty quantification of channelized reservoirs | |
CN108038081B (zh) | 基于特征函数空间滤值的滑坡灾害logistic回归分析方法 | |
CN116797030A (zh) | 地质监测预警方法、***、计算机设备及存储介质 | |
Tzu-hao et al. | Reservoir uncertainty quantification using probabilistic history matching workflow | |
Liu et al. | Ensemble-based seismic history matching with data reparameterization using convolutional autoencoder | |
Kolajoobi et al. | Investigating the capability of data-driven proxy models as solution for reservoir geological uncertainty quantification | |
CN112800934A (zh) | 一种多类别工程车的行为识别方法及装置 | |
Dagasan et al. | Using generative adversarial networks as a fast forward operator for hydrogeological inverse problems | |
CN112396230A (zh) | 基于近邻神经网络的油藏地质建模静态参数分布预测方法 | |
Barr et al. | A real-time data-driven method for battery health prognostics in electric vehicle use | |
KR102489473B1 (ko) | 인공 지능 모델을 이용한 기후 지수 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법 및 시스템 | |
Kalpana et al. | A novel approach to measure the pattern of urban agglomeration based on the road network | |
Yu et al. | Constructing Reservoir Flow Simulator Proxies Using Genetic Programming for History Matching and Production Forecast Uncertainty Analysis. | |
CN115639605A (zh) | 基于深度学习的高分辨率断层的自动识别方法和装置 | |
CN115407397A (zh) | 一种瑞雷波频散曲线有监督学习反演方法及*** | |
US11960045B2 (en) | Method of characterising a subsurface region using multiple point statistics | |
CN115128671A (zh) | 一种基于深度学习技术的三维地震相自动识别方法 | |
CN114022632A (zh) | 基于深度卷积生成对抗网络的地质模型快速生成方法 | |
Suraci et al. | A meta-classifier approach for outlier identification in geodetic networks. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AMND | Amendment | ||
E601 | Decision to refuse application | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |