저류층 내 기계학습 해석 층서 및 종합 지하 물성의 불확실성 정량화 워크플로우 제시 (Integrative uncertainty quantification workflow for machine learning-interpreted horizons and subsurface properties)

서지정보

· 발행기관 : 한국지구물리.물리탐사학회
· 수록지 정보 : 지구물리와 물리탐사 / 28권 / 2호 / 79 ~ 91페이지
· 저자명 : 이민제, 박수환, 조용채

초록

지하 저류층의 불확실성은 층서 기하, 암상 분포, 그리고 공극률 등 다양한 지하 물성으로부터 기인될 수 있다. 최근 탄성파 자료의 용량이 증가함에 따라기계학습을 기반으로 하는 탄성파 층서 해석 기법들이 연구되고 있다. 해당 연구들은 해석 층서들의 저류층 특성화 과정에서의 적용성에 대한 검증이부족하다는 한계를 보인다. 이에 본 연구는 기계학습 해석층서, 암상 분포, 그리고 공극률의 불확실성을 종합적으로 평가하는 워크플로우를 제시한다.
해당 워크플로우는 지구통계학적 기법 기반의 3차원 모델 구축, Sequential indicator simulation 기반의 암상 분포 모델링, Gaussian random function simulation 기반의 암석물성 모델링 과정으로 구성되어 있으며, 각 과정의 모델링 결과의 분석을 통해 사용 변수 및 기법의 타당성을 검증하였고 최종 저류층 공극 부피 계산을 통한 불확실성 정량화가 수행되었다.

영어초록

Uncertainties in reservoirs can result from various subsurface parameters, such as horizon geometry, facies distribution, and porosity. With the rising demand for the rapid processing and interpretation of seismic data, machine learning-aided seismic horizon interpretation methods have gained academic interest in recent years. However, these studies are limited to interpretation and have not been validated for their applicability to reservoir characterization. Therefore, this study proposed an integrative uncertainty quantification workflow that can analyze uncertainties resulting from machine learning-interpreted horizons, facies distribution, and reservoir porosity. The workflow consisted of geostatistical method-based three-dimensional model construction, sequential indicator simulation-based facies modeling, and Gaussian random function simulation-based petrophysical modeling. The modeling results from each processes were analyzed to validate the adequacy of the parameters and algorithms used. The final reservoir pore volume was calculated to quantify the effects of the uncertainties.

참고자료

· 없음