Machine Learning Models for Calculating Pump Intake Pressure in Pumped Wells

지하 깊은 곳에서 유정은 단순히 땅에 뚫린 구멍이 아닙니다. 그것은 유체가 중력을 거슬러 위로 끌어 올려지도록 유도되는 복잡하고 압력이 가해지는 시스템입니다. 이러한 유정이 효율적으로 생산을 유지하기 위해, 엔지니어들은 펌프의 맨 밑바닥에서의 압력, 즉 펌프 흡입 압력(pump intake pressure)이라고 알려진 값을 반드시 알아야 합니다. 이 측정값은 유정의 생체 징후와 같아서, 펌프가 너무 과하게 작동하고 있는지, 유체가 제대로 흐르고 있는지, 혹은 장비가 고장 날 위험이 있는지를 운영자에게 알려줍니다. 이 수치를 얻는 가장 직접적인 방법은 유정 아래로 센서를 내리는 것이지만, 이는 비용이 많이 들 뿐만 아니라 그 센서들이 파손되거나 고장 날 수 있어 유정이 중요한 측정값을 얻지 못하는 상황을 초래할 수 있습니다. 센서가 없을 때, 엔지니어들은 역사적으로 파이프 상단의 압력이나 유정 내 유체의 수위와 같이 지상에서 측정할 수 있는 값들을 바탕으로 압력을 추측하는 수학적 공식에 의존해 왔습니다. 그러나 이러한 전통적인 추측 방식은 종종 부정확하여, 운영자들이 지하 깊은 곳에서 어떤 일이 일어나고 있는지에 대해 안개 낀 듯 불투명한 그림만을 갖게 만들었습니다.

한 연구팀은 컴퓨터가 지상 측정값과 심부 압력 사이의 관계를 학습하도록 가르침으로써 그 안개를 걷어내고자 했습니다. 그들은 센서가 정상 작동하여 실제 압력 수치를 제공하는 이집트의 100개 이상의 유정으로부터 방대한 양의 실제 데이터를 수집했습니다. 이 데이터베이스로부터, 그들은 정확한 펌프 흡입 압력을 알고 있는 수천 개의 특정 순간들과 그와 동시에 대응하는 지상 조건들을 선정했습니다. 그런 다음 이 정보를 단순한 통계 방정식부터 인간의 뇌가 정보를 처리하는 방식을 모방한 더 복잡한 시스템에 이르기까지 여섯 가지 유형의 컴퓨터 모델에 입력했습니다. 목표는 이 디지털 모델들이 지상 데이터와 심부 압력을 연결하는 숨겨진 패턴을 학습하여, 결과적으로 누락된 센서의 측정값을 높은 정확도로 예측할 수 있는지 확인하는 것이었습니다.

연구진은 각 모델이 한 번도 본 적 없는 데이터를 얼마나 잘 예측하는지 테스트했습니다. 변수 간의 직선 관계에 의존하는 가장 단순한 모델들은 상당히 고전했습니다. 이 모델들은 예측값이 실제 값에서 평균적으로 거의 70%나 벗어날 정도로 목표에서 크게 빗나갔습니다. 연구진이 더 복잡한 수학적 곡선을 시도했을 때도 개선은 미미했습니다. 특히 흐름도와 같은 결정 규칙을 구축하는 일부 모델들은 훈련 데이터에 너무 집중되었습니다. 그들은 예시들을 완벽하게 암기했지만 일반화에는 실패하여, 학습한 데이터에 대해서는 정확했으나 새로운 유정에 대해서는 신뢰할 수 없는 예측을 내놓았습니다. 이러한 과적합(over-fitting)은 모델이 서류상으로는 완벽해 보일지라도 실제 환경에서 사용하기에는 충분히 견고하지 못하다는 것을 의미했습니다.

이 비교에서 명확한 승자는 데이터 속의 복잡하고 비선형적인 연결 고리를 찾아내도록 설계된 모델인 인공 신경망(artificial neural network)이었습니다. 다른 방법들과 달리, 이 모델은 단순히 직선을 그리거나 단순한 곡선을 그리는 것이 아니라, 오일 생산율, 수분 함량, 웰헤드 압력, 펌프 깊이와 같은 9가지 서로 다른 입력 요인들 사이의 복잡한 관계망을 학습했습니다. 실제 센서 측정값과 대조하여 테스트했을 때, 이 신경망은 놀라울 정도로 정밀함을 입증했습니다. 이 모델은 평균 약 12%의 오차로 펌프 흡입 압력을 예측했으며, 이는 다른 방법들에 비해 엄청난 향상이었습니다. 이 모델은 매우 일관적이어서 학습한 데이터와 테스트에 사용된 새로운 데이터 모두에서 거의 동일하게 우수한 성능을 보였으며, 이는 모델이 단순히 숫자를 암기한 것이 아니라 시스템의 근저에 있는 물리 법칙을 진정으로 학습했음을 보여주었습니다.

또한 이 연구는 모델이 정확한 추측을 하기 위해 어떤 정보 조각들이 가장 중요한지를 밝혀냈습니다. 펌프 위의 액체 깊이가 가장 중요한 단일 요인이었지만, 모델은 파이프 주변 공간의 압력과 그 공간의 크기에도 크게 의존했습니다. 연구진이 이러한 특정 입력값들을 제거했을 때 모델의 정확도는 급격히 떨어졌으며, 이는 겉보기에 사소해 보이는 세부 사항조차 완전한 그림을 그리는 데 필수적임을 증명했습니다. 이러한 결과는 값비싼 다운홀(downhole) 센서가 없거나 고장 난 유정에서 이 인공지능 접근 방식이 신뢰할 수 있는 대안이 될 수 있음을 시사합니다. 이미 일상적으로 측정되고 있는 지상의 데이터만을 사용함으로써, 운영자들은 이전에는 도달할 수 없었던 수준의 확신을 가지고 심부 압력을 계산할 수 있게 되었으며, 이를 통해 지속적이고 비용이 많이 드는 장비 수리 없이도 유정을 안전하고 효율적으로 운영할 수 있게 되었습니다.