초록
저류층 내에 부존되어 있는 탄화수소의 매장량을 계산하기 위해서는 그 저류층의 공극률이 필요하다. 일반적으로 시추공 이외의 지역에 대한 공극률은 시추공에서 얻은 공극률 검층자료로부터 외삽하여 얻지만, 시추공을 포함한 지역에서 획득한 탄성파탐사 자료가 존재하는 경우 시추공 자료와 함께 탄성파 탐사 자료를 이용하여 시추공 이외의 지역에서 보다 정확한 유사 공극률을 추출해낼 수 있다. 이 연구에서는 다항식 신경망 기법을 이용하여 탄성파 탐사 자료와 공극률 검층 자료로부터 유사 공극률 검층 자료를 생성하는 모듈을 개발하였다. 먼저 탄성파 탐사 자료로부터 추출된 지하매질의 특성을 나타내는 탄성파 속성(seismic attribute)과 심도에 따른 시간의 자료로 변환된 공극률 검층 자료로부터 다항식 신경망 기법을 사용하여 상관계수를 추출하였고 이 계수를 이용하여 시추공이 없는 지역에서의 공극률 정보를 생성하였다. 한편, 개발된 모듈에서는 보다 정확한 공극률을 획득하기 위하여 각각의 탄성파 속성들과 공극률 검층 자료와의 상관성 분석을 통해 상관성이 높은 탄성파 속성들을 사용하였다. 개발된 다항식 신경망 모듈의 신뢰성, 활용성을 검증하기 위하여 개발된 모듈을 북해 F3 지역의 현장자료에 적용하고, 얻어진 결과를 상용 프로그램에서 사용되는 확률론적 신경망 기법을 통해 얻어진 결과와 비교하였다. 두 방법으로부터 얻은 결과들은 유사한 결과를 보였으며 이를 통해 개발된 모듈의 신뢰성을 입증할 수 있었다. 또한, 다항식 신경망 기법으로부터 얻어진 유사 공극률 검층 자료가 확률론적 신경망 기법을 통해 얻어진 결과보다 실제 값에 더 가깝다는 것을 보여주었다. 따라서 북해 F3 지역과 같이 시추공 자료가 부족한 지역에서는 다항식 신경망 기법이 효과적임을 알 수 있었다.
In order to estimate the hydrocarbon reserves, the porosity of the reservoir must be determined. The porosity of the area without a well is generally calculated by extrapolating the porosity logs measured at wells. However, if not only well logs but also seismic data exist on the same site, the more accurate pseudo porosity log can be obtained through artificial neural network technique by extracting the relations between the seismic data and well logs at the site. In this study, we have developed a module which creates pseudo porosity logs by using the polynomial neural network method. In order to obtain more accurate pseudo porosity logs, we selected the seismic attributes which have high correlation values in the correlation analysis between the seismic attributes and the porosity logs. Through the training procedure between selected seismic attributes and well logs, our module produces the correlation weights which can be used to generate the pseudo porosity log in the well free area. To verify the reliability and the applicability of the developed module, we have applied the module to the field data acquired from F3 Block in the North Sea and compared the results to those from the probabilistic neural network method in a commercial program. We could confirm the reliability of our module because both results showed similar trend. Moreover, since the pseudo porosity logs from polynomial neural network method are closer to the true porosity logs at the wells than those from probabilistic method, we concluded that the polynomial neural network method is effective for the data sets with insufficient wells such as F3 Block in the North Sea.
