KR102067195B1 - System and method for generating synthetic well density log data of target field using deep neural network - Google Patents
System and method for generating synthetic well density log data of target field using deep neural network Download PDFInfo
- Publication number
- KR102067195B1 KR102067195B1 KR1020190102282A KR20190102282A KR102067195B1 KR 102067195 B1 KR102067195 B1 KR 102067195B1 KR 1020190102282 A KR1020190102282 A KR 1020190102282A KR 20190102282 A KR20190102282 A KR 20190102282A KR 102067195 B1 KR102067195 B1 KR 102067195B1
- Authority
- KR
- South Korea
- Prior art keywords
- logging data
- neural network
- deep neural
- density logging
- data
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000003129 oil well Substances 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 46
- 238000007781 pre-processing Methods 0.000 claims description 17
- 239000002131 composite material Substances 0.000 claims description 13
- 230000035945 sensitivity Effects 0.000 claims description 10
- 238000010206 sensitivity analysis Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 230000008021 deposition Effects 0.000 description 5
- 238000005553 drilling Methods 0.000 description 5
- 238000007654 immersion Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression 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
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
- G01V1/44—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging using generators and receivers in the same well
- G01V1/48—Processing data
- G01V1/50—Analysing data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- G01V99/005—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- 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
- G01V2210/62—Physical property of subsurface
- G01V2210/622—Velocity, density or impedance
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
Description
본 발명은 심층신경망을 이용한 타겟필드(target field)의 합성 밀도검층 자료 생성 시스템 및 방법에 관한 것으로서, 특히 음파검층 및 밀도검층이 모두 존재하는 유정의 위치 자료(위도, 경도 및 심도를 포함), 음파검층 자료 및 밀도검층 자료를 이용하여 심층신경망을 학습시킨 후, 학습된 심층신경망을 밀도검층이 존재하지 않는 유정에 적용하여 밀도검층을 생성할 수 있는, 타겟필드 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 시스템 및 방법에 관한 것이다. The present invention relates to a system and method for generating a synthetic density logging data of a target field using a deep neural network, and in particular, location data (including latitude, longitude, and depth) of an oil well in which both a sound wave logging layer and a density logging layer exist, After the deep neural network is trained using sonic logging data and density logging data, target field synthesis using the deep field neural network, which can generate the density logging by applying the learned deep neural network to the well without the density logging, A system and method for generating density logging data.
일반적으로, 석유 저류층은 석유가 부존되어 있는 지층을 일컫는다. 저류층 모델링은 목표 저류층을 이해하고 평가하는 데 필수적인 작업이며, 저류층 모델은 필드 개발 계획을 수립하기 위한 저류층 시뮬레이션을 구현하는 데 사용된다. 유정검층(well logging)은 저류층 모델링에서 가장 중요한 자료이다. 유정검층의 석유 물리학적 특성에 기초하여, 공간 상관(예컨대, 배리오그램)이 추정되고, 신뢰할 수 있는 3차원 저류층 모델을 구축하기 위해 지구통계 알고리즘이 적용된다. 저류층 모델링은 사용 가능한 유정검층 자료양에 의해 영향을 받지만, 비싼 시추 공정을 통해서만 유정검층 을 얻을 수 있기 때문에 자료 부족 문제가 항상 존재한다. 경우에 따라 시추를 통해 유정검층 자료를 얻지만, 원하는 저류층 특성을 예측하는 특정 검층 유형이 측정되지 않을 수 있다. 예를 들어, 공극률 모델 예측엔 음파검층 또는 밀도검층이 필요하지만 누락된 유정이 있다. 또한 관심 심도에 대한 검층 자료가 누락 될 수 있다. 이러한 경우 이미 시추된 유정에 필요한 검층 유형을 얻기 위해 유정검층을 재실행하거나 새로운 시추를 통해 추가적인 유정검층 자료를 수집할 수 있다. 그러나 새로운 유정을 시추하거나 생산을 중단하여 유정검층을 다시 실행하면 막대한 추가 비용이 발생하고 케이싱(casing)으로 인해 일부 검층 유형을 측정 할 수 없다.In general, petroleum reservoirs are layers in which oil is present. Reservoir modeling is an essential task for understanding and evaluating target reservoirs, and reservoir models are used to implement reservoir simulations to plan field development. Well logging is the most important data in reservoir modeling. Based on the petrophysical properties of the well bed, spatial correlation (eg, variogram) is estimated, and geostatistical algorithms are applied to build a reliable three-dimensional reservoir model. Reservoir modeling is influenced by the amount of available oil well data, but there is always a data shortage problem because it can only be obtained through expensive drilling processes. Occasionally, well drilling data are obtained from drilling, but certain logging types predicting desired reservoir characteristics may not be measured. For example, porosity model prediction requires sonic or density logging but there are missing wells. There may also be missing logging data for depth of interest. In such cases, additional well logging data may be collected by re-running the wells or by new drilling to obtain the type of logging required for the wells already drilled. However, re-running the wells by drilling new wells or stopping production would incur significant additional costs and casing may not allow some types of wells to be measured.
따라서 특정 필드에서 검층 자료 특히, 유정의 음파검층은 존재하지만 밀도검층이 존재하지 않을 경우, 존재하는 유정의 위치 정보와 음파검층 자료를 이용하여 밀도검층 자료를 생성하는 방법이 필요하게 되었다. Therefore, in a specific field, especially if a sound wave layer of an oil well exists but a density wave does not exist, a method of generating density logging data using location information and sound wave data of an existing well is required.
따라서 본 발명은 상기와 같은 상황을 고려하여 이루어진 것으로서, 본 발명의 목적은 유정의 음파검층은 존재하지만 밀도검층은 존재하지 않을 경우, 존재하는 유정의 위치 정보와 음파검층 자료를 이용하여 밀도검층 자료를 생성하는, 타겟필드 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 시스템 및 방법을 제공하는 데에 있다.Accordingly, the present invention has been made in consideration of the above situation, and an object of the present invention is to provide density density data using the location information and the sound wave data of the existing wells when the sound wave detection layer of the well exists but the density detection layer does not exist. The present invention provides a system and method for generating a composite density logging data of a target field using a target field deep neural network.
