WellPINN: Accurate Well Representation for Transient Fluid Pressure Diffusion in Subsurface Reservoirs with Physics-Informed Neural Networks

본 논문은 주입 기간 전반에 걸쳐 우물 주변의 유체 압력 확산을 정확하게 모델링하고 초기 단계 압력 역동성을 포착하는 데 있어 기존 한계를 극복하기 위해 축소되는 하위 영역에서 순차적으로 훈련된 물리 정보 신경망을 활용하는 새로운 워크플로우인 WellPINN 을 소개한다.

핵심

"WellPINN" 논문에 대한 설명을 쉬운 언어와 일상적인 비유로 풀어보겠습니다.

큰 문제: "픽셀화된" 우물

거대한 지하 대수층 (거대한 스펀지 같음) 의 수압 지도를 그리려고 한다고 상상해 보세요. 이 스펀지 한가운데에는 물을 퍼 올리는 아주 작은 우물이 있습니다.

문제는 우물이 매우 작다(연필 굵기 정도)는 반면, 대수층은 엄청나게 크다(축구장 크기)는 점입니다.

표준 컴퓨터 모델 (또는 표준 AI) 을 사용해 이 지도를 그리려고 하면 컴퓨터가 혼란에 빠집니다. 거대한 캔버스 위에 날카로운 픽셀 하나를 그리려고 하는 것과 같습니다. AI 는 매끄러운 선을 선호하기 때문에 무언가를 부드럽게 만들려고 하지만, 우물 바로 옆의 수압은 매우 급격하게 변합니다. 표준 AI 모델은 종종 이 급격한 변화를 "흐리게" 만들어, 수압이 너무 낮게 보이게 하거나 펌핑이 시작될 때 일어나는 급격한 변화를 놓쳐버립니다. 안개 낀 창문을 통해 날카로운 산봉우리를 보려는 것과 같습니다.

해결책: WellPINN ("줌인" 전략)

저자들은 WellPINN이라는 새로운 방법을 개발했습니다. 한 번에 지도 전체를 완벽하게 그리려고 하는 대신, "줌인" 전략을 사용합니다.

지형을 촬영하기 위해 일련의 사진을 찍는다고 생각해 보세요:

1. 사진 1 (광각 샷): 대수층 전체를 찍습니다. 언덕과 계곡의 일반적인 모양 (우물에서 먼 곳의 수압) 은 보이지만, 중앙의 작은 우물은 흐릿한 점처럼 보입니다.
2. 사진 2 (중간 줌): 우물이 있는 지역으로 줌인합니다. 해당 작은 지역만 새로운 사진으로 찍습니다. 이제 우물을 더 잘 볼 수 있지만, 정중앙은 여전히 약간 흐릿합니다.
3. 사진 3 (클로즈업): 마지막으로 한 번 더 줌인하여 우물 바로 주변 지역에만 초점을 맞춥니다. 이제 우물의 날카로운 세부 사항을 완벽하게 볼 수 있습니다.

WellPINN 은 이를 수학적으로 수행합니다. 세 개의 별도 AI 모델을 순차적으로 훈련시킵니다:

• 첫 번째 모델은 큰 그림을 학습합니다.
• 두 번째 모델은 첫 번째 모델의 답을 시작점으로 삼아 중간 영역을 학습합니다.
• 세 번째 모델은 두 번째 모델의 답을 이용해 우물 바로 주변의 작은 영역을 학습합니다.

마지막으로, 이 세 장의 "사진"을 하나로 이어 붙여 대수층 가장자리부터 우물 중심까지 정확한 고화질 지도를 완성합니다.

비밀 재료

이를 작동시키기 위해 저자들은 AI 레시피에서 두 가지 요소를 조정했습니다:

1. "시간 렌즈" (로그 스케일링):
   펌핑이 시작되면 수압은 처음 몇 초 동안 극적으로 빠르게 변한 뒤 느려집니다. 표준 AI 는 1 초, 2 초, 3 초와 같이 균등한 눈금이 있는 자처럼 시간을 바라봅니다. 이는 시작 부분의 빠른 움직임을 놓치게 만듭니다.
   저자들은 이 "자"를 로그 스케일로 변경했습니다. 첫 번째 인치는 매우 커서 (빠른 변화를 보기 위해) 나중의 인치들은 점점 작아지는 자를 상상해 보세요. 이렇게 하면 AI 가 펌핑의 초기 중요한 순간에 특별한 주의를 기울일 수 있습니다.

