이산화탄소 지중저장을 위한 기계학습 기반 4-D 탄성파자료 통합 및 배사구조 채널대수층 특성화 (Machine Learning-based 4-D Seismic Data Integration and Characterization of Channelized Anticline Aquifer for Geological Carbon Sequestration)

서지정보

· 발행기관 : 한국자원공학회
· 수록지 정보 : 한국자원공학회지 / 61권 / 1호 / 1 ~ 14페이지
· 저자명 : 김현민, 김남화, 신현돈, 조홍근

초록

본 연구에서는 채널대수층의 이산화탄소 지중저장에서 4-D 탄성파자료를 통합해 불확실성을 정량화하고 신뢰도를 향상하기 위해 기계학습의 하나인 Pix2Pix 기반의 4-D 탄성파자료 통합기법을제안한다. 다점지구통계 기법으로 다양한 지질학적 시나리오를 따르는 2차원 채널대수층 모델을바탕으로 Pix2Pix을 학습시킨 후, 참조 채널대수층의 4-D 탄성파 변화를 입력하여 채널대수층 모델을 특성화한다. Pix2Pix을 구성하는 인공신경망 모델의 일부 연결을 끊는 (1) dropout을 이용하는방법과 (2) 인공신경망의 입력층에 랜덤 노이즈 맵을 추가하는 방법을 이용해 주어진 자료를 만족하며 지질학적 사실성을 보전하는 다양한 모델을 생성하고 이들로부터 불확실성을 정량화 한다.
Pix2Pix을 이용해 생성된 채널대수층은 참조 모델의 채널 방향성과 암상분포의 예측을 개선하였고, 나아가 미래 이산화탄소 액적군의 이동을 정확하게 예측한다. 제안한 방법은 채널대수층에서이산화탄소 지중저장을 하는 경우 4-D 탄성파자료를 통합해 불확실성을 평가함으로 이산화탄소지중저장의 모니터링기술로 활용될 수 있다.

영어초록

This study introduces a 4-D seismic data integration approach based on Pix2Pix to quantify uncertainty and enhance reliability in subsurface CO2 storage within channelized aquifers. We address geological uncertainties, such as the azimuth of channel direction, using multi-point statistics to generate diverse channelized aquifer models, to form the Pix2Pix training dataset. After successfully training the Pix2Pix, we realize the channelized aquifer models by assimilating 4-D seismic data changes from a reference channelized aquifer. The Pix2Pix dataset is crafted with (1) disconnections in artificial neural networks using dropout and (2) the addition of random noise to the input layer, yielding an ensemble of models that align with the provided data for quantifying uncertainty. Generating channelized aquifers using the suggested method improves prediction of channel direction, facies distribution, and accurate forecasts of future CO2 plume movement. As an advanced monitoring technology, our method integrates 4-D seismic data for effective CO2 storage in channelized aquifers.

참고자료

· 없음