이산화탄소 회수증진-저장 최적화를 위한 머신러닝 기법 적용연구
Application of Machine Learning Technologies for optimizing CO2 EOR-Storage Processes
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
이 연구에서는 CCS-EOR 저류층 최적화 분석을 위한 머신러닝 기법 적용성 및 효율성을 검토하였다. 기존 문헌에서 수행된8개 인자 변화에 따른 105개의 경우의 수에 대한 시뮬레이션 결과를 활용하여, 개발된 프록시 모델을 적용하여 2,916개에 달하는 모든 시뮬레이션 경우의 수를 예측하였다. 머신러닝 모델 개발에 있어 초매개변수(hyper-parameter) 선정 최적화 과정을 도입하여 학습및 예측 과정을 향상시켰으며, 목적함수 NPV의 경우 평균 적합도 92% 이상의 정확도를 확보하였다. 그러나 회수율 및 저장량 등의목적함수에 대한 최적화 수행 결과, 보다 목적함수에 민감한 영향인자 재선정이 필요함을 알 수 있었다. 목적함수에 대한 적절한 영향인자 선정 및 학습자료가 확보될 경우, 머신러닝 최적화 기법은 기존의 최적화 과정을 대체할 수준의 매우 효과적인 방법임을 확인하였으며, 영향인자가 추가되어 경우의 수가 증가할 경우 보다 효과적으로 최적화 분석에 이용될 수 있을 것으로 판단된다.
Abstract
This paper investigates an applicability and efficiency of machine learning algorithm in CCS-EOR(Carbon Capture & Storage-Enhanced Oil Recovery) optimization processes. By using simulation results of 105 cases according to variation of selected 8 influencing factors in the reference, all cases reaching to 2,916 were predicted by developed proxy model. For improved training and testing accuracy, the hyperopt algorithm was adopted and in case of objective function NPV, the testing accuracy is achieved above 92%. However, in cases of other objective functions such as recovery factor, CO2 stored, it is required to re-select influencing factors more sensitive to respective objective functions. Machine learning optimization process suggested in this paper, can be utilized as conventional optimization methods, especially, it can be more efficient procedure in complex optimization processes with additional influencing factors.
참고문헌 (13)
- Brochu, E., "A tutorial on bayesian optimization of expensive cost functions, with application to active user modeling and hierarchical reinforcement learning", arXiv: 1012.2599v1, ~ (2010)
- Clarkson, C.R., "Production analysis of western canadian unconventional light oil plays", Presented at the Canadian Unconventional Resources Conference (2011)
- Ertekin, T., "Artificial intelligence applications in reservoir engineering : a status check", Energies, 12, pp.1~22 (2019)
- Ettehadtavakkol, A., "CO2-EOR and Storage Design Optimization", International Journal of Greenhouse Gas Contrel, 25, pp.79~92 (2014)
- Géron, A., "Hands-on Machine Learning with ScikitLearn, Keras, and Tensorflow" (2019), O’reilly Media, Inc
- Ghaderi, S. M., "Optimiztion of WAG process for coupled CO2 EOR-Storage in tight oil formation : an experimental design approach", Presented at the SPE Canadian Unconventional Resources Conference (2012)
- Godec, M., "CO2 Storage in depleted oil fields : the worldwide potential for carbon dioxide enhance oil recovery", Energy Procedia, 4, pp.2162~2169 (2011)
- 김재준, "거리기반 후보군 선정과 인공신경망을 결합한 가스생산량 히스토리매칭", 한국자원공학회지, 54(4), pp.416~428 (2017), 한국자원공학회
- Kovscek, A. R., "Geologic storage of carbon dioxide and enhanced oil recovery II : Co-optimization of storage and recovery", Energy Conversion and Management, 46, pp.1941~1956 (2005)
- 민배현, "석유가스 개발사업의 인공지능기술 활용 현황 및 전망", 한국자원공학회지, 57(3), pp.295~308 (2020), 한국자원공학회
- Montgomery, D. C., "Design and Analysis of Experiments" (2013), John Wiley & Sons, Inc
- Perera, M. S. A., "A Review of CO2-Enhanced Oil Recovery with a Simulated Sensitivity Analysis", Energies, 9, pp.481~ (2016)
- "Scikit-learn Machine Learning in Python" (2020)[URL]