지질 일관성 기반 지통계 히스토리 매칭과 파라미터 불확실성 정량화

초록

본 연구는 지질 및 동적 기준을 활용한 지역화 기법과 적응형 입자군집 최적화를 결합하여, 반복적인 지통계 히스토리 매칭 과정에서 대규모 지질 파라미터와 공정 파라미터의 불확실성을 동시에 정량화한다. Watt 필드 사례에서 제안 기법이 전통적인 기하학적 지역화보다 생산 데이터 적합도가 우수함을 보였다.

상세 분석

이 논문은 기존 지통계 히스토리 매칭(Geostatistical History Matching, GHM)에서 흔히 간과되던 대규모 지질 파라미터의 불확실성을 체계적으로 다루는 새로운 프레임워크를 제시한다. 핵심은 두 단계 최적화에 있다. 첫 번째 단계에서는 직접 순차 시뮬레이션(DSS)과 공동 시뮬레이션을 이용해 다중 공극률(Φ)·투과성(K) 실현체를 생성하고, 각 웰의 영향 영역별로 생산 오차를 최소화하는 실현체 쌍을 선택해 ‘패치워크’ 모델을 만든다. 이때 지역화는 단순 Voronoi 다각형이 아니라, 단층 위치와 생산 스트림라인을 기반으로 정의된 지질·동적 일관성 영역으로 설정한다. 두 번째 단계에서는 입자군집 최적화(Particle Swarm Optimization, PSO)를 사용해 변이도 모델 파라미터, 전역 히스토그램, 단층 전도성 등 대규모 파라미터들을 샘플링하고, 생산 데이터와의 미스핏을 최소화하도록 업데이트한다. PSO에서 도출된 파라미터는 다시 첫 번째 단계의 시뮬레이션 입력으로 사용되어 반복적으로 모델을 개선한다.

특히, 지역별 상관계수(correlation coefficient)를 미스핏 기반으로 동적으로 계산하여, 오차가 큰 영역에는 낮은 상관계수를 부여해 다음 반복에서 더 큰 변동성을 허용하고, 오차가 작은 영역은 높은 상관계수로 제한한다. 이는 ‘소프트 컨디셔닝’ 역할을 하여 모델이 지질 통계와 생산 데이터 모두에 점진적으로 수렴하도록 돕는다.

Watt 필드(반합성 브라운강 퇴적 환경) 사례 적용 결과, 제안된 지질·동적 지역화와 PSO 기반 파라미터 샘플링이 전통적인 기하학적 지역화에 비해 생산량, 압력, 물-오일 비 등 주요 생산 지표의 적합도를 현저히 향상시켰으며, 각 파라미터가 생산에 미치는 영향도 정량적으로 평가할 수 있었다. 이는 히스토리 매칭 과정에서 모델의 비유일성 문제를 완화하고, 지질 해석가와 공정 엔지니어가 의사결정에 활용할 수 있는 불확실성 범위를 제공한다는 점에서 의미가 크다.