물리검층 자료의 딥러닝 기반 해석을 통한 저류층 인자의 고해상도 평가

Abstract

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. ;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.