상기의 목적을 달성하기 위해 본 발명의 일 실시형태에 의한, 심층신경망을 이용한 타겟필드의 합성 밀도검층 생성 시스템은 유정 지도 자료를 입력받도록 구성된 유정 지도 자료 입력부; 상기 유정 지도 자료로부터 특정 영역에 대한 유정의 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료를 획득하고, 해당 자료들에 대해 전처리하여 부적절한 자료를 제거하도록 구성된 자료 획득 및 전처리부; 전처리된 상기 유정의 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료와 특정 학습 조건을 이용하여 심층신경망의 조건을 설정하도록 구성된 기본 심층신경망 조건 설정부; 상기 기본 심층신경망 조건 설정부에 의해 설정된 조건에 따라 심층신경망을 학습시키고, 복수개의 학습 함수에 대한 오차를 분석하여 오차가 가장 작은 학습 함수를 최적의 학습 함수로 설정하도록 구성된 최적 학습 함수 설정부; 상기 심층신경망의 은닉층의 노드 수를 변경해가면서 민감도를 분석하여 가장 낮은 오차(검증 오차와 시험 오차의 평균)를 보이는 은닉층의 노드수를 최적의 은닉층의 노드수로 결정하도록 구성된 신경망 은닉층의 노드수에 따른 민감도 분석부; 상기 설정된 심층신경망의 조건, 최적의 학습 함수 및 최적의 은닉층의 노드수를 기초로 심층신경망을 설정하도록 구성된 최적의 신경망 설정부; 및 상기 최적의 신경망 설정부에 의해 설정된 심층신경망을 밀도검층 자료가 존재하지 않는 유정에 적용하여 해당 유정의 밀도검층 자료를 생성하도록 구성된 밀도검층 자료 생성부;를 포함하는 것을 특징으로 한다.In order to achieve the above object, according to an embodiment of the present invention, a system for generating a composite density log of a target field using a deep neural network includes an oil well map data input unit configured to receive oil well map data; A data acquisition and preprocessing unit configured to acquire the latitude, longitude, depth, sonic logging data, and density logging data of the well from the well map data, and to remove the inappropriate data by preprocessing the data; A basic deep neural network condition setting unit configured to set a deep neural network condition using pre-processed latitude, longitude, depth, sonic logging data and density logging data and specific learning conditions; An optimal learning function setting unit configured to learn a deep neural network according to a condition set by the basic deep neural network condition setting unit, analyze an error of a plurality of learning functions, and set a learning function having the smallest error as an optimal learning function; The number of nodes of the hidden layer having the lowest error (average of verification error and test error) is determined by changing the number of nodes of the hidden layer of the deep neural network to determine the optimal number of nodes of the hidden layer. Sensitivity analysis according to; An optimal neural network setting unit configured to set a deep neural network based on the set conditions of the deep neural network, an optimal learning function, and an optimal number of nodes of the hidden layer; And a density logging data generation unit configured to generate the density logging data of the well by applying the depth neural network set by the optimal neural network setting unit to an oil well in which the density logging data does not exist.
상기 일 실시형태에 의한, 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 시스템에 있어서, 상기 특정 영역은 타겟필드, 타겟필드의 주변 영역 및 타겟필드와 지질환경이 유사한 영역을 포함할 수 있다.In the synthetic density logging data generation system of a target field using a deep neural network according to the above embodiment, the specific region may include a target field, a peripheral region of the target field, and a region similar to the target field and the geological environment.
상기 일 실시형태에 의한, 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 시스템에 있어서, 상기 전처리는 획득된 특정 영역에 대한 유정의 음파검층 자료 및 밀도검층 자료 중, 설정된 개수만큼 연속하여 동일한 이상(異常)값을 갖는 음파검층 자료, 설정된 음수 값 이하의 값을 가지는 밀도검층 자료, 및 음파검층 자료와 밀도검층 자료의 상관계수가 설정값 이상을 갖는 음파검층 자료와 밀도검층 자료를 제거하는 단계; 및 상기 제거 과정을 거친 유정의 음파검층 자료 및 밀도검층 자료와 위도, 경도 및 심도를 다음의 [수학식 1]에 의해 정규화시키는 단계;를 포함할 수 있다.In the synthetic density logging data generation system of a target field using a deep neural network according to the above embodiment, the preprocessing is successively equal to a predetermined number of sonic logging data and density logging data of a well for a specific region obtained. (B) removing the sound logging data and the density logging data having a correlation coefficient between the sound logging data and the density logging data having a value equal to or less than the set negative value, ; And normalizing the sound wave logging data, the density logging data, and the latitude, longitude, and depth of the well, which have been subjected to the removal, by
[수학식 1][Equation 1]
상기 일 실시형태에 의한, 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 시스템에 있어서, 상기 기본 심층신경망 조건 설정부에 의해 심층신경망의 조건을 설정하는 것은 상기 심층신경망의 입력 값을 위도, 경도, 심도 및 음파검층 자료로 설정하는 단계; 상기 심층신경망의 출력 값을 밀도검층 자료로 설정하는 단계; 및 상기 심층신경망의 학습 조건을 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료에 대해 최솟값과 최댓값으로 자료를 정규화하는 단계;를 포함할 수 있다.In the synthetic density logging data generation system of a target field using a deep neural network according to the above embodiment, setting the conditions of the deep neural network by the basic deep neural network condition setting unit determines the input value of the deep neural network by latitude and longitude. Setting the depth and sonic logging data; Setting an output value of the deep neural network as density logging data; And normalizing data with minimum and maximum values of latitude, longitude, depth, sonic logging data, and density logging data for learning conditions of the deep neural network.
상기의 목적을 달성하기 위해 본 발명의 다른 실시형태에 의한, 타겟필드의 합성 밀도검층 자료 생성 방법은 상기 합성 밀도검층 자료 생성 시스템에 의해 유정 지도 자료를 입력받는 단계; 상기 합성 밀도검층 자료 생성 시스템이 상기 유정 지도 자료로부터 특정 영역에 대한 유정의 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료를 획득하고, 해당 자료들에 대해 전처리하여 부적절한 자료를 제거하는 단계; 상기 합성 밀도검층 자료 생성 시스템이 전처리된 상기 유정의 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료와 특정 학습 조건을 이용하여 심층신경망의 조건을 설정하는 단계; 상기 합성 밀도검층 자료 생성 시스템이 설정된 상기 심층신경망의 조건에 따라 심층신경망을 학습시키고, 복수개의 학습 함수에 대한 오차를 분석하여 오차가 가장 작은 학습 함수를 최적의 학습 함수로 설정하는 단계; 상기 합성 밀도검층 자료 생성 시스템이 상기 심층신경망의 은닉층의 노드 수를 변경해가면서 민감도를 분석하여 가장 낮은 오차(검증 오차와 시험 오차의 평균)를 보이는 은닉층의 노드수를 최적의 은닉층의 노드수로 결정하는 단계; 상기 합성 밀도검층 자료 생성 시스템이 설정된 상기 심층신경망의 조건, 최적의 학습 함수 및 최적의 은닉층의 노드수를 기초로 심층신경망을 설정하는 단계; 및 상기 합성 밀도검층 자료 생성 시스템이 설정된 상기 심층신경망을 밀도검층 자료가 존재하지 않는 유정에 적용하여 해당 유정의 밀도검층 자료를 생성하는 단계;를 포함하는 것을 특징으로 한다.In order to achieve the above object, according to another embodiment of the present invention, a method for generating a composite density logging data of a target field includes receiving an oil well guidance data by the synthesis density logging data generating system; Obtaining, by the synthetic density logging data generation system, the latitude, longitude, depth, sonic logging data, and density logging data of the well for a specific region from the well map data, and preprocessing the data to remove inappropriate data; Setting the conditions of the deep neural network using the latitude, longitude, depth, sonic logging data, density logging data, and specific learning conditions of the wells preprocessed by the synthetic density logging data generation system; Training the deep neural network according to the conditions of the deep neural network set by the synthetic density logging data generating system, analyzing errors of a plurality of learning functions, and setting a learning function having the smallest error as an optimal learning function; The synthetic density logging data generation system analyzes the sensitivity while changing the number of nodes of the hidden layer of the deep neural network to determine the number of nodes of the hidden layer having the lowest error (average of verification error and test error) as the optimal number of nodes of the hidden layer. Making; Setting a deep neural network based on the condition of the deep neural network, an optimal learning function, and an optimal number of nodes of the hidden hidden layer in which the synthetic density logging data generation system is set; And generating the density logging data of the well by applying the deep neural network in which the synthesis density logging data generating system is set to an oil well in which the density logging data does not exist.
