저류층 특성규명 작업은 일반적으로 코아분석자료, 물리검층 해석자료 등의 국부적인 정적자료만을 이용하여 단순평균법, 지구통계기법 및 확률적기법에 의해 규명되어 왔지만, 1990년대 중반부터는 생산정에서의 생산자료와 같은 동적자료도 함께 이용하는 역산작업을 통 ...

저류층 특성규명 작업은 일반적으로 코아분석자료, 물리검층 해석자료 등의 국부적인 정적자료만을 이용하여 단순평균법, 지구통계기법 및 확률적기법에 의해 규명되어 왔지만, 1990년대 중반부터는 생산정에서의 생산자료와 같은 동적자료도 함께 이용하는 역산작업을 통해 보다 정확한 특성규명 시도가 진행되어 왔다.
본 연구에서는 역산작업을 위해 유전자알고리즘 최적화기법과 전위모델링을 위한 저류전산시뮬레이터가 통합된 역산모델을 개발하였다. 이 모델에서는 연산시간을 줄이고 메모리 부족 문제를 해결하기 위해 개체분산과 메모리분산 병렬처리 기법을 적용하여 유전자알고리즘을 병렬화 하였고 이를 구동하기 위해 개인용 컴퓨터로 클러스터를 구성하였다.
본 연구에서 개발한 병렬처리 역산모델을 활용하여 불균질 저류층 시스템에 대해 가상의 관측자료를 이용하여 모델의 타당성 및 활용성을 분석하였다. 첫 번째 단계로서, 코어분석자료인 공극률과 투과도의 정적자료만을 이용하여 단순지구통계기법인 Kriging 기법에 의해 분포도를 산출하고 이를 입력자료로 활용하여 저류시뮬레이션을 수행한 결과를 역산기법에 의해 산출된 결과와 비교하였다. 위의 두 방법을 통해 계산된 생산정 OP-4에서의 압력과 관측압력과의 상대오차를 살펴보면, Kriging 기법의 경우 3.02%인데 비해 메모리분산 병렬처리 기법의 역산결과에서는 0.57%로서 생산자료까지도 이용하는 역산작업을 통해 보다 개선된 저류층 특성규명이 이루어짐을 알 수 있다.
한편, 역산작업에 있어서는 개체분산 병렬처리 역산모델을 활용하여 정적자료 뿐만아니라 생산정에서의 압력과 물-오일비 자료를 추가로 이용한 역산작업을 수행하였다. 역산결과, 본 연구에서 사용된 병렬컴퓨팅 시스템의 경우, 개체분산 병렬처리 기법이 전통방식인 직렬처리 기법에 비해 연산시간이 3.8배 정도 단축되어 연산속도가 크게 개선될 수 있음을 알 수 있다.
이번에는 개체분산과 메모리분산의 두 가지 병렬처리 역산모델을 이용한 역산결과를 비교하였다. 우선적으로, 연산속도에 있어서 메모리분산 기법은 249세대만에 수렴되었지만 개체분산 기법의 93세대에 비해서는 수렴속도가 보다 느린 것으로 나타났다. 이는 메모리분산 기법의 경우, 매 세대마다 각 노드간의 개체교환에 의해 새로운 개체가 생성되어 이들에 대한 연산이 추가적으로 수행되기 때문이다. 한편, 두 기법을 통해 산출된 공극률과 투과도를 이용하여 계산된 압력매칭 결과를 살펴보면, 상기한 바와 같이 연산속도는 개체분산 기법이 빠르나, 저류층 특성규명 측면에서는 메모리분산 기법이 최대상대오차가 생산정 OP-4에서 0.57%로서 개체분산 기법의 1.54%에 비해 보다 우수한 특성규명 작업이 가능함을 알 수 있다.
마지막으로, 메모리분산 기법은 개체들을 각 노드에서 균등분할하여 연산을 수행하는 반면 개체분산 기법은 1개의 마스터노드에서 모든 개체에 대한 연산을 수행하기 때문에 두 기법은 개체수가 증가하게 되면 메모리 문제에서 차이가 발생한다. 이를 확인하기 위해 앞에서 사용해 온 개체수 200개를 400개로 증가하여 역산작업을 수행하였다. 역산결과, 본 연구에서 사용된 컴퓨팅 시스템의 메모리 용량은 512 MB로서 개체분산기법의 경우 1024 MB의 메모리가 필요하여 역산작업이 불가능하였으나, 각 노드당 256 MB의 메모리가 요구되는 메모리분산 기법에서는 역산작업이 안정적으로 수행됨을 확인하였다.

Reservoir characterization has been generally performed by using simple average, geostatistical and stochastic methods with local static data such as core and logging data. However since the mid-1990s, more precise reservoir characterization has been ...

Reservoir characterization has been generally performed by using simple average, geostatistical and stochastic methods with local static data such as core and logging data. However since the mid-1990s, more precise reservoir characterization has been achieved by the inverse calculation with dynamic data such as production data from producers.
This study presents an inverse model that integrates a reservoir simulator for forward modeling with a genetic algorithm as an optimization method. To reduce calculation time and resolve a problem of a memory lack, individual- and memory-shared parallel processing methods were applied to make the genetic algorithm parallel in the developed model. To execute the parallel inverse model, a cluster was constructed using personal computers.
The validity and the feasibility of the developed inverse model were analyzed by carrying out the characterization with simulated production data on a heterogeneous reservoir system. For the first phase, the porosity and permeability distributions were calculated using the Kriging method with just static data, such as core data like porosity and permeability. Then, the results of the reservoir simulation, which used these distributions as its input data, were compared with those of inverse calculation. The difference between the calculated and the observed pressure of producer OP-4 was 3.02% with the Kriging method, and 0.57% for the inverse calculation of the memory-shared method. Thus, the inverse calculation yields better results of reservoir characterization than the Kriging method.
On the other hand, the inverse calculation has been performed by the individual-shared method to use not only static data, but also pressure form the producers and water-oil ratio. Results of the inverse calculation shows that, for a parallel computing system used in this study, the individual- shared method reduce the calculation time of the conventional serial method by a 3.8 times.
Next the inverse calculation results of the individual- and memory-shared methods were compared. As for calculation time, the memory-shared method reached convergence after 249 generations, much slower than the 93 generations of the individual-shared method. This is due to the creation of new individuals caused by exchanging the individuals between the nodes at each generation, and the need for additional calculations for them in memory-shared method. When the pressure matching results calculated by the two parallel methods were compared, the individual-shared method was faster in calculation time as mentioned above but with the reservoir characterization, the memory-shared method showed a relative error of 0.57% at producer OP-4, superior to the 1.54% of the individual-shared method.
Lastly, the memory-shared method equally divides the individuals at each node for calculation, while the individual-shared method carries out calculations for all individuals at a master node. It may introduce that a problem of a memory lack as the number of individuals increase. To confirm the assumption, we increased the number of individuals from 200 to 400 in the inverse calculation. As a result, the required memory for the individual-shared method was 1024 MB, while the computing system used had 512 MB, which made it impossible. However, the memory-shared method required only 256 MB per node, safely running under the same conditions.

본 연구에서는 정적자료인 코아분석자료 뿐만아니라 동적자료인 생산정에서의 관측자료 즉, 압력과 WOR을 함께 적용하는 역산작업을 통해 공극률과 투과도의 불균질성 분포를 규명하고 이를 이용한 생산성 예측을 위해 역산모델을 개발하였다. 이 모델에서는 연산시간 문 ...