2. "단단한 울타리" (하드 제약):
   보통 AI 는 경계가 어디인지 추측합니다. 저자들은 수학식에 "단단한 울타리"를 구축했습니다. 이는 AI 에게 대수층의 가장자리가 정확히 어디이며 그곳에서 수압이 0 이어야 함을 강제로 인식시킵니다. 마치 AI 에게 "이 선 밖으로는 그릴 수 없다"고 말하는 것과 같아, 모델이 가장자리에서 혼란을 겪지 않도록 합니다.

그들이 발견한 것

이 팀은 100m 정사각형 대수층과 10cm 우물을 시뮬레이션한 컴퓨터 테스트를 수행했습니다.

• 기존 방식: AI 는 우물 바로 옆의 수압 변화를 놓쳤고 초기 타이밍을 잘못 파악했습니다.
• WellPINN: AI 는 우물에서의 수압을 높은 정확도로 성공적으로 예측하여, 시작 시의 빠른 변화와 이후의 정상 상태를 모두 포착했습니다.

그들은 이 "줌인" 방법이 최적으로 작동하려면 각 줌인된 영역이 이전 영역의 약 17% 크기여야 함을 발견했습니다. 줌이 너무 공격적이면 AI 가 다시 혼란에 빠지고, 너무 온건하면 우물에 충분히 가까워지지 못하기 때문입니다.

결론

이 논문은 지하 유체 모델링에 AI 를 사용하는 새로운 방식을 제시합니다. 문제를 카메라로 줌인하듯 작고 관리 가능한 단계로 나누고 시간 측정 방식을 조정함으로써, 거대한 지하 대수층 내부의 작고 날카로운 세부 사항까지 AI 모델이 정확하게 볼 수 있게 하는 오랜 문제를 해결했습니다. 이는 실제 운영 중 대수층의 거동을 시뮬레이션하는 데 있어 큰 진전입니다.

기술 요약

기술 요약: WellPINN

문제 제기
정확한 유정 (well) 표현은 지하 유동 모델에서 신뢰할 수 있는 저류층 특성 규명 및 운영 시나리오 시뮬레이션에 필수적입니다. 물리 정보 신경망 (PINN) 은 모니터링 데이터와 지배 물리 방정식을 통합함으로써 유망한 하이브리드 접근법을 제공하지만, 기존 PINN 기반 연구들은 특히 주입 초기 단계에서 유정 근처의 유체 압력장을 포착하는 데 어려움을 겪습니다. 이러한 한계는 해석적 해가 유정을 특이점 (점원) 으로 취급하는 반면, 인공 신경망 (ANN) 은 매끄럽고 연속적이며 유사하게 스케일링된 변수에서 가장 잘 작동하기 때문에 발생합니다. "등가 유정 함수" (예: 가우스, 로렌츠, 또는 구간별 함수) 를 사용하여 이를 해결하려는 이전 시도들은 일반적으로 안정적인 수렴을 달성하기 위해 큰 등가 유정 반경 (종종 영역 크기의 10% 이상) 을 필요로 했습니다. 주입 후기 단계의 원거리 예측에는 충분할 수 있으나, 이러한 접근법들은 주입 후기 동안 유정 압력 ($p_w$) 을 최대 30% 까지 크게 과소평가하며 초기 시간 확산을 전혀 포착하지 못합니다. 이러한 결함은 유량 ($q_w$) 기반의 역사적 매칭 (history matching) 을 위한 PINN 의 신뢰성을 훼손합니다.

방법론: WellPINN 워크플로우
저류층 규모 영역 (세 개의 차수 범위) 내에 센티미터 규모의 유정을 표현하는 다중 규모 과제를 해결하기 위해, 저자들은 여러 PINN 모델을 결합한 순차적 훈련 워크플로우인 WellPINN을 제안합니다. 방법론은 다음과 같은 주요 구성 요소를 포함합니다:

1. 영역 분해 및 순차적 훈련: 모델링 영역은 중첩된 하위 영역으로 분해됩니다. 워크플로우는 전체 영역에 걸쳐 PINN ($D_1$) 을 훈련시켜 원거리 압력을 포착하는 것으로 시작합니다. 이후 PINN 들 ($D_2, D_3, \dots$) 은 유정을 중심으로 점점 더 작은 하위 영역에서 훈련됩니다. 각 새로운 하위 영역의 크기는 이전에 훈련된 모델의 등가 유정 반경 ($\bar{r}_{weq}$) 으로 정의됩니다.
2. 반복적 반경 축소: 등가 유정 반경은 물리적 유정 반경과 일치할 때까지 단계적으로 축소됩니다 ($\bar{r}_{weq, D} = b \cdot \bar{x}_{max, D}$). 이를 통해 네트워크는 전체 영역에 걸쳐 동시에 급격한 기울기를 해결할 필요 없이 유정 근처에서 점진적으로 해를 정제할 수 있습니다.
3. 강제 제약 및 복합 해: 연속성을 보장하고 경계 조건을 엄격히 준수하기 위해 저자들은 강제 제약 (hard constraint) 접근법을 사용합니다. 복합 압력 함수 $\hat{p}_c$는 훈련된 PINN 들의 출력을 가중치 $\epsilon_n$으로 가중하고 구간별 근사 거리 함수 $\tau_n$을 곱하여 합산함으로써 구성됩니다. 이 함수 $\tau$는 영역 경계와 초기 시간에서 해가 0 이 되도록 보장합니다.
4. 손실 함수 및 최적화: 훈련은 무차원 지배 편미분 방정식 (PDE) 의 잔차에 기반한 단일 손실 항을 사용합니다. 계산 오버헤드가 누적되는 것을 방지하기 위해 이전 훈련 단계의 잔차는 사전 계산되어 현재 단계의 손실 함수에 고정된 항으로 추가됩니다. 훈련은 Adam 최적화기를 사용한 후 L-BFGS 를 수행합니다.
5. 입력 스케일링: 입력 시간 변수는 압력 확산의 초기 시간 비선형성을 고려하여 로그 스케일링됩니다. 이는 PINN 에서 유정 표현을 위한 새로운 기법으로 주목받았습니다.

주요 결과
이 워크플로우는 균일한 투수성을 가진 $100 \text{ m} \times 100 \text{ m}$ 영역 내 단일 주입 유정 ($r = 10$ cm) 이 포함된 합성 2 차원 사례 연구에서 검증되었습니다.

• 정확도: 순차적 훈련은 초기 전체 영역 모델 ($D_1$) 에서 유정 근처의 최대 절대 오차 ($AE_{max}$) 를 0.53 에서 최종 모델 ($D_3$) 에서 0.11 로 성공적으로 감소시켰습니다.
• 시간 해상도: 기존 방법들과 달리 WellPINN 은 중요한 초기 시간 확산 단계를 포함하여 전체 주입 기간 동안 압력 진화를 정확하게 포착했습니다.
• 매개변수 최적화: 매개변수 연구를 통해 등가 유정 반경과 하위 영역 크기의 비율 $b$에 대한 최적 비율이 0.1 과 0.17 사이임을 확인했습니다. 저자들은 세 개의 하위 영역이 유정을 효과적으로 해결할 수 있도록 $b = 0.17$을 선택했습니다.
• 계산 효율성: 각 단계별로 PDE 항을 분리함으로써, 이 방법은 일관된 훈련 시간을 유지하고 모든 에포크에서 모든 네트워크를 평가하는 계산 비용을 피했습니다.

의의 및 주장
이 논문은 WellPINN 이 대규모 영역 내에서 초기 시간을 포함하여 전체 주입 기간 동안 펌핑 유량으로부터 유체 압력을 정확하게 추론할 수 있는 최초의 PINN 기반 워크플로우라고 주장합니다. 그 주요 의의는 다음과 같습니다:

• 다중 규모 격차 해소: 물리적 반경이 저류층 영역보다 수 차수 작은 유정을 표현하기 위한 확장 가능한 솔루션을 제공합니다. 이는 표준 tanh 활성화 함수를 사용하는 단일 네트워크 PINN 으로 해결할 수 없는 과제입니다.
• 역모델링 잠재력: 밀집된 관측 데이터에 의존하지 않고 유량 ($q_w$) 기반에서 유정 압력 ($p_w$) 을 정확하게 추론할 수 있게 함으로써, 펌핑 유정 테스트의 역모델링 및 역사적 매칭을 위한 PINN 의 잠재력을 진전시킵니다.
• 방법론적 발전: 이 연구는 tanh 활성화 함수를 사용하는 PINN 을 통한 정확한 유정 표현을 위해서는 로그 시간 스케일링 및 강제 제약과 결합된 영역 분해가 필수적임을 보여줍니다.

저자들은 현재 연구가 단일 유정과 균일한 투수성에 초점을 맞추고 있지만, 워크플로우는 이론적으로 이질적 영역 및 다중 유정 구성으로 확장 가능하다고 언급합니다. 다만 후자의 경우 계산 효율성 및 활성화 함수 스케일링에 대한 추가 조사가 필요할 수 있습니다.