상기 다른 실시형태에 의한 타겟필드의 합성 밀도검층 자료 생성 방법에 있어서, 상기 심층신경망의 조건을 설정하는 단계는 상기 심층신경망의 입력 값을 위도, 경도, 심도 및 음파검층 자료로 설정하는 단계; 상기 심층신경망의 출력 값을 밀도검층 자료로 설정하는 단계; 및 상기 심층신경망의 학습 조건을 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료를 최솟값과 최댓값으로 자료를 정규화하는 단계;를 포함할 수 있다.In the method for generating a composite density logging data of a target field according to the other embodiment, the setting of the conditions of the deep neural network comprises the steps of: setting input values of the deep neural network as latitude, longitude, depth, and sonic logging data; Setting an output value of the deep neural network as density logging data; And normalizing the learning conditions of the deep neural network with minimum and maximum values of latitude, longitude, depth, sonic logging data, and density logging data.
본 발명의 실시형태들에 의한, 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 시스템 및 방법에 의하면, 유정 지도 자료를 입력받고, 상기 유정 지도 자료로부터 특정 영역에 대한 유정의 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료를 획득하고, 해당 자료들에 대해 전처리하여 부적절한 자료를 제거하며, 전처리된 상기 유정의 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료와 특정 학습 조건을 이용하여 심층신경망의 조건을 설정하며, 설정된 상기 조건에 따라 심층신경망을 학습시키고, 복수개의 학습 함수에 대한 오차를 분석하여 오차가 가장 작은 학습 함수를 최적의 학습 함수로 설정하며, 상기 심층신경망의 은닉층의 노드 수를 변경해가면서 민감도를 분석하여 가장 낮은 오차(검증 오차와 시험 오차의 평균)를 보이는 은닉층의 노드수를 최적의 은닉층의 노드수로 결정하며, 설정된 상기 심층신경망의 조건, 최적의 학습 함수 및 최적의 은닉층의 노드수를 기초로 심층신경망을 설정하며, 설정된 상기 심층신경망을 밀도검층 자료가 존재하지 않는 유정에 적용하여 해당 유정의 밀도검층 자료를 생성하도록 구성됨으로써, 유정의 음파검층 자료는 존재하지만 밀도검층 자료가 존재하지 않을 경우, 존재하는 유정의 위치 정보와 음파검층 자료를 이용하여 밀도검층 자료를 생성할 수 있다는 뛰어난 효과가 있다.According to the system and method for generating a composite density logging data of a target field using a deep neural network according to embodiments of the present invention, the well map data is input, and the latitude, longitude, and depth of the well for a specific region are input from the well map data. , Sonic logging data and density logging data are obtained, and preprocessing is performed to remove inappropriate data, and the latitude, longitude, depth, sonic logging data and density logging data and specific learning conditions of the pretreated wells are used. Sets a condition of the deep neural network, trains the deep neural network according to the above set conditions, analyzes the errors of the plurality of learning functions, sets a learning function having the smallest error as an optimal learning function, and sets the hidden layer of the deep neural network. Analyzing sensitivity as you change the number of nodes shows the lowest error (average of validation error and test error). Determine the number of nodes in the layer as the optimal hidden layer, set the deep neural network based on the set condition of the deep neural network, the optimal learning function and the optimal number of nodes in the hidden layer, and set the depth neural network Is applied to the wells that do not exist to generate density logging data for the wells.If the sonic logging data of the wells is present but the density logging data is not present, the location information and sonic logging data of the wells are used. There is an excellent effect of generating density logging data.
도 1은 본 발명의 실시예에 의한, 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 시스템의 블록 구성도이다.
도 2는 도 1의 유정 지도 자료 입력부에 입력되는 유정 지도 자료의 예시도이다.
도 3은 도 1의 자료 획득 및 전처리부에 의해 음파검층 자료에서 부적절한 자료를 제거하는 예를 도시한 도면으로서, (a)는 획득된 특정 영역에 대한 유정의 음파검층 자료 및 밀도검층 자료 중, 설정된 개수만큼 연속하여 동일한 이상값을 갖는 음파검층 자료, 및 설정된 음수 값 이하의 값을 가지는 밀도검층 자료를 제거하는 것을 예시하고 있으며, (b)는 음파검층 자료와 밀도검층 자료의 상관계수가 설정값 이상을 갖는 음파검층 자료와 밀도검층 자료를 제거하는 것을 예시하는 도면이다.
도 4는 도 1의 기본 심층신경망 조건 설정부에 의해 심층신경망의 입력 값 및 출력 값을 설정하는 것을 나타낸 도면이다.
도 5는 도 1의 기본 심층신경망 조건 설정부에 의해 규정된 학습자료의 정규화에 쓰이는 자료의 통계 조건을 나타낸 표이다.
도 6은 도 1의 최적 학습 함수 설정부에 의해 설정된 심층신경망의 조건에 따라 심층신경망을 학습시키고, 복수개 의 학습 함수에 대한 오차를 분석하여 오차가 가장 작은 학습 함수를 최적의 학습 함수로 설정하기 위한 참고도이다.
도 7은 도 1의 신경망 은닉층의 노드수에 따른 민감도 분석부에 의해 심층신경망의 은닉층의 노드 수를 변경해가면서 민감도를 분석한 도면이다.
도 8은 도 7의 민감도 분석 결과에 따라서 최적의 노드 조합 및 최악의 노드 조합을 나타낸 도면이다.
도 9는 본 발명의 실시예에 의한 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 방법을 설명하기 위한 순서도이다.1 is a block diagram of a synthetic density logging data generation system of a target field using a deep neural network according to an embodiment of the present invention.
FIG. 2 is an exemplary diagram of an oil well map data input to an oil well map data input unit of FIG. 1.
FIG. 3 is a diagram illustrating an example of removing inappropriate data from sound wave logging data by the data acquisition and preprocessing unit of FIG. This example illustrates the removal of sonic logging data having the same outlier and the density logging data having a value less than or equal to the set negative value consecutively by the set number, and (b) sets the correlation coefficient between the sonic logging data and the density logging data. It is a figure which illustrates the removal of a sonic logging data and a density logging data which have more than a value.
FIG. 4 is a diagram illustrating setting input and output values of the deep neural network by the basic deep neural network condition setting unit of FIG. 1.
FIG. 5 is a table illustrating statistical conditions of data used for normalizing learning data defined by the basic deep neural network condition setting unit of FIG. 1.
6 is to learn a deep neural network according to the conditions of the deep neural network set by the optimum learning function setting unit of FIG. It is for reference only.
FIG. 7 is a diagram illustrating sensitivity analysis by changing the number of nodes of a hidden layer of a deep neural network by a sensitivity analyzer according to the number of nodes of the neural network hidden layer of FIG. 1.
FIG. 8 is a diagram illustrating an optimal node combination and a worst node combination according to the sensitivity analysis result of FIG. 7.
9 is a flowchart illustrating a method for generating a composite density logging data of a target field using a deep neural network according to an embodiment of the present invention.
