서포트 벡터 머신을 이용한 탄산염암 저류층에서의 암상 예측 = Lithofacies Estimation in Carbonate Reservoir using Support Vector Machine

국문 초록 (Abstract)

저류층의 특성변수인 공극률과 유체투과도는 주로 암상의 변화에 의해 결정되며, 물리검층자료로부터 암상을 예측하기 위한 방법으로 경험적인 방법과 추계학적인 방법이 있다. 이 연구에서는 자료 간의 최적 분류 초평면을 결정함으로써 구조적인 위험을 최소화하는 패턴인식 기법인 서포트 벡터 머신을 이용하여 코어 분석 자료와 물리검층자료를 통합적으로 해석함으로써 코어가 취득되지 않은 구간에서의 암상을 예측하였다. 입력 자료로 미국 텍사스 주의 Permian Basin에 위치한 탄산염암 저류층인 Salt Creek Field Unit의 물리검층자료와 코어의 암상 자료를 사용하였으며, 암상 예측 결과를 선형 판별 분석에 의한 암상 예측 결과와 비교하였다. 학습 자료에 대한 교차검증 시 서포트 벡터 머신의 정확도는 평균 98.7%로서 불균질성이 심한 탄산염암 저류층에서도 특징변수에 대한 분류 능력이 우수함을 확인하였다. 예측 결과 5개의 시추공에서 선형 판별 분석의 암상 예측의 정확도는 55.3%이고 서포트 벡터 머신에 의한 암상 예측의 정확도는 평균 67.6%로서 서포트 벡터 머신에 의한 예측이 더 우수함을 확인하였다. 또한 유사한 물리검층 특성을 갖는 암상을 하나의 군집으로 가정하였을 경우에 서포트 벡터 머신이 82.3%의 높은 예측 정확도를 나타내었다.

다국어 초록 (Multilingual Abstract)

Petrophysical properties such as porosity and permeability are mainly determined by lithofacies variation. There are empirical and stochastic methods to identify lithofacies from well logs. In this study, lithofacies in un-cored ranges are estimated by support vector machine as integrating well log data and core data. Support vector machine is a pattern recognition method minimizing structural risk by optimal separating hyperplane. Well log data and core lithofacies data in carbonate reservoir, Salt Creek Field Unit, Permian basin, Texas, U.S.A., are used as input data. The results of lithofacies estimation by support vector machine are compared with lithofacies estimated by linear discriminant analysis. Average accuracy of cross validation is 98.7% in support vector machine. It is evidence that support vector machine is excellent for classifying characteristic variables in heterogeneous carbonate reservoir. Average accuracy of lithofacies estimation is 67.6% by support vector machine and 55.3% by linear discriminant analysis, respectively. Therefore, it is confirmed that support vector machine is more accurate than linear discriminant analysis. Average accuracy of lithofacies estimation by support vector machine is 82.3% when several lithofacies that have similar characteristics on well log data are assumed as a group.

참고문헌 (Reference)

1 한학용, "패턴인식 개론 : MATLAB 실습을 통한 입체적 학습, 개정판" 한빛미디어 498-504, 2009

2 임종세, "지능형 저류층 특성화 기법을 이용한 물리검층 자료 해석" 한국물리탐사학회 7 (7): 109-116, 2004

3 임종세, "다변량 통계기법을 이용한 국내대륙붕 물리검층자료로부터의 암석물리학상 결정" 35 (35): 320-328, 1998

4 LIBSVM: A Library for Support Vector Machine, "http://www.csie.ntu.edu.tw/～cjlin/libsvm"

5 Stundner, M, "Self-Organizing Maps for Lithofacies Identification and Permeability Prediction" 90720-, 2004

6 Qi, L, "Neural network prediction of carbonate lithofacies from well logs, Big Bow and Sand Arroyo Creek fields, Southwest Kansas" 32 (32): 947-964, 2006

7 Lim, J.S, "Multivariate statistical analysis for automatic electrofacies determination from well log measurements" SPE 38028-, 1997

8 Chang, H, "Lithofacies identification using multiple adaptive resonance theory neural networks and group decision expert system" 26 (26): 591-601, 2000

9 Holtz, M.H, "Integrated geological and petrophysical characterization of Permian shallow- water dolostone" 7 (7): 47-58, 2004

10 Tang, H, "Improved Carbonate Reservoir Facies Classification Using Artificial Neural Network Method" 122-, 2008

11 Chang, H, "Identification of lithofacies using Kohonen self-organizing maps" 28 (28): 223-229, 2002

12 Asquith, G.B, "Handbook of Log Evaluation Techniques for Carbonate Reservoirs, 5th Ed" The American Association of Petroleum Geologists 1985

13 Lee, S.H, "Electrofacies Characterization and Permeability Predictions in Complex Reservoirs" 5 (5): 237-248, 2002

14 Lucia, J.F, "Carbonate Reservoir Charaterization, 2nd Ed" Springer-Verlag 2005

15 Richard, A.J, "Applied Multivariate Statistical Analysis, 3rd Ed" Prentice Hall 524-, 1992

16 Burges, C.J.C, "A Tutorial on Support Vector Machines for Pattern Recognition" 2 (2): 121-167, 1998