대염수층의 이산화탄소 저장가능성 평가를 위한 머신러닝 기반 예측모델 개발 = Development of a machine learning-based predictive model for assessing CO2 storage potential in saline aquifers

다국어 초록 (Multilingual Abstract)

Among geological settings suitable for CO₂ geological storage, saline aquifers offer larger storage capacity than other storage types and, with favorable permeability and porosity, can stably sequester CO₂ over the long term. Saline aquifers are distributed worldwide, and their geological characteristics vary by region, making standardized storage capacity evaluation and the derivation of injection conditions challenging. Accordingly, this study aims to develop a machine-learning-based predictive model capable of evaluating storage potential in saline aquifers by considering diverse geological characteristics and injection conditions.
For training data generation, a base model was constructed using the GEM simulator developed by CMG. A total of 20,000 cases were generated using the Latin Hypercube Sampling (LHS) method embedded in CMOST for geological characteristics such as formation thickness, permeability, and porosity, and the results were converted into output variables.
For each case, the bottomhole pressure (Pwf) computed from the geological characteristics and injection rate was used as training data for the machine learning models. We developed (i) a bottomhole pressure predictive model and (ii) a classification model to determine storage feasibility and the optimal injection rate. The machine learning techniques used were Random Forest, XGBoost, and Support Vector Machine (SVM). Model accuracy for the predictive models was evaluated using R², RMSE, and MAE, while classification model performance was assessed using the confusion matrix and F1-score. As a result, XGBoost achieved the highest accuracy of 99.53% for bottomhole pressure prediction, and for storage feasibility classification, all three techniques achieved accuracy above 93%.
To verify field application feasibility of the developed models, we compared numerical simulation results and machine learning predictions for the Gunsan Basin case in the West Sea of Korea. In the Gunsan Basin-based numerical model, the bottomhole pressure at the end of injection was 23,113 kPa, whereas the machine learning model predicted 24,672 kPa, showing a deviation of approximately 1,500 kPa. This deviation may be attributable to simplifying actual reservoir heterogeneity and geological properties into single average property values for the inputs and not directly incorporating factors that are sensitive to bottomhole pressure, such as the perforation interval/range, as input variables.
In future work, we aim to reduce prediction error by expanding the input variables to include additional factors influencing bottomhole pressure and by constructing training data that more precisely reflect field conditions. The predictive model developed in this study is expected to support pre-assessment and decision-making for evaluating storage potential by considering the geological characteristics and injection conditions of saline aquifers

국문 초록 (Abstract)

이산화탄소 지중저장이 가능한 구조 중 대염수층은 타 저장소 대비 큰 저장용량을 가지며 우수한 투과도와 공극률을 가지고 있어 이산화탄소를 장기간 안정적으로 격리할 수 있다. 대염수층은 전 세계적으로 분포되어 있고 지역마다 지질학적 특성이 상이하여 표준화된 저장용량 평가와 주입조건 산출이 어렵다는 특징이 있다. 이에 본 연구에서는 다양한 지질 특성과 주입 조건을 고려하여 대염수층의 저장가능성을 평가할 수 있는 머신러닝 기반 예측모델을 개발하고자 한다. 학습데이터 생성을 위해 CMG사의 GEM 시뮬레이터를 활용하여 기초 모델을 구축하였다. 지층 두께, 투과도, 공극률 등의 지질학적 특성에 대해 CMOST에 내장된 라틴 하이퍼 큐브 샘플링 기법을 사용하여 총 20,000개의 케이스를 도출하였고 결과값을 출력레이어로 변환하였다.
각 케이스별 입력자료인 지질학적 특성과 주입량에 대해 산출된 공저압(Pwf)을 머신러닝 모델의 학습데이터로 사용하였으며, 공저압 예측모델과 저장가능여부 및 최적주입량을 판단하는 분류모델을 각각 개발하였다. 사용된 머신러닝 기법은 Random forest, XGBoost, SVM이며, 기법별 예측모델 정확도 산출에는 R2, RMSE, MAE, 분류모델 성능 지표 산출에는 혼동행렬과 F1-score을 사용하였다. 결과적으로 공저압 예측에 있어서는 XGBoost 기법이 가장 높은 99.53%의 정확도를 보였으며, 저장가능여부 판단에 있어서는 세 기법 모두 93% 이상의 정확도를 보였다.
개발된 모델의 현장 적용성을 검증하기 위해 국내 서해 군산 분지 사례를 대상으로 수치 시뮬레이션 결과와 머신러닝 예측 결과를 비교하였다. 군산 분지 기반 수치모델에서 주입 종료 시점의 공저압은 23,113 kPa로 도출되었으며, 머신러닝 모델은 24,672 kPa를 예측하여 약 1.5 kPa의 편차를 보였다. 이러한 편차는 실제 저류층의 불균질성과 지질학적 물성을 단일 평균 물성으로 단순화하여 입력한 점, 그리고 천공구간/범위 등 공저압에 민감한 요인을 입력변수로 직접 반영하지 못한 점에 기인할 가능성이 있다.
향후 연구에서는 공저압에 영향을 미치는 추가 인자를 입력변수로 확장하고, 현장 조건을 보다 정교하게 반영한 학습데이터 구축을 통해 예측 오차를 저감하고자 한다.
본 연구에서 개발된 예측 모델을 통해 향후 대염수층의 지질학적 특성과 주입 조건을 고려한 저장가능성 평가에 있어 사전 진단 및 의사결정에 활용될 수 있을 것으로 기대된다.

목차 (Table of Contents)

• 1. Introduction 1
• 2. Data preparation 9
• 2.1. Base model 9
• 2.2. Latin Hypercube Sampling (LHS) 15
• 2.3. Multicollinearity analysis 19
• 3. Methodology 23
• 3.1. Machine learning 23
• 3.1.1. Random forest 23
• 3.1.2. XGBoost 26
• 3.1.3. Support Vector Machine (SVM) 27
• 3.2. Pwf prediction model 30
• 3.3. Classification model 31
• 3.4. Model evaluation metrics 34
• 3.4.1. Regression evaluation metrics 34
• 3.4.2. Classification evaluation metrics 36
• 3.5. Hyperparameter 39
• 4. Results 42
• 4.1. Performance analysis of the Pwf prediction model 42
• 4.2. Performance analysis of the classification model 48
• 5. Field application 53
• 5.1. Overview of the Gunsan Basin 53
• 5.2. Base model information for Gunsan Basin 54
• 5.3. Comparison of simulation and ML Predictions 57
• 6. Conclusion 60
• Reference 62
• 요약(국문초록) 72