본 발명의 실시예를 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예를 기술하기 위한 것이며, 결코 제한적으로 해석되어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하는 것으로 해석되어서는 안 된다.In describing the embodiments of the present invention, when it is determined that the detailed description of the known technology related to the present invention may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted. Terms to be described later are terms defined in consideration of functions in the present invention, and may be changed according to intentions or customs of users or operators. Therefore, the definition should be made based on the contents throughout the specification. The terminology used in the description is for the purpose of describing particular embodiments only and should not be construed as limiting. Unless expressly used otherwise, the singular forms “a,” “an,” and “the” include plural forms of meaning. In this description, expressions such as "comprises" or "equipment" are intended to indicate certain features, numbers, steps, actions, elements, portions or combinations thereof, and one or more than those described. It should not be construed to exclude the presence or possibility of other features, numbers, steps, actions, elements, portions or combinations thereof.
도면에서 도시된 각 시스템에서, 몇몇 경우에서의 요소는 각각 동일한 참조 번호 또는 상이한 참조 번호를 가져서 표현된 요소가 상이하거나 유사할 수가 있음을 시사할 수 있다. 그러나 요소는 상이한 구현을 가지고 본 명세서에서 보여지거나 기술된 시스템 중 몇몇 또는 전부와 작동할 수 있다. 도면에서 도시된 다양한 요소는 동일하거나 상이할 수 있다. 어느 것이 제1 요소로 지칭되는지 및 어느 것이 제2 요소로 불리는지는 임의적이다.In each system shown in the figures, elements in some cases may each have the same reference number or different reference numbers, suggesting that the elements represented may be different or similar. However, elements may operate with some or all of the systems shown or described herein with a different implementation. The various elements shown in the figures may be the same or different. Which is called the first element and which is called the second element is optional.
본 명세서에서 어느 하나의 구성요소가 다른 구성요소로 자료 또는 신호를 '전송', '전달' 또는 '제공'한다 함은 어느 한 구성요소가 다른 구성요소로 직접 자료 또는 신호를 전송하는 것은 물론, 적어도 하나의 또 다른 구성요소를 통하여 자료 또는 신호를 다른 구성요소로 전송하는 것을 포함한다.In the present specification, that one component 'transmits', 'transmits' or 'provides' data or signals to another component, as well as transmitting data or signals directly to another component. And transmitting data or signals to another component through at least one other component.
이하, 본 발명의 실시예를 도면을 참조하여 상세히 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
도 1은 본 발명의 실시예에 의한, 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 시스템의 블록 구성도이다.1 is a block diagram of a synthetic density logging data generation system of a target field using a deep neural network according to an embodiment of the present invention.
본 발명의 실시예에 의한 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 시스템은, 도 1에 도시된 바와 같이, 유정 지도 자료 입력부(100), 자료 획득 및 전처리부(200), 기본 심층신경망 조건 설정부(300), 최적 학습 함수 설정부(400), 신경망 은닉층의 노드수에 따른 민감도 분석부(500), 최적의 신경망 설정부(600) 및 밀도검층 자료 생성부(700)를 포함한다.Synthetic density logging data generation system of a target field using a deep neural network according to an embodiment of the present invention, as shown in Figure 1, well map
유정 지도 자료 입력부(100)는 아큐맵 데이터베이스(Accumap database)와 같은 응용프로그램을 통해 유정 지도 자료를 입력받는 역할을 한다.The well map
도 2는 도 1의 유정 지도 자료 입력부에 입력되는 유정 지도 자료의 예시도로서, 타겟필드 근처의 오일 및 가스 유정을 나타낸다. 빈 원은 가스나 오일이 없음을 의미하고, 검은색 원은 오일 또는 가스를 보여준다. 타겟필드 캐나다 알버타에 위치한 타켓필드에서의 슬래브포인트(Slave Point, SLVP) 지층은 해침성 시퀀스 동안 퇴적되었고, 그 시퀀스는 상대적인 상승 정도에 따라 두 개의 주요 해수면 상승 사이클로 나누어진다. 이러한 이유로, 두 주기 사이의 탄산염 퇴적 환경은 다르다. 전체 지도 위에 있는 실선은 뱅크 마진을 나타낸다. 사이클 2에서 실선은 해침 시퀀스의 퇴적 한계를 나타낸다. 두 선의 경계는 타겟필드와 유사한 퇴적 설정을 정의하기 위한 경계라고 가정한다. 음향 검층 자료 및 밀도검층 자료는 청색으로 강조 표시된 영역에서 획득되며, 이는 동일한 퇴적 설정에서 발생할 가능성이 높다. 적색 유정은 두 경계 사이의 슬래브포인트 지층을 통해 시추되고, 그것들의 퇴적 설정은 타겟필드의 유정과 동일하다.FIG. 2 is an exemplary diagram of oil well guidance data input to the oil well guidance data input unit of FIG. 1 and shows oil and gas wells near a target field. An empty circle means no gas or oil, and a black circle shows oil or gas. Slave Point (SLVP) strata at Target Field in Alberta, Targetfield, Canada, were deposited during the immersion sequence, which is divided into two major sea level rise cycles, depending on the relative elevation. For this reason, the carbonate deposition environment between the two cycles is different. The solid line above the entire map represents the bank margin. The solid line in
자료 획득 및 전처리부(200)는 유정 지도 자료로부터 특정 영역에 대한 유정의 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료를 획득하고, 해당 자료들에 대해 전처리하여 부적절한 자료를 제거하는 역할을 한다. The data acquisition and
전처리는 획득된 특정 영역에 대한 유정의 음파검층 자료 및 밀도검층 자료 중, 설정된 개수만큼 연속하여 동일한 이상값을 갖는 음파검층 자료(예시 1: 10개가 연속적으로 동일한 음파검층 자료), 설정된 음수 값 이하의 값을 가지는 밀도검층 자료(예시 2: -999.99 값을 가지는 밀도검층 자료), 및 음파검층 자료와 밀도검층 자료의 상관계수가 설정값 이상을 갖는 음파검층 자료와 밀도검층 자료(예시 3: +0.3 이상의 양의 상관계수를 보이는 음파검층 자료 및 밀도검층 자료)를 제거한 후, 유정의 음파검층 자료 및 밀도검층 자료와 위도, 경도, 및 심도를 다음의 [수학식 1]에 의해 정규화시키는 과정을 거친다.The pre-processing is the sonic logging data having the same outlier value continuously as the set number among the sonic logging data and the density logging data of the well for the specific region obtained (Example 1: 10 sonic logging data which is the same in succession), and below the set negative value. Density logging data having a value of (Example 2: Density logging data having a value of -999.99), and Acoustic logging data and density logging data having a correlation coefficient between the sonic logging data and the density logging data having a set value or more (Example 3: + After removing the sonic logging data and the density logging data showing a positive correlation coefficient of 0.3 or more, normalize the sonic logging data and the density logging data, latitude, longitude, and depth of the well by
[수학식 1][Equation 1]
기본 심층신경망 조건 설정부(300)는 자료 획득 및 전처리부(200)에 의해 전처리된 유정의 음파검층 자료 및 밀도검층 자료와, 유정의 위도, 경도, 심도 및 특정 학습 조건을 이용하여 심층신경망의 조건을 설정하는 역할을 한다.The basic deep neural network
심층신경망의 조건 설정 과정에 대해 상세히 설명하면, 도 4에 도시된 바와 같이, 심층신경망의 입력 값을 위도, 경도, 심도 및 음파검층 자료로 설정하고, 심층신경망의 출력 값을 밀도검층 자료로 설정한다. When the condition setting process of the deep neural network is described in detail, as shown in FIG. 4, the input value of the deep neural network is set to latitude, longitude, depth and sonic logging data, and the output value of the deep neural network is set to density logging data. do.