본 연구에서는 정적자료인 코아분석자료 뿐만아니라 동적자료인 생산정에서의 관측자료 즉, 압력과 WOR을 함께 적용하는 역산작업을 통해 공극률과 투과도의 불균질성 분포를 규명하고 이를 이용한 생산성 예측을 위해 역산모델을 개발하였다. 이 모델에서는 연산시간 문제와 메모리 부족 문제를 해결하기 위해 개체분산과 메모리분산 병렬처리 기법을 적용하여 유전자알고리즘을 병렬화하였으며, 이를 구동하기 위해 PC-클러스터를 구성하였다. 본 연구에서 개발된 병렬처리 역산모델을 활용한 역산작업을 수행한 결과 다음의 결론을 도출하였다.
1. 정적자료인 코아분석자료만을 이용하여 단순지구통계기법인 Kriging 기법을 통해 공극률과 투과도의 분포도를 산출하였으며, 이를 입력자료로 하여 「HYBOS」모델에 의해 저류시뮬레이션을 수행하였다. 여기서 산출된 생산정 OP-4에서의 압력과 관측압력과의 상대오차를 비교해 보면, Kriging 기법의 경우 3.02%인데 비해 메모리분산 병렬처리 기법의 역산결과에서는 0.57%로서 생산자료까지도 이용하는 역산작업을 통해 보다 개선된 저류층 특성규명이 이루어짐을 알 수 있다.
2. 코아분석자료 뿐만아니라 생산정에서의 압력과 WOR 자료를 추가로 이용하여 개체분산 병렬처리 역산모델을 통해 역산작업을 수행하였다. 역산결과, 본 연구에서 사용된 병렬컴퓨팅 시스템의 경우, 개체분산 병렬처리 기법이 전통방식인 직렬처리 기법에 비해 연산시간이 3.8배 정도 크게 단축되는 것으로 나타났다.
3. 본 연구에서 적용한 개체분산과 메모리분산 병렬처리 기법의 연산속도를 비교한 결과, 개체분산 기법의 경우 93세대만에 수렴이 종료된데 반해 메모리분산 기법에서는 249세대로서 휠씬 느리게 수렴됨을 알 수 있었다. 이는 메모리분산 기법의 경우, 매 세대마다 노드간에 개체교환이 이루어지며 이로 인해 각 노드에서 새로운 개체가 형성되기 때문이다.
4. 이번에는 두 가지 병렬처리 기법에 의해 산출되는 공극률과 투과도 분포도를 이용하여 결정된 역산결과인 생산정에서의 압력을 분석하였다. 이 결과를 관측압력과 비교해 보면, 앞의 결론에서와 같이 연산속도는 개체분산 기법이 빠르나, 저류층 특성규명 측면에서는 메모리분산 기법이 생산정 OP-4에서 상대오차가 0.57%로서 개체분산 기법의 1.54%에 비해 보다 우수한 특성규명 작업을 수행할 수 있음이 확인되었다.
5. 메모리분산 기법은 개체들을 각 노드에서 균등분할하여 연산을 수행하는 반면 개체분산 기법은 1개의 마스터노드에서 모든 개체에 대한 연산을 수행하기 때문에 두 기법은 개체수가 증가하게 되면 메모리 문제에서 차이가 발생한다. 이를 확인하기 위해 앞에서 사용해 온 200개 개체를 400개 개체로 증가시켜 역산작업을 수행하였다. 역산결과, 본 연구에서 사용된 컴퓨팅 시스템의 메모리 용량은 512 MB로서 1024 MB의 메모리가 필요한 개체분산 기법은 역산작업이 불가능하였으나, 각 노드당 256 MB의 메모리가 요구되는 메모리분산 기법에서는 역산작업이 안정적으로 수행됨을 확인하였다.

본 연구에서 개발된 병렬처리 저류층 특성규명 모델은 생산중인 유전의 생산 추이를 자동으로 분석하여 저류 시뮬레이터를 현장화 함으로써 정확한 저류 시뮬레이션 작업을 수행할 수 있도록 한다. 이 모델은 실제 유전에서 저류층 특성규명 작업을 수행하는데 문제로 대 ...

본 연구에서 개발된 병렬처리 저류층 특성규명 모델은 생산중인 유전의 생산 추이를 자동으로 분석하여 저류 시뮬레이터를 현장화 함으로써 정확한 저류 시뮬레이션 작업을 수행할 수 있도록 한다. 이 모델은 실제 유전에서 저류층 특성규명 작업을 수행하는데 문제로 대두되는 투과도와 공극률을 동시에 규명할 수 있다. 또한 수십만 격자의 시뮬레이션을 위한 연산시간 문제나 메모리 부족 문제를 해결할 수 있도록 병렬처리가 가능한 모델이다.
개발된 모델은 비균질 PC 클러스터에서도 구동이 가능하여 그 활용성을 증대시켰으며 차후 다양한 형태의 병렬처리 컴퓨터에서 활용이 가능할 것으로 기대된다. 이 모델은 저류층 특성을 생산 자료 매칭을 통해 효과적으로 규명할 수 있어 실제 생산 유전의 저류층 특성규명 작업에 직접적으로 활용될 수 있다. 또한 이 기술은 다른 시뮬레이터를 사용하여 석유공학뿐만 아니라 지하수 분야, 지하공간 분야 등 관측자료를 역산하여 미지의 변수를 규명하는 연구 분야에 다양하게 적용될 수 있다.
저류층 특성규명 작업은 저류층의 투과도와 공극률과 같은 특성변수를 규명하여 유전의 생산 거동을 정확히 예측할 수 있으므로 생산성 향상에 크게 기여할 수 있다. 즉 현재 생산 중인 국내 대륙붕 동해-1 가스전의 저류층 특성규명이나 국내 기업이 참여하고 있는 다수의 해외 참여 필드의 저류 전산 시뮬레이션에 적용하여 해외 용역비 절감과 개발 리스크 최소화 및 생상성 증대에 따른 경제적 이익을 얻을 수 있을 것으로 판단된다.