石油井におけるLSTMと転移学習を用いた坑底圧力推定のためのソフトセンサ

TL;DR（結論）

石油生産の最適化と安全管理に不可欠な坑底圧力（BHP）を、高コストで故障しやすい物理センサに頼らず、地上の計測データから高精度に推定する「ソフトセンサ」を開発した。 深層学習のLSTMモデルを採用し、さらに大規模油田で学習した知識を別の油田へ適用する「転移学習」を導入することで、データが不足している環境や異なる運用条件下でも、平均絶対誤差率（MAPE）2%未満という極めて高い推定精度を達成した。 ブラジルのプレソルト油田における13年間の膨大な実データを用いた検証により、複雑な多相流条件下でも従来の経験式や標準的なニューラルネットワークを凌駕する性能が確認され、物理センサの代替やデジタルツインへの応用によるコスト削減と運用効率化が期待される。

なぜこの問題か

石油工学における最大の難問の一つは、地下深くに存在する貯留層という資源の源泉に直接アクセスすることが極めて困難であるという点にある。石油の探査から生産にいたるライフサイクル全体を通じて、この課題には様々な間接的手法で対処されている。例えば、探査段階では地震探査などのデータに頼り、開発初期には掘削中に収集された岩石サンプルから部分的な知見を得る。しかし、油井や貯留層の挙動を理解するための最も持続的で重要な情報源は、生産中の動的な挙動そのものである。圧力、温度、生産流量の経時的な測定値は、異常の検知、スケーリングや貯留層の損傷といった生産減少事象の早期特定、貯留層の構成把握、将来の性能予測、そして最終的には回収率の最適化や運用の安全性向上を導くための不可欠な基盤となる。 海洋生産システムにおいて、これらの測定に最も関連性の高いノードは、坑底、坑口のクリスマスツリー、およびプラットフォームのトップサイドである。特に坑底では、永久坑底圧力計（PDG）によって圧力と温度が測定される。PDGは貯留層に最も近い位置にあるため、貯留層管理と生産監視において最も重要なセンサと位置付けられている。…

核心：何を提案したのか

本研究では、石油井の定常状態における流動坑底圧力（BHP）を推定するための、高度なデータ駆動型ソフトセンサを提案した。このソフトセンサは、坑口やトップサイドで得られる地上計測データのみを入力として使用し、地下の物理センサに依存しない。具体的には、時系列データの処理に長けた深層学習モデルである長短期記憶（LSTM）ネットワークを導入し、従来の多層パーセプトロン（MLP）やリッジ回帰といった手法と比較検証を行った。本研究の最も革新的な点は、石油業界の圧力推定において「転移学習（Transfer Learning）」を先駆的に導入し、モデルの汎用性と適応性を大幅に向上させたことである。 転移学習とは、あるタスクや領域で学習した知識を、関連する別のタスクや領域に適用する手法である。…

続きはログイン/プランで閲覧できます。