이후, 심층신경망의 학습에 쓰이는 자료의 통계 조건을 예컨대, 도 5에 도시된 바와 같이, 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료에 대해 최솟값과 최댓값으로 정규화한다.Thereafter, statistical conditions of data used for deep neural network learning are normalized to minimum and maximum values for latitude, longitude, depth, sonic logging data, and density logging data, for example, as shown in FIG. 5.
최적 학습 함수 설정부(400)는 기본 심층신경망 조건 설정부(300)에 의해 설정된 심층신경망의 조건에 따라 심층신경망을 학습시키고, 복수개의 학습 함수에 대한 오차를 분석하여 오차가 가장 작은 학습 함수를 최적의 학습 함수로 설정하는 역할을 한다.The optimal learning
도 6은 도 1의 최적 학습 함수 설정부에 의해 설정된 심층신경망의 조건에 따라 심층신경망을 학습시키고, 복수개의 학습 함수에 대한 오차를 분석하여 오차가 가장 작은 학습 함수를 최적의 학습 함수로 설정하기 위한 참고도이다. 도 6에서는 4가지 학습 함수별로 밀도검층 자료의 오차를 분석한 결과를 나타낸 도면으로서, 여기서 (b)는 기울기 기반 회복성 역전파 학습 기법을 이용한 결과이며 오차가 가장 작기 때문에 이를 최적의 학습 함수로 설정한다.6 is to learn a deep neural network according to the conditions of the deep neural network set by the optimum learning function setting unit of FIG. 1, to analyze the errors for a plurality of learning functions to set the learning function having the smallest error as the optimal learning function For reference only. Figure 6 shows the results of analyzing the error of density logging data for each of the four learning functions, where (b) is the result of using the slope-based resilient back-propagation learning technique and because the error is the smallest, this is the optimal learning function. Set it.
신경망 은닉층의 노드수에 따른 민감도 분석부(500)는 심층신경망의 은닉층의 노드 수를 변경해가면서 민감도를 분석하여 가장 낮은 오차(검증 오차와 시험 오차의 평균)를 보이는 은닉층의 노드수를 최적의 은닉층의 노드수로 결정하는 역할을 한다.The
도 7은 도 1의 신경망 은닉층의 노드수에 따른 민감도 분석부에 의해 심층신경망의 은닉층의 노드 수를 변경해가면서 민감도를 분석한 도면이다. 여기서 은닉층의 노드 수를 8가지 경우(즉, Case 1, 2, 3...8)로 변경해가면서 민감도를 분석하였다. Case 1은 첫 번째와 두 번째 은닉층의 노드수를 모두 10으로 설정하고, Case 2는 첫 번째와 두 번째 은닉층의 노드수를 모두 20으로 설정하며, Case 3은 첫 번째와 두 번째 은닉층의 노드수를 모두 30으로 설정하며, Case 8은 첫 번째와 두 번째 은닉층의 노드수를 모두 80으로 설정하였다. 결과적으로 Case 3의 경우가 가장 낮은 오차(검증 오차와 시험 오차의 평균)를 보이는 은닉층의 노드수를 나타내며, Case 3으로부터 노드수 조합 근처에 가장 낮은 오차를 보이는 노드수 조합이 존재할 것임을 추측할 수 있다.FIG. 7 is a diagram illustrating sensitivity analysis by changing the number of nodes of a hidden layer of a deep neural network by a sensitivity analyzer according to the number of nodes of the neural network hidden layer of FIG. 1. The sensitivity was analyzed by changing the number of nodes in the hidden layer to eight cases (ie,
도 8은 도 7의 민감도 분석 결과를 참고하여 Case 3 근방의 노드수에 대해서 좀 더 세밀하게 민감도를 분석한 결과를 나타낸다. 적색은 최적의 노드 조합을 나타내며, 청색은 최악의 노드 조합을 나타낸다. 결과적으로, 적색 조합들 중에서 가장 낮은 오차(검증 오차와 시험 오차의 평균)를 보이는 은닉층의 노드수 조합을 최적의 은닉층의 노드수로 결정한다.FIG. 8 illustrates a result of analyzing the sensitivity in more detail with respect to the number of nodes near
최적의 신경망 설정부(600)는 기본 심층신경망 조건 설정부(300)에 의해 설정된 심층신경망의 조건, 최적 학습 함수 설정부(400)에 의해 설정된 최적의 학습 함수, 및 신경망 은닉층의 노드수에 따른 민감도 분석부(500)에 의해 설정된 최적의 은닉층의 노드수를 기초로 심층신경망을 설정하는 역할을 한다.The optimal neural
밀도검층 자료 생성부(700)는 최적의 신경망 설정부(600)에 의해 설정된 심층신경망을 밀도검층 자료가 존재하지 않는 유정에 적용하여 해당 유정의 밀도검층 자료를 생성하는 역할을 한다.The density
상기와 같이 구성된 본 발명의 실시예에 의한 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 시스템을 이용한 타겟필드의 합성 밀도검층 자료 생성 방법에 대해 설명하기로 한다.The method of generating the composite density logging data of the target field using the system for generating the composite density logging data of the target field using the deep neural network according to the embodiment of the present invention configured as described above will be described.
도 9는 본 발명의 실시예에 의한 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 방법을 설명하기 위한 순서도로서, 여기서 S는 스텝(step)을 의미한다.9 is a flowchart illustrating a method for generating a composite density logging data of a target field using a deep neural network according to an embodiment of the present invention, where S denotes a step.
먼저, 합성 밀도검층 자료 생성 시스템이 유정 지도 자료를 입력받으면(S10), 유정 지도 자료로부터 특정 영역에 대한 유정의 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료를 획득하고, 해당 자료들에 대해 전처리하여 부적절한 자료를 제거한다(S20).First, when the synthesis density logging data generation system receives the well mapping data (S10), the wells latitude, longitude, depth, sonic logging data and density logging data for a specific region are acquired from the well mapping data, Preprocessing to remove inappropriate data (S20).
전처리는 획득된 특정 영역에 대한 유정의 음파검층 자료 및 밀도검층 자료 중, 설정된 개수만큼 연속하여 동일한 이상값을 갖는 음파검층 자료, 설정된 음수 값 이하의 값을 가지는 밀도검층 자료, 및 음파검층 자료와 밀도검층 자료의 상관계수가 설정값 이상을 갖는 음파검층 자료와 밀도검층 자료를 제거한 후, 유정의 음파검층 자료 및 밀도검층 자료와 위도, 경도, 및 심도를 다음의 [수학식 1]에 의해 정규화시키는 과정을 포함한다. The pre-processing is performed in the sound wave logging data and the density logging data of the wells acquired for the specific area, the sound logging data having the same outlier value continuously, the density logging data having the value below the set negative value, and the sound wave logging data. After removing the acoustic logging data and the density logging data having the correlation coefficient of the density logging data over the set value, the sound wave logging data, the density logging data, the latitude, the hardness, and the depth of the well are normalized by the following
[수학식 1][Equation 1]
이어서, 합성 밀도검층 자료 생성 시스템은 전처리된 유정의 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료와 특정 학습 조건을 이용하여 심층신경망의 조건을 설정한다(S30).Subsequently, the synthetic density logging data generation system sets the conditions of the deep neural network using the latitude, longitude, depth, sonic logging data, density logging data, and specific learning conditions of the pretreated well (S30).
