독창적인 고급 저장소 특성화를 위한 계층적 자동화 기계 학습(AutoML)

Scientific Reports 13권, 기사 번호: 13812(2023) 이 기사 인용

139 액세스

1 알트메트릭

측정항목 세부정보

최근 기계 학습(ML)의 발전으로 탄화수소, CO2 저장, 수소를 포함한 에너지 탐사 환경이 변화되었습니다. 그러나 저장소 특성화를 위한 유능한 ML 모델을 구축하려면 모델을 미세 조정하고 최상의 예측을 달성하기 위해 구체적이고 심층적인 지식이 필요하므로 지구과학에서 기계 학습의 접근성이 제한됩니다. 이 문제를 완화하기 위해 우리는 최근 등장한 자동화된 기계 학습(AutoML) 접근 방식을 구현하여 기존 ML 접근 방식보다 더 최적화되고 접근 가능한 워크플로로 색다른 저장소 특성화를 수행하기 위한 알고리즘 검색을 수행했습니다. 이 연구에서는 앨버타 Athabasca Oil Sands의 1000개가 넘는 유정을 분석하여 암석층, 다공성, 셰일 부피, 역청 질량 비율과 같은 다양한 주요 저장소 특성을 예측했습니다. 제안된 워크플로는 (1) 첫 번째 단계는 기존 유정 로그 데이터를 사용하여 셰일의 양과 다공성을 예측하는 데 중점을 두고, (2) 두 번째 단계는 예측된 출력을 유정 로그 데이터와 결합하여 다음과 같은 두 단계의 AutoML 예측으로 구성됩니다. 암석층과 역청 비율을 예측합니다. 연구 결과에 따르면 다공성(정확도 78%), 셰일 부피(80.5%), 역청 비율(67.3%) 및 암석층 분류(98%), 분산 랜덤 포레스트, 그래디언트 부스팅 머신이 최고의 모델로 등장했습니다. 수동으로 미세 조정된 기존 기계 학습 알고리즘과 비교할 때 AutoML 기반 알고리즘은 분류 문제에서 최대 15~20%의 더 높은 가중 평균 f1 점수와 5~10%의 더 높은 가중 평균 f1 점수로 저수지 속성 예측에 눈에 띄는 개선을 제공합니다. 블라인드 테스트 데이터 세트의 회귀 문제에 대한 조정된 R2 점수에서 이는 ~ 400초의 훈련 및 테스트 프로세스 후에만 달성됩니다. 또한 특징 순위 추출 기법을 통해 각 예측의 가장 중요한 입력 매개변수에 관해 도메인 전문가와 잘 일치합니다. 따라서 AutoML 워크플로는 최소한의 시간과 사람의 개입으로 고급 석유물리학 분석 및 저장소 특성화를 수행하는 데 강력한 것으로 입증되었으며, 모델의 설명 가능성을 유지하면서 도메인 전문가에게 더 많은 접근성을 제공합니다. AutoML과 주제 전문가의 통합은 데이터 기반 에너지 지구과학을 최적화하는 데 있어 인공지능 기술 구현을 발전시킬 수 있습니다.

지하 유정 로그 데이터는 퇴적 암석층의 공간적, 시간적 변동성과 저수지 구역의 석유물리학적 특성에 대한 중요한 정보를 제공하여 보다 완전한 저수지 평가를 가능하게 합니다1,2,3. 또한 유정 로그 데이터는 일반적으로 코어와 같은 다른 지하 데이터보다 대부분의 유정에서 더 풍부하게 사용할 수 있습니다. 효율성에도 불구하고, 유정 벌목에는 이질적인 퇴적 환경의 불확실성 수준과 데이터 처리 및 해석4,5을 수행하기 위한 숙련된 석유물리학자의 요구 사항에 있어서 몇 가지 제한 사항이 있습니다. 탄화수소 탐사에서 암석층 분류 및 다공성 예측과 같은 석유물리학 분석은 기계 학습이 적용될 수 있는 가장 활발한 영역 중 하나입니다6,7. 이는 주로 석유물리학 데이터가 잘 구조화되어 있고 물리적 모델 측면에서 잘 정의되어 있기 때문입니다. 결과적으로 많은 정교한 기계 학습 알고리즘을 석유물리학 데이터에 적용할 수 있습니다7. 이는 인공 지능 기술의 출현과 엄청난 양의 지하 데이터 세트의 가용성으로 인해 더욱 강화되어 고급 기계 학습 알고리즘을 위한 길을 열었습니다. 다공성을 예측하기 위해 인공 신경망을 적용하는 최초의 성공적인 시도 중 하나를 제공한 Wong8의 독창적인 작업에 이어 다양한 지도 및 비지도 기계 학습 모델을 사용하여 다양한 암석물리학적 특성을 예측하는 수많은 시도가 소개되었습니다. Al-Anazi와 Gates9는 이종 저수지의 다공성을 예측하기 위해 지원 벡터 회귀를 사용했습니다. 또한 Chen et al.10은 다공성을 예측하기 위해 딥러닝 알고리즘을 구현했습니다. 이 접근 방식은 제한된 데이터를 사용할 수 있고 다양한 로그 깊이가 있는 경우 오류를 줄일 수 있습니다. 최근 Yang11의 연구에서는 최첨단 딥러닝 변환기 모델을 활용하여 다공성을 예측하고 높은 정확도를 달성했습니다. 여러 연구에서는 규산 및 탄산염 저수지 모두에서 투과성 예측을 수행하기 위해 기계 학습의 적용을 확장했습니다.