심층신경망의 조건 설정은 심층신경망의 입력 값을 위도, 경도, 심도 및 음파검층 자료로 설정하고, 심층신경망의 출력 값을 밀도검층 자료로 설정한 후, 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료에 대해 수학식 1을 이용하여 정규화하는 과정을 거친다.The condition setting of the deep neural network sets the input value of the deep neural network as latitude, longitude, depth and sonic logging data, and sets the output value of the deep neural network as the density logging data, and then the latitude, longitude, depth, sonic logging data and density. The logging data is normalized using
이후, 합성 밀도검층 자료 생성 시스템은 설정된 심층신경망의 조건에 따라 심층신경망을 학습시키고, 복수개의 학습 함수에 대한 오차를 분석하여 이중 오차가 가장 작은 학습 함수를 최적의 학습 함수로 설정한다(S40).Subsequently, the synthetic density logging data generation system learns the deep neural network according to the set deep neural network conditions, analyzes the errors of the plurality of learning functions, and sets the learning function having the smallest double error as the optimal learning function (S40). .
이후, 합성 밀도검층 자료 생성 시스템은 심층신경망의 은닉층의 노드 수를 변경해가면서 민감도를 분석하여 가장 낮은 오차(검증 오차와 시험 오차의 평균)를 보이는 은닉층의 노드수를 최적의 은닉층의 노드수로 결정한다(S50).Subsequently, the synthetic density logging data generation system analyzes the sensitivity while changing the number of nodes of the hidden layer of the deep neural network to determine the number of nodes of the hidden layer having the lowest error (average of verification error and test error) as the optimal number of nodes of the hidden layer. (S50).
이어서, 합성 밀도검층 자료 생성 시스템은 스텝(S30)에서 설정된 심층신경망의 조건, 스텝(S40)에서 설정된 최적의 학습 함수, 및 스텝(S50)에서 결정된 최적의 은닉층의 노드수를 기초로 최적의 심층신경망을 설정한다(S60).Subsequently, the synthetic density logging data generation system performs an optimal depth based on the condition of the deep neural network set in step S30, the optimal learning function set in step S40, and the number of nodes of the optimal hidden layer determined in step S50. The neural network is set (S60).
최종적으로, 유정 밀도검층 자료 획득 시스템은 스텝(S60)에서 설정된 최적의 심층신경망을 밀도검층 자료가 존재하지 않는 유정에 적용하여 해당 유정의 밀도검층 자료를 생성한다(S70).Finally, the well density logging data acquisition system generates the density logging data of the well by applying the optimal depth neural network set in step S60 to the well without the density logging data (S70).
본 발명의 실시예에 의한, 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 시스템 및 방법에 의하면, 유정 지도 자료를 입력받고, 상기 유정 지도 자료로부터 특정 영역에 대한 유정의 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료를 획득하고, 해당 자료들에 대해 전처리하여 부적절한 자료를 제거하며, 전처리된 상기 유정의 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료와 특정 학습 조건을 이용하여 심층신경망의 조건을 설정하며, 설정된 상기 심층신경망의 조건에 따라 심층신경망을 학습시키고, 복수개의 학습 함수에 대한 오차를 분석하여 오차가 가장 작은 학습 함수를 최적의 학습 함수로 설정하며, 상기 심층신경망의 은닉층의 노드 수를 변경해가면서 민감도를 분석하여 가장 낮은 오차(검증 오차와 시험 오차의 평균)를 보이는 은닉층의 노드수를 최적의 은닉층의 노드수로 결정하며, 설정된 상기 심층신경망의 조건, 최적의 학습 함수 및 최적의 은닉층의 노드수를 기초로 심층신경망을 설정하며, 설정된 상기 심층신경망을 밀도검층 자료가 존재하지 않는 유정에 적용하여 해당 유정의 밀도검층 자료를 생성하도록 구성됨으로써, 유정의 음파검층 자료는 존재하지만 밀도검층 자료가 존재하지 않을 경우, 존재하는 유정의 위치 정보와 음파검층 자료를 이용하여 밀도검층 자료를 생성할 수 있다.According to the system and method for generating a composite density logging data of a target field using a deep neural network according to an embodiment of the present invention, the well map data is input, and the latitude, longitude, depth, Acquire sonic logging data and density logging data, preprocess the data to remove inappropriate data, and use the latitude, longitude, depth, sonic logging data and density logging data and the specific learning conditions of the pretreated well. Sets a condition of the neural network, trains a deep neural network according to the set deep neural network conditions, analyzes errors for a plurality of learning functions, sets a learning function having the smallest error as an optimal learning function, Sensitivity is analyzed by changing the number of nodes in the hidden layer to find the lowest error (average of validation error and test error). It determines the number of nodes of the hidden layer as the optimal number of nodes of the hidden layer, sets the deep neural network based on the set conditions of the deep neural network, the optimal learning function and the optimal number of nodes of the hidden layer, and sets the depth neural network It is configured to apply density well data of the well by applying it to the well where no data exists. If the sound wave data of the well is present but the density data is not available, the location information and sonic logging data of the well are used. Density logging data can be generated.
도면과 명세서에는 최적의 실시예가 개시되었으며, 특정한 용어들이 사용되었으나 이는 단지 본 발명의 실시형태를 설명하기 위한 목적으로 사용된 것이지 의미를 한정하거나 특허 청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.The drawings and the specification disclose the best embodiments, and specific terminology has been used, but it is used only for the purpose of describing embodiments of the invention and is intended to limit the meaning or limit the scope of the invention described in the claims. It is not. Therefore, those skilled in the art will understand that various modifications and equivalent other embodiments are possible. Therefore, the true technical protection scope of the present invention will be defined by the technical spirit of the appended claims.
100: 유정 지도 자료 입력부
200: 자료 획득 및 전처리부
300: 기본 심층신경망 조건 설정부
400: 최적 학습 함수 설정부
500: 신경망 은닉층의 노드수에 따른 민감도 분석부
600: 최적의 신경망 설정부
700: 밀도검층 자료 생성부100: well map input
200: data acquisition and preprocessing unit
300: basic deep neural network condition setting unit
400: optimal learning function setting unit
500: sensitivity analysis unit according to the number of nodes of the neural network concealment layer
600: optimal neural network setting unit
700: density logging data generation unit
Claims (8)
상기 유정 지도 자료로부터 특정 영역에 대한 유정의 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료를 획득하고, 해당 자료들에 대해 전처리하여 부적절한 자료를 제거하도록 구성된 자료 획득 및 전처리부;
전처리된 상기 유정의 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료와 특정 학습 조건을 이용하여 심층신경망의 조건을 설정하도록 구성된 기본 심층신경망 조건 설정부;
상기 기본 심층신경망 조건 설정부에 의해 설정된 심층신경망의 조건에 따라 심층신경망을 학습시키고, 복수개의 학습 함수에 대한 오차를 분석하여 오차가 가장 작은 학습 함수를 최적의 학습 함수로 설정하도록 구성된 최적 학습 함수 설정부;
상기 심층신경망의 은닉층의 노드 수를 변경해가면서 민감도를 분석하여 가장 낮은 오차(검증 오차와 시험 오차의 평균)를 보이는 은닉층의 노드수를 최적의 은닉층의 노드수로 결정하도록 구성된 신경망 은닉층의 노드수에 따른 민감도 분석부;
상기 설정된 심층신경망의 조건, 최적의 학습 함수 및 최적의 은닉층의 노드수를 기초로 심층신경망을 설정하도록 구성된 최적의 신경망 설정부; 및
상기 최적의 신경망 설정부에 의해 설정된 심층신경망을 밀도검층 자료가 존재하지 않는 유정에 적용하여 해당 유정의 밀도검층 자료를 생성하도록 구성된 밀도검층 자료 생성부;를 포함하는, 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 시스템.
An oil well map data input unit configured to receive oil well map data;
A data acquisition and preprocessing unit configured to acquire the latitude, longitude, depth, sonic logging data, and density logging data of the well from the well map data, and to remove the inappropriate data by preprocessing the data;
A basic deep neural network condition setting unit configured to set a deep neural network condition using pre-processed latitude, longitude, depth, sonic logging data and density logging data and specific learning conditions;
An optimal learning function configured to train the deep neural network according to the conditions of the deep neural network set by the basic deep neural network condition setting unit, and to set the learning function having the smallest error as an optimal learning function by analyzing errors for a plurality of learning functions. Setting unit;
The number of nodes of the hidden layer having the lowest error (average of verification error and test error) is determined by changing the number of nodes of the hidden layer of the deep neural network to determine the optimal number of nodes of the hidden layer. Sensitivity analysis according to;
An optimal neural network setting unit configured to set a deep neural network based on the set conditions of the deep neural network, an optimal learning function, and an optimal number of nodes of the hidden layer; And
A density logging data generation unit configured to generate the density logging data of the well by applying the depth neural network set by the optimal neural network setting unit to an oil well where density logging data does not exist. Synthetic density logging data generation system.
상기 특정 영역은 타겟필드, 타겟필드의 주변 영역 및 타겟필드와 지질환경이 유사한 영역을 포함하는, 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 시스템.
The method of claim 1,
The specific region includes a target field, a region surrounding the target field, and a region similar to the geological environment of the target field, the composite density logging data generation system of the target field using the deep neural network.
상기 전처리는
획득된 특정 영역에 대한 유정의 음파검층 자료 및 밀도검층 자료 중, 설정된 개수만큼 연속하여 동일한 이상(異常)값을 갖는 음파검층 자료, 설정된 음수 값 이하의 값을 가지는 밀도검층 자료, 및 음파검층 자료와 밀도검층 자료의 상관계수가 설정값 이상을 갖는 음파검층 자료와 밀도검층 자료를 제거하는 단계; 및
상기 제거 과정을 거친 유정의 음파검층 자료 및 밀도검층 자료와 위도, 경도, 및 심도를 다음의 [수학식 1]에 의해 정규화시키는 단계;를 포함하는, 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 시스템.
[수학식 1]
The method of claim 1,
The pretreatment is
Acoustic wave logging data having the same abnormal value as the set number consecutively, Density logging data having a value below the set negative value, and Acoustic wave logging data of the sound wave logging data and the density logging data of the wells acquired for the specific region obtained. Removing the sonic logging data and the density logging data having a correlation coefficient between the density logging data and the set value; And
Normalizing the sound wave logging data and density logging data of the well and the latitude, longitude, and depth of the well after the removal process by the following [Equation 1]; comprising, the composite density logging data of the target field using the deep neural network Generating system.
[Equation 1]
상기 기본 심층신경망 조건 설정부에 의해 심층신경망의 조건을 설정하는 것은
상기 심층신경망의 입력 값을 위도, 경도, 심도 및 음파검층 자료로 설정하는 단계;
상기 심층신경망의 출력 값을 밀도검층 자료로 설정하는 단계; 및
상기 심층신경망의 학습 조건을 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료에 대해 최솟값과 최댓값으로 정규화하는 단계;를 포함하는, 심층신경망을 이용한 타겟필드의 합성 밀도검층 자료 생성 시스템.
The method of claim 1,
Setting the conditions of the deep neural network by the basic deep neural network condition setting unit
Setting input values of the deep neural network as latitude, longitude, depth, and sonic logging data;
Setting an output value of the deep neural network as density logging data; And
Normalizing the learning conditions of the deep neural network to the minimum and maximum values for latitude, longitude, depth, sonic logging data and density logging data; comprising, the synthesis density logging data generation system of the target field using the deep neural network.
상기 합성 밀도검층 자료 생성 시스템에 의해 유정 지도 자료를 입력받는 단계;
상기 합성 밀도검층 자료 생성 시스템이 상기 유정 지도 자료로부터 특정 영역에 대한 유정의 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료를 획득하고, 해당 자료들에 대해 전처리하여 부적절한 자료를 제거하는 단계;
상기 합성 밀도검층 자료 생성 시스템이 전처리된 상기 유정의 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료와 특정 학습 조건을 이용하여 심층신경망의 조건을 설정하는 단계;
상기 합성 밀도검층 자료 생성 시스템이 설정된 상기 심층신경망의 조건에 따라 심층신경망을 학습시키고, 복수개의 학습 함수에 대한 오차를 분석하여 오차가 가장 작은 학습 함수를 최적의 학습 함수로 설정하는 단계;
상기 합성 밀도검층 자료 생성 시스템이 상기 심층신경망의 은닉층의 노드 수를 변경해가면서 민감도를 분석하여 가장 낮은 오차(검증 오차와 시험 오차의 평균)를 보이는 은닉층의 노드수를 최적의 은닉층의 노드수로 결정하는 단계;
상기 합성 밀도검층 자료 생성 시스템이 설정된 상기 심층신경망의 조건, 최적의 학습 함수 및 최적의 은닉층의 노드수를 기초로 심층신경망을 설정하는 단계; 및
상기 합성 밀도검층 자료 생성 시스템이 설정된 상기 심층신경망을 밀도검층 자료가 존재하지 않는 유정에 적용하여 해당 유정의 밀도검층 자료를 생성하는 단계;를 포함하는, 타겟필드의 합성 밀도검층 자료 생성 방법.
A method for generating a synthetic density logging data of a target field using a system for generating a synthetic density logging data of a target field using the deep neural network according to claim 1,
Receiving an oil well guidance data by the synthetic density logging data generation system;
Obtaining, by the synthetic density logging data generation system, the latitude, longitude, depth, sonic logging data, and density logging data of the well for a specific region from the well map data, and preprocessing the data to remove inappropriate data;
Setting the conditions of the deep neural network using the latitude, longitude, depth, sonic logging data, density logging data, and specific learning conditions of the wells preprocessed by the synthetic density logging data generation system;
Training the deep neural network according to the conditions of the deep neural network set by the synthetic density logging data generating system, analyzing errors of a plurality of learning functions, and setting a learning function having the smallest error as an optimal learning function;
The synthetic density logging data generation system analyzes the sensitivity while changing the number of nodes of the hidden layer of the deep neural network to determine the number of nodes of the hidden layer having the lowest error (average of verification error and test error) as the optimal number of nodes of the hidden layer. Making;
Setting a deep neural network based on the condition of the deep neural network, an optimal learning function, and an optimal number of nodes of the hidden hidden layer in which the synthetic density logging data generation system is set; And
And generating the density logging data of the well by applying the depth neural network in which the synthesis density logging data generation system is set to an oil well in which the density logging data does not exist.
상기 특정 영역은 타겟필드, 타겟필드의 주변 영역 및 타겟필드와 지질환경이 유사한 영역을 포함하는, 타겟필드의 합성 밀도검층 자료 생성 방법.
The method of claim 5,
Wherein the specific region includes a target field, a peripheral region of the target field, and a region similar in geological environment to the target field.
상기 전처리는
획득된 특정 영역에 대한 유정의 음파검층 자료 및 밀도검층 자료 중, 설정된 개수만큼 연속하여 동일한 값을 갖는 음파검층 자료, 설정된 음수 값 이하의 값을 가지는 밀도검층 자료, 및 음파검층 자료와 밀도검층 자료의 상관계수가 설정값 이상을 갖는 음파검층 자료와 밀도검층 자료를 제거하는 단계; 및
상기 제거 과정을 거친 유정의 음파검층 자료 및 밀도검층 자료와 위도, 경도, 및 심도를 다음의 [수학식 1]에 의해 정규화시키는 단계;를 포함하는, 타겟필드의 합성 밀도검층 자료 생성 방법.
[수학식 1]
The method of claim 5,
The pretreatment is
Acoustic wave logging data having the same value as the set number consecutively, Density logging data having a value less than or equal to the set negative value, and Acoustic wave logging data and density logging data, Removing the acoustic logging data and the density logging data having a correlation coefficient of more than a set value; And
Normalizing the sonic logging data and the density logging data and the latitude, longitude, and depth of the well after the removal process by the following [Equation 1]; comprising, the composite density logging data generation of the target field.
[Equation 1]
상기 심층신경망의 조건을 설정하는 단계는
상기 심층신경망의 입력 값을 위도, 경도, 심도 및 음파검층 자료로 설정하는 단계;
상기 심층신경망의 출력 값을 밀도검층 자료로 설정하는 단계; 및
상기 심층신경망의 학습 조건을 위도, 경도, 심도, 음파검층 자료 및 밀도검층 자료에 대해 최솟값과 최댓값으로 정규화하는 단계;를 포함하는, 타겟필드의 합성 밀도검층 자료 생성 방법.
The method of claim 5,
Setting the conditions of the deep neural network
Setting input values of the deep neural network as latitude, longitude, depth, and sonic logging data;
Setting an output value of the deep neural network as density logging data; And
Normalizing the learning conditions of the deep neural network to the minimum and maximum values for latitude, longitude, depth, sonic logging data and density logging data; comprising, synthetic density logging data generation of the target field.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190102282A KR102067195B1 (en) | 2019-08-21 | 2019-08-21 | System and method for generating synthetic well density log data of target field using deep neural network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190102282A KR102067195B1 (en) | 2019-08-21 | 2019-08-21 | System and method for generating synthetic well density log data of target field using deep neural network |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102067195B1 true KR102067195B1 (en) | 2020-01-15 |
Family
ID=69156624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190102282A KR102067195B1 (en) | 2019-08-21 | 2019-08-21 | System and method for generating synthetic well density log data of target field using deep neural network |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102067195B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160245065A1 (en) * | 2015-02-23 | 2016-08-25 | Nexen Energy Ulc | Methods, systems and devices for predicting reservoir properties |
| KR101818098B1 (en) * | 2016-07-28 | 2018-01-15 | 한국지질자원연구원 | Method for estimating volume of clay in rocks |
| KR101838518B1 (en) * | 2017-01-12 | 2018-03-14 | 동아대학교 산학협력단 | A Method for the well placement investigation using Productivity Potential Area Map |
| KR20190094692A (en) * | 2018-02-05 | 2019-08-14 | 문경훈 | Method of estimating flow rate and of detecting leak of wide area water using recurrent analysis, recurrent neural network and deep neural network |
-
2019
- 2019-08-21 KR KR1020190102282A patent/KR102067195B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160245065A1 (en) * | 2015-02-23 | 2016-08-25 | Nexen Energy Ulc | Methods, systems and devices for predicting reservoir properties |
| KR101818098B1 (en) * | 2016-07-28 | 2018-01-15 | 한국지질자원연구원 | Method for estimating volume of clay in rocks |
| KR101838518B1 (en) * | 2017-01-12 | 2018-03-14 | 동아대학교 산학협력단 | A Method for the well placement investigation using Productivity Potential Area Map |
| KR20190094692A (en) * | 2018-02-05 | 2019-08-14 | 문경훈 | Method of estimating flow rate and of detecting leak of wide area water using recurrent analysis, recurrent neural network and deep neural network |
Non-Patent Citations (4)
| Title |
|---|
| J. Yu, S.V.N. Vishwanathan, S. Gunter, and N. N. Schraudolph, "A quasi-Newton approach to nonsmooth convex optimization problems in machine learning," Journal of Machine Learning Research, vol. 11, pp. 1145-1200, 2010. |
| R. Fletcher and C.M. Reeves, "Function minimization by conjugate gradients," The Computer Journal, vol. 7, no. 2, pp. 149-154, 1964. |
| S. Ruder, "An overview of gradient descent optimization algorithms," https://arxiv.org/abs/1609.04747 |
| X.B. Jin, X. Y. Zhang, K. Huang, and G. G. Geng, "Stochastic conjugate gradient algorithm with variance reduction," https//arxiv.org/pdf/1710.09979 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8862450B2 (en) | Method of developing a petroleum reservoir from history matching of production data and seismic data | |
| US20190107642A1 (en) | System for improved reservoir exploration and production | |
| EP4010740A1 (en) | Petrophysical inversion with machine learning-based geologic priors | |
| US10120092B2 (en) | System and method for analysis of depositional settings of subsurface reservoirs | |
| US20050172699A1 (en) | Method for forming an optimum stochastic model of a heterogeneous underground zone, calibrated with dynamic data by parametrization of continuous distributions | |
| US20220090481A1 (en) | Method and system for processing well log data from multiple wells using machine learning | |
| US20220327324A1 (en) | Unsupervised well log reconstruction and outlier detection | |
| Chen et al. | Integration of cumulative-distribution-function mapping with principal-component analysis for the history matching of channelized reservoirs | |
| US11965998B2 (en) | Training a machine learning system using hard and soft constraints | |
| KR102067195B1 (en) | System and method for generating synthetic well density log data of target field using deep neural network | |
| US11262471B2 (en) | Iterative stochastic seismic inversion | |
| EP4196825B1 (en) | Machine learning-based differencing tool for hydrocarbon well logs | |
| US20230273335A1 (en) | Integration of geotags and opportunity maturation | |
| US20220050222A1 (en) | Residual signal detection for noise attenuation | |
| CN109328336B (en) | Earthquake processing task prediction scheduler | |
| US20220372846A1 (en) | Automated identification of well targets in reservoir simulation models | |
| US20240069237A1 (en) | Inferring subsurface knowledge from subsurface information | |
| US20230281507A1 (en) | Automated similarity measurement and property estimation | |
| US11898901B2 (en) | Method and system for mapping fiber optic distributed acoustic sensing measurements to particle motion | |
| US20230074047A1 (en) | Method and Apparatus for Performing Wavefield Predictions By Using Wavefront Estimations | |
| Oughton et al. | Quantifying uncertainty in pore pressure estimation using bayesian networks, with application to use of an offset well | |
| WO2024064077A1 (en) | Training of machine learning models for well target recommendation | |
| Prange et al. | Geologically constrained history matching with PCA | |
| CA3187504A1 (en) | Well correlation using global and local machine learning models | |
| Ma et al. | 3D reservoir modelling with the aid of artificial neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |