KR101975436B1 - Apparatus and method for forecasting production for shale gas well in transient flow using machine learning method - Google Patents
Apparatus and method for forecasting production for shale gas well in transient flow using machine learning method Download PDFInfo
- Publication number
- KR101975436B1 KR101975436B1 KR1020180127977A KR20180127977A KR101975436B1 KR 101975436 B1 KR101975436 B1 KR 101975436B1 KR 1020180127977 A KR1020180127977 A KR 1020180127977A KR 20180127977 A KR20180127977 A KR 20180127977A KR 101975436 B1 KR101975436 B1 KR 101975436B1
- Authority
- KR
- South Korea
- Prior art keywords
- production
- shale gas
- neural network
- network model
- artificial neural
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Abstract
Description
본 발명은 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법에 관한 것으로, 특히 데이터 기반의 인공신경망 모델을 생성하여 천이 유동 영역의 셰일가스정에 대한 미래의 생산량을 산출하고, 이 산출된 미래의 생산량과 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출함으로써 종래의 셰일가스정에 대한 생산성 예측 방식에 비해 오차가 적은 정확한 결과를 도출할 수 있는, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for predicting productivity of a shale gas well in a transitional flow region using a machine learning method, and more particularly, to a data-based artificial neural network model to generate a future production amount of a shale gas well in a transition flow region, The productivity of future shale gas wells is estimated by using the decay curve method to calculate future production and ultimate yields of the shale gas wells. The present invention relates to an apparatus and method for predicting a productivity of a shale gas well in a transition flow region using a machine learning technique capable of obtaining a small accurate result.
일반적으로, 셰일가스에 대한 미래 생산 거동 및 궁극 가채량 예측은 저류층 시뮬레이션, 수압파쇄 모델링과 생산 천이 유동 분석을 통해 이루어지고 있으나 시뮬레이션의 경우 셰일가스 수압파쇄 특성과 저류층의 복잡성, 흡탈착 거동, 균열투과도 변화에 따른 유동양상을 모사하는 것에 대한 불확실성이 높다.In general, the prediction of future production behavior and ultimate yield of shale gas is based on reservoir simulation, hydrodynamic fracture modeling and production transition flow analysis. However, in simulation, the shale gas hydraulic fracture characteristics, reservoir complexity, There is a high uncertainty about simulating the flow pattern according to the permeability change.
생산 천이 유동 분석의 경우 시간에 따른 유동 압력 및 저류층 물성 등이 필요하며 미소지진파 분석을 통한 유정 자극 부피(stimulated reservoir volume; SRV)를 산출해야 천이 유동 종료시점을 정확하게 예측가능하며 이를 통해 궁극 가채량을 산출할 수 있다.In the case of the production transition flow analysis, it is necessary to calculate the flow pressure and the reservoir properties over time and to calculate the stimulated reservoir volume (SRV) through micro-seismic analysis to accurately predict the end point of transition flow, Can be calculated.
그러나 물성자료 획득과 미소지진파 해석의 불확실성 문제 때문에 한계점이 존재한다. 이에 따라 최소한의 자료를 가지고 생산성을 예측하는 감퇴곡선법을 이용한 셰일가스정의 생산성 예측에 대한 연구가 활발히 진행되어 왔다. 전통적인 유가스 전에서 널리 활용되고 있는 Arps가 제안한 감퇴 곡선법은 유사 정상 상태 유동의 가정을 통해 만든 식으로 다단계 수압파쇄 수평정이 적용된 셰일가스의 경우 매우 낮은 투과도로 인해 경계 영향 유동에 진입하는 시점이 느리기 때문에 생산 초기 자료를 이용하여 생산 거동을 예측하는 것이 불가능하다.However, there are limitations due to the uncertainties in the acquisition of material properties and the analysis of microseismic waves. Therefore, studies on the productivity prediction of shale gas using the decay curve method which predicts the productivity with minimum data have been actively studied. The decay curve method proposed by Arps, which is widely used in the conventional oil gas field, is based on the assumption of pseudo steady state flow. In the case of the shale gas applied with multi-stage hydraulic crushing, It is impossible to predict the production behavior using initial production data.
또한 일반적으로, 1 ~ 2년의 천이 유동 영역의 생산자료를 활용하여 미래생산 거동을 예측할 때는 도 3의 (B)에 도시된 바와 같이 과소 예측(YM-SEPD)하거나 과대 예측(Duong)하게 되는 문제점이 있다.Also, in general, when estimating the future production behavior using the production data of the transition flow region of 1 to 2 years, it is necessary to perform the underestimation (YM-SEPD) or the overestimation (Duong) as shown in FIG. There is a problem.
미국 특허 US2016-0042272호 공보에는 셰일가스정에서 머신러닝 기법을 활용한 생산성 예측 기술이 개시되어 있다. 이 생산성 예측 기술은 비전통 오일 가스 저류층에서 다양한 시점의 누적 생산량을 예측하여 결정하는 컴퓨터를 이용한 분석 프로그램을 포함하고 있다. 이 분석 프로그램은 인공신경망 모델로 구현되어 있고, 입력자료의 다양한 파라미터와 누적생산량의 상관관계를 규명하는 모듈이 포함되어 있으며, 인공신경망 모델의 학습 및 검증을 확인할 수 있는 컴퓨터 프로그램이 포함되어 있다. US Patent No. US2016-0042272 discloses a productivity prediction technique using a machine learning technique in a shale gas well. This productivity forecasting technique includes a computerized analysis program that predicts the cumulative production at various points in a non-traditional oil gas reservoir. This analysis program is implemented as an artificial neural network model, and includes a module for identifying the correlation between various parameters of the input data and the cumulative production amount, and includes a computer program for verifying the learning and verification of the artificial neural network model.
이와 같은 종래의 기술은 셰일가스 생산성에 영향을 주는 인자를 산출하고 이를 통해 인공신경망 모델을 개발하였으나 누적 생산량만 산출하므로 미래 생산 거동을 예측할 수 없는 한계를 가지고 있으며, 생산량 예측 인공신경망의 예측 성능을 증가시키기 위한 머신러닝 기법이 적용되지 않았다는 문제점이 있었다. Although the artificial neural network model is developed by calculating the factors affecting the productivity of the shale gas, the artificial neural network model has a limit that can not predict the future production behavior because only the cumulative production amount is calculated. There is a problem in that the machine learning technique for increasing the number of times is not applied.
따라서 본 발명은 상기와 같은 문제점을 해결하기 위해 이루어진 것으로서, 본 발명의 목적은 천이유동 셰일가스정에서 미래 생산 거동 및 궁극 가채량을 오차가 적게 정확히 예측할 수 있는, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법을 제공하는 데에 있다.SUMMARY OF THE INVENTION The present invention has been made in order to solve the above problems, and it is an object of the present invention to provide a method and apparatus for controlling a transition flow region using a machine learning technique, And an apparatus and method for predicting productivity of shale gas wells.
상기의 목적을 달성하기 위해 본 발명의 실시형태에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치는 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 입력하도록 구성된 셰일가스정 생산자료 입력부; 데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출하도록 구성된 인공신경망 모델 생성부; 및 상기 미래의 천이 유동 셰일가스정에 대한 생산량과 상기 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출하도록 구성된 생산 거동 및 궁극 가채량 산출부를 포함하는 것을 특징으로 한다.In order to achieve the above object, an apparatus for predicting productivity of a shale gas well in a transition flow region using a machine learning technique according to an embodiment of the present invention includes a shale gas well production unit configured to input production data for a shale gas well of a transition flow region, A data input unit; An artificial neural network model generation unit configured to generate a data-based artificial neural network model to calculate a production amount for a future transition shale gas chamber; And production yields for the future transitional flow shale gas wells and production data for the shale gas wells of the existing transition flow regions are calculated using the decay curve method to determine future production behavior and ultimate yield amount, And a calculation unit.
상기 실시형태에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치에 있어서, 상기 인공신경망 모델 생성부는 학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하고, 상기 인공신경망 모델의 입출력 변수를 선정하며, 중요도 분석을 통해 상기 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하며, 상기 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하며, 상기 인공신경망 모델의 출력을 미래 생산량으로 산출하도록 더욱 구성될 수 있다.In an apparatus for predicting productivity of a shale gas well in a transition flow region using a machine learning technique according to the present invention, the artificial neural network model generation unit collects production related data for a nearby shale gas well to be used for learning, Output variables are selected and input variables having high correlation with output variables among the selected input and output variables are selected through importance analysis to constitute a data set of input and output variables, To generate a cluster-specific artificial neural network model having similarity and to calculate the output of the artificial neural network model as a future production amount.
상기 실시형태에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치에 있어서, 상기 입력변수는 생산정 위치, 저류층 두께, 시추 깊이 및 가스 비중을 포함하는 네이티브(Native) 인자, 수평정 길이, 클러스터 수, 파쇄 유체 주입량 및 프로판트 주입량을 포함하는 설계 인자, 및 오일환산계수 피크, 닫힘 정두 압력, 가스 액체비, 초기 생산량, 튜빙 압력, 정두 압력, 시험 생산량, 감퇴율(1년), 및 물 생산량을 포함하는 생산 운영 인자를 포함하며; 상기 출력변수는 미래 시점의 생산량일 수 있다.In the apparatus for predicting productivity of a shale gas well in a transition flow region using a machine learning technique according to the above embodiment, the input parameter may be a native factor including a product position, a reservoir thickness, a depth of a drill, Design factors including calving length, number of clusters, fracture fluid injection volume and propane injection volume, and oil conversion factor Peak, Closed Sump Pressure, Gas Liquid Ratio, Initial Production, Tubing Pressure, Sump Pressure, Test Production, Decay Rate ), And a production operating factor including water production; The output variable may be a production amount at a future time point.
상기 목적을 달성하기 위해 본 발명의 다른 실시형태에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 방법은 셰일 가스정 생산자료 입력부에 의해 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료가 입력되는 단계; 인공신경망 모델 생성부가 데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출하는 단계; 및 생산 거동 및 궁극 가채량 산출부가 상기 미래의 천이 유동 셰일가스정에 대한 생산량과 상기 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출하는 단계를 포함하는 것을 특징으로 한다.In order to achieve the above object, a method for predicting the productivity of a shale gas well in a transitional flow region using a machine learning method according to another embodiment of the present invention is a method for predicting a productivity of a shale gas well in a transition region, ; Generating an artificial neural network model based on a data-based artificial neural network model generating unit to calculate a production amount for a future transition shale gas chamber; And the production behavior and the ultimate yield amount calculating unit calculate the production amount for the future transition shale gas well and the production data for the shale gas well of the existing transition flow region using the decay curve method to calculate the future production behavior and ultimate yield amount The method comprising the steps of:
상기 다른 실시형태에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 방법에 있어서, 상기 생산량을 산출하는 단계는 학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하는 단계; 상기 인공신경망 모델의 입출력 변수를 선정하는 단계; 중요도 분석을 통해 상기 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하는 단계; 상기 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하는 단계; 및 상기 인공신경망 모델의 출력을 미래 생산량으로 산출하는 단계를 포함할 수 있다.The method of predicting productivity for a shale gas well in a transition flow region using a machine learning method according to another embodiment of the present invention includes the steps of collecting production related data for a nearby shale gas well to be used for learning; Selecting an input / output variable of the artificial neural network model; A step of constructing a data set of input / output variables by selecting an input variable having a high correlation with an output variable among the selected input / output variables through importance analysis; Generating an artificial neural network model for each cluster having a similarity in a data set through a cluster analysis of the data set of the input / output variables; And calculating an output of the artificial neural network model as a future production amount.
본 발명의 실시형태에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법에 의하면, 셰일 가스정 생산자료 입력부에 의해 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료가 입력되고, 인공신경망 모델 생성부가 데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출하며, 생산 거동 및 궁극 가채량 산출부가 상기 미래의 천이 유동 셰일가스정에 대한 생산량과 상기 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출하도록 구성됨으로써 천이유동 셰일가스정에서 미래 생산 거동 및 궁극 가채량을 오차가 적게 정확히 예측할 수 있다는 뛰어난 효과가 있다. According to an apparatus and method for predicting productivity of a shale gas well in a transition flow region using a machine learning method according to an embodiment of the present invention, production data for a shale gas well of a conventional transition flow region is input by a shale gas production data input unit , An artificial neural network model generating unit generates a data-based artificial neural network model to calculate a production amount for a future transition flow shale gas well, and the production behavior and the ultimate yield amount calculating unit calculate the production amount for the future transition flow shale gas well, The production data for the shale gas wells in the transitional flow region are calculated to calculate the future production behavior and the ultimate yield amount by using the decay curve method, so that the future production behavior and the ultimate yield amount can be predicted with little error in the transition flow shale gas well It has excellent effect.
또한, 본 발명의 실시형태에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법에 의하면, 인경 신경망 모델 생성부가 학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하고, 상기 인공신경망 모델의 입출력 변수를 선정하며, 중요도 분석을 통해 상기 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하며, 상기 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하며, 상기 인공신경망 모델의 출력을 미래 생산량으로 산출하도록 구성됨으로써, 인공신경망 모델의 예측성능 및 학습성능을 보다 향상시킬 수 있다는 뛰어난 효과가 있다.In addition, according to the apparatus and method for predicting the productivity of the shale gas well in the transition flow region using the machine learning method according to the embodiment of the present invention, the production-related data for the nearby shale gas wells, Output variables of the artificial neural network model are selected and input variables having high correlation with the output variables among the selected input and output variables are selected through the importance analysis to constitute a data set of the input and output variables, And generating an artificial neural network model having a similarity in the data set by analyzing the output of the artificial neural network model and calculating the output of the artificial neural network model as a future production amount, it is possible to further improve the prediction performance and the learning performance of the artificial neural network model .
도 1은 본 발명의 실시예에 의한, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치의 블록 구성도이다.
도 2는 본 발명의 실시예에 의한, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 방법을 나타내는 플로우챠트이다.
도 3은 셰일 가스정의 생산 시간에 대한 생산량을 나타내는 그래프로서, (A)는 셰일 가스정의 생산자료 입력부에 의해 입력되는 천이 유동 영역의 셰일가스정에 대한 생산자료를 나타내는 그래프이고, (B)는 1 ~ 2년의 천이 유동 영역의 생산자료를 활용하여 미래생산 거동을 예측할 때, 과소 예측(YM-SEPD)하고 과대 예측(Duong)하는 것을 나타내는 그래프이며, (C)는 본 발명의 실시예에 의해 인공신경망 모델을 이용하여 산출된 미래 생산량과 기존 천이 유동 영역의 셰일 가스정에 대한 생산자료를 나타내는 그래프이며, (D)는 본 발명의 실시예에 의해 산출된 미래 생산량과 기존 천이 유동 영역의 셰일 가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 산출한 미래의 생산 거동 및 궁극 가채량을 나타낸 그래프이다.
도 4는 도 1의 인공신경망 모델 생성부에 의해 생성되는 데이터기반의 인공신경망 모델을 나타내는 도면이다.1 is a block diagram of an apparatus for predicting productivity of a shale gas well in a transition flow region using a machine learning technique according to an embodiment of the present invention.
FIG. 2 is a flowchart illustrating a method for predicting a productivity of a shale gas well in a transition flow region using a machine learning technique according to an embodiment of the present invention.
FIG. 3 is a graph showing the production amount with respect to the shale gas definition production time, and FIG. 3 (A) is a graph showing production data on the shale gas well in the transition flow region input by the shale gas definition production data input unit, (YM-SEPD) and over-forecasting (Duong) when estimating future production behavior by using production data of a transition flow region of 1 to 2 years, and (C) (D) is a graph showing production yields of shale gas wells of a conventional transition flow region and a future production amount calculated using an artificial neural network model, Is a graph showing the future production behavior and ultimate yield calculated using the decay curve method.
FIG. 4 is a diagram illustrating a data-based artificial neural network model generated by the artificial neural network model generating unit of FIG. 1. FIG.
이하, 본 발명의 실시예를 도면을 참조하여 상세히 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
도 1은 본 발명의 실시예에 의한, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치의 블록 구성도이고, 도 3은 셰일 가스정의 생산 시간에 대한 생산량을 나타내는 그래프로서, (A)는 셰일 가스정의 생산자료 입력부에 의해 입력되는 1 ~ 2년의 천이 유동 영역의 셰일가스정에 대한 생산자료를 나타내는 그래프이고, (B)는 1 ~ 2년의 천이 유동 영역의 생산자료를 활용하여 미래생산 거동을 예측할 때, 과소 예측(YM-SEPD)하고 과대 예측(Duong)하는 것을 나타내는 그래프이며, (C)는 본 발명의 실시예에 의해 인공신경망 모델을 이용하여 산출된 미래 생산량과 기존 천이 유동 영역의 셰일 가스정에 대한 생산자료를 나타내는 그래프이며, (D)는 본 발명의 실시예에 의해 산출된 미래 생산량과 기존 천이 유동 영역의 셰일 가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 산출한 미래의 생산 거동 및 궁극 가채량을 나타낸 그래프이며, 도 4는 도 1의 인공신경망 모델 생성부에 의해 생성되는 데이터기반의 인공신경망 모델을 나타내는 도면이다.FIG. 1 is a block diagram of an apparatus for predicting a productivity of a shale gas well in a transitional flow region using a machine learning method according to an embodiment of the present invention. FIG. 3 is a graph illustrating production amounts of the shale gas definition production time A) is a graph showing production data for a shale gas well of a transition flow region of 1 to 2 years inputted by a shale gas definition production data input unit, (B) is a graph showing production data of a transition flow region of 1 to 2 years (YM-SEPD) and over-forecasting (Duong) in predicting the future production behavior, and (C) is a graph showing the future production yield calculated using the artificial neural network model according to the embodiment of the present invention, (D) is a graph showing production data for a shale gas well of a transition flow region, and FIG. FIG. 4 is a graph showing a data-based artificial neural network model generated by the artificial neural network model generating unit of FIG. 1; FIG. 4 is a graph showing the production behavior of the future and the ultimate yield calculated using the decay curve method;
본 발명의 실시예에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치는, 도 1에 도시된 바와 같이, 셰일가스정 생산자료 입력부(100), 인공신경망 모델 생성부(200) 및 생산 거동 및 궁극 가채량 산출부(300)를 포함한다.As shown in FIG. 1, the apparatus for predicting the productivity of the transition flow region using the machine learning method according to an embodiment of the present invention includes a shale gas production
셰일가스정 생산자료 입력부(100)는 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 생산 거동 및 궁극 가채량 산출부(300)에 입력하는 역할을 한다. 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료는 1년 내지 2년의 생산자료로서 도 3의 (A)에 도시되어 있다.The shale gas well production
인공신경망 모델 생성부(200)는 데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출하여 생산 거동 및 궁극가채량 산출부(300)에 입력시키는 역할을 한다.The artificial neural network
인공신경망 모델 생성부(200)는 학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하고, 인공신경망 모델의 입출력 변수를 선정하며, 중요도 분석을 통해 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하며, 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하며, 인공신경망 모델의 출력을 미래 생산량으로 산출하는 역할을 한다(도 4 참조). The artificial neural network
여기서, 중요도 분석을 통해 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하고, 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하는 이유는 기존 기술의 문제점인 미래 생산 거동에 대한 과소 예측 및 과대 예측을 방지하고 인공신경망 모델의 정확한 예측성능(예측 속도, 예측 정확도)을 높이기 위함이다. Here, the data set of the input / output variable is selected by selecting the input variable having high correlation with the output variable among the selected input / output variables through the importance analysis, and the data set of the input / The reason for creating an artificial neural network model is to prevent underestimation and overestimation of future production behavior, which is a problem of the existing technology, and to increase the accurate prediction performance (prediction speed, prediction accuracy) of the artificial neural network model.
인공신경망 모델의 입력변수는, 예컨대 아래의 [표 1]에 도시된 바와 같이, 생산정 위치[좌표(동경), 좌표(북위)], 저류층 두께, 시추 깊이(측정 시추 깊이, 실제 시추 깊이) 및 가스 비중을 포함하는 네이티브(Native) 인자; 수평정 길이, 클러스터 수, 파쇄 유체 주입량 및 프로판트 주입량을 포함하는 설계 인자; 및 오일환산계수 피크, 닫힘 정두 압력, 가스 액체비, 초기 생산량, 튜빙 압력, 정두 압력, 시험 생산량, 감퇴율(1년), 및 물 생산량(초기 물 생산량, 3개월 생산량)을 포함하는 생산 운영 인자를 포함한다.The input parameters of the artificial neural network model are as follows: production position (coordinates, coordinates (latitude)), reservoir thickness, drilling depth (measured drilling depth, actual drilling depth) And a Native factor including the gas specific gravity; Design parameters including horizontal length, number of clusters, fracture fluid injection volume and propane injection volume; Production operations including oil conversion factor peaks, closed sump pressure, gas liquid ratio, initial production, tubing pressure, duck pressure, test production, decay rate (1 year), and water production (initial water production, 3 months production) Contains an argument.
출력변수는 미래 시점의 생산량인 생산운영 인자를 포함한다.The output variable includes the production operation factor, which is the future production.
[표 1][Table 1]
도 4는 도 1의 인공신경망 모델 생성부에 의해 생성되는 데이터기반의 인공신경망 모델을 나타내는 도면으로서, 입력 자료로는 설계 인자, 네이티브 인자, 생산 운영 인자 및 셰일가스 개발 관련 인자가 포함되며, 출력자료로는 미래시점 생산량이 포함된다. 은닉층은 본 발명에 의한 데이터 기반의 미래 생산량 예측을 위한 알고리듬 인자들이다.FIG. 4 is a diagram showing a data-based artificial neural network model generated by the artificial neural network model generating unit of FIG. 1. The input data includes design factors, native factors, production operation factors, and shale gas development related factors, The data includes future production. The hidden layer is an algorithm factor for predicting the future yield of the data base according to the present invention.
생산 거동 및 궁극 가채량 산출부(300)는 인공신경망 모델 생성부(200)에서 산출된 미래의 천이 유동 셰일가스정에 대한 생산량[도 3의 (C)에서 4개의 원으로 표시됨]과 셰일가스정 생산자료 입력부(100)에서 입력된 기존의 1 ~ 2년의 천이 유동 영역의 셰일가스정에 대한 생산자료[도 3의 (C)에서 붉은 점으로 표시됨]를 감퇴 곡선법(DCA analysis)을 이용하여 미래의 생산 거동 및 궁극 가채량[도 3의 (D)에 표시됨]을 산출하는 역할을 한다.The production behavior and ultimate grain
도 3의 (D)에서 알 수 있는 바와 같이 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료와 인공신경망 모델을 이용하여 산출된 미래의 천이 유동 셰일 가스정에 대한 생산량을 가지고 감퇴 곡선법을 수행할 경우 과대 예측 또는 과소 예측이 이루어지지 않고 과거 생산자료와 거의 수렴하는 정확한 미래 생산 거동 예측 성능을 나타내는 것을 알 수 있다.As can be seen in FIG. 3 (D), the decay curve method is performed using the production data for the shale gas wells of the existing transition flow region and the production amount of the future transition flow shale gas wells calculated using the artificial neural network model In this case, we can see that the prediction performance of the future production is almost converged with the past production data without over prediction or under prediction.
이하, 상기한 바와 같이 구성된 본 발명의 실시예에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치를 이용한 생산성 예측 방법을 설명하기로 한다.Hereinafter, a method for predicting the productivity using the apparatus for predicting the productivity of the shale gas well in the transition flow region using the machine learning method according to the embodiment of the present invention will be described.
도 2는 본 발명의 실시예에 의한, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 방법을 나타내는 플로우챠트로서, 여기서 S는 스텝(step)을 나타낸다.FIG. 2 is a flow chart illustrating a method of predicting the productivity of a shale gas well in a transition flow region using a machine learning technique according to an embodiment of the present invention, wherein S represents a step.
먼저, 셰일 가스정 생산자료 입력부(100)에 의해 기존(1년 내지 2년)의 천이 유동 영역의 셰일가스정에 대한 생산자료[도 3의 (A) 참조]가 생산 거동 및 궁극 가채량 산출부(300)에 입력된다(S100).First, the production data (see (A) of FIG. 3) for a shale gas well of a transition flow region existing in the past (1 year to 2 years) is input by the shale gas production
이어서, 인공신경망 모델 생성부(200)가 데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출한다(S200).Then, the artificial neural network
좀 더 상세하게는, 인공신경망 모델 생성부(200)가 학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하고(S210), 인공신경망 모델의 입출력 변수를 선정하며(S220), 중요도 분석을 통해 스텝(S220)에서 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하며(S230), 스텝(S230)에서 구성된 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하며(S240), 인공신경망 모델의 출력을 미래의 천이 유동 셰일가스정에 대한 생산량으로 산출한다(S250).More specifically, the artificial neural network
이어서, 생산 거동 및 궁극 가채량 산출부(300)가 스텝(S250)에서 산출된 미래의 천이 유동 셰일가스정에 대한 생산량과 스텝(S100)에서 입력된 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출한다(S300).Then, the production behavior and ultimate grain
본 발명의 실시예에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법에 의하면, 셰일 가스정 생산자료 입력부에 의해 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료가 입력되고, 인공신경망 모델 생성부가 데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출하며, 생산 거동 및 궁극 가채량 산출부가 상기 미래의 천이 유동 셰일가스정에 대한 생산량과 상기 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출하도록 구성됨으로써 천이유동 셰일가스정에서 미래 생산 거동 및 궁극 가채량을 오차가 적게 정확히 예측할 수 있다. According to an apparatus and method for predicting productivity of a shale gas well in a transition flow region using a machine learning method according to an embodiment of the present invention, production data for a shale gas well of a conventional transition region is input by a shale gas production data input unit , An artificial neural network model generating unit generates a data-based artificial neural network model to calculate a production amount for a future transition flow shale gas well, and the production behavior and the ultimate yield amount calculating unit calculate the production amount for the future transition flow shale gas well, The production data for the shale gas wells in the transitional flow region can be estimated using the decay curve method to estimate the future production behavior and the ultimate yield amount so that the future production behavior and the ultimate yield amount can be predicted with less error in the transition flow shale gas well .
또한, 본 발명의 실시예에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법에 의하면, 인경 신경망 모델 생성부가 학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하고, 상기 인공신경망 모델의 입출력 변수를 선정하며, 중요도 분석을 통해 상기 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하며, 상기 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하며, 상기 인공신경망 모델의 출력을 미래 생산량으로 산출하도록 구성됨으로써, 인공신경망 모델의 예측성능 및 학습성능을 보다 향상시킬 수 있다.In addition, according to the apparatus and method for predicting the productivity of the shale gas well in the transitional flow region using the machine learning method according to the embodiment of the present invention, the production-related data for the nearby shale gas well to be used for the learning of the neural- Output variables of the artificial neural network model are selected and input variables having high correlation with the output variables among the selected input and output variables are selected through the importance analysis to constitute a data set of the input and output variables, Analysis is performed to generate a cluster-based artificial neural network model having similarity in the data set, and the output of the artificial neural network model is calculated as a future production amount, thereby improving the prediction performance and learning performance of the artificial neural network model.
도면과 명세서에는 최적의 실시예가 개시되었으며, 특정한 용어들이 사용되었으나 이는 단지 본 발명의 실시형태를 설명하기 위한 목적으로 사용된 것이지 의미를 한정하거나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.Although the best mode has been shown and described in the drawings and specification, certain terminology has been used for the purpose of describing the embodiments of the invention and is not intended to be limiting or to limit the scope of the invention described in the claims. It is not. Therefore, those skilled in the art will appreciate that various modifications and equivalent embodiments may be made without departing from the scope of the present invention. Accordingly, the true scope of the present invention should be determined by the technical idea of the appended claims.
100: 셰일가스정 생산자료 입력부
200: 인공신경망 모델 생성부
300: 생산 거동 및 궁극가채량 산출부100: Shale gas production data input unit
200: artificial neural network model generation unit
300: Production Behavior and Ultimate Climate Calculator
Claims (6)
데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출하도록 구성된 인공신경망 모델 생성부;
상기 미래의 천이 유동 셰일가스정에 대한 생산량과 상기 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출하도록 구성된 생산 거동 및 궁극 가채량 산출부를 포함하며,
상기 인공신경망 모델 생성부는
학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하고,
상기 인공신경망 모델의 입출력 변수를 선정하며,
중요도 분석을 통해 상기 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하며,
상기 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하며,
상기 인공신경망 모델의 출력을 미래 생산량으로 산출하도록 더욱 구성된, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치.
A shale gas production data input unit configured to input production data for a shale gas well of a conventional transition flow region;
An artificial neural network model generation unit configured to generate a data-based artificial neural network model to calculate a production amount for a future transition shale gas chamber;
The production amount of the future transition shale gas well and the production data for the shale gas well of the existing transition flow region are calculated using the decay curve method to calculate the production behavior and the ultimate yield amount of the future, ≪ / RTI >
The artificial neural network model generation unit
Collect production related data for nearby shale gas wells to be used for learning,
Selecting input and output variables of the artificial neural network model,
The data set of the input / output variables is configured by selecting the input variables having high correlation with the output variables among the selected input / output variables through the importance analysis,
Generating an artificial neural network model for each cluster having similarity in the data set through a cluster analysis of the data set of the input / output variables,
An apparatus for predicting the productivity of a shale gas well in a transitional flow region using a machine learning technique, which is further configured to calculate the output of the artificial neural network model as a future output.
상기 입력변수는
생산정 위치, 저류층 두께, 시추 깊이 및 가스 비중을 포함하는 네이티브(Native) 인자,
수평정 길이, 클러스터 수, 파쇄 유체 주입량 및 프로판트 주입량을 포함하는 설계 인자, 및
오일환산계수 피크, 닫힘 정두 압력, 가스 액체비, 초기 생산량, 튜빙 압력, 정두 압력, 시험 생산량, 감퇴율(1년), 및 물 생산량을 포함하는 생산 운영 인자를 포함하며;
상기 출력변수는 미래 시점의 생산량인, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치.The method according to claim 1,
The input variable
Native factors, including production location, reservoir thickness, drilling depth and gas specific gravity,
Design parameters including water level length, number of clusters, fracture fluid injection volume and propane injection volume, and
Including production operating factors including oil conversion factor peaks, closed duck pressure, gas liquid ratio, initial yield, tubing pressure, duck pressure, test yield, decay rate (one year), and water yield;
Wherein the output variable is a production amount at a future point of time, the apparatus estimating the productivity of the shale gas well in a transition flow region using a machine learning technique.
셰일 가스정 생산자료 입력부에 의해 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료가 입력되는 단계;
인공신경망 모델 생성부가 데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출하는 단계; 및
생산 거동 및 궁극 가채량 산출부가 상기 미래의 천이 유동 셰일가스정에 대한 생산량과 상기 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출하는 단계를 포함하는 생산성 예측 방법.A method for predicting productivity using a productivity predictor for a shale gas well in a transition flow region using the machine learning method of claim 1,
A step of inputting production data for a shale gas well of an existing transition flow region by a shale gas production data inputting unit;
Generating an artificial neural network model based on a data-based artificial neural network model generating unit to calculate a production amount for a future transition shale gas chamber; And
The production behavior and the ultimate yield amount calculating unit are used to calculate the production amount for the future transition shale gas well and the production data for the shale gas well of the existing transition flow region to calculate future production behavior and ultimate yield amount by using the decay curve method A method for predicting productivity including steps.
상기 생산량을 산출하는 단계는
학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하는 단계;
상기 인공신경망 모델의 입출력 변수를 선정하는 단계;
중요도 분석을 통해 상기 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하는 단계;
상기 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하는 단계; 및
상기 인공신경망 모델의 출력을 미래 생산량으로 산출하는 단계를 포함하는 생산성 예측 방법. 5. The method of claim 4,
The step of calculating the production amount
Collecting production related data on nearby shale gas wells to be used for learning;
Selecting an input / output variable of the artificial neural network model;
A step of constructing a data set of input / output variables by selecting an input variable having a high correlation with an output variable among the selected input / output variables through importance analysis;
Generating an artificial neural network model for each cluster having a similarity in a data set through a cluster analysis of the data set of the input / output variables; And
And calculating an output of the artificial neural network model as a future production amount.
상기 입력변수는
생산정 위치, 저류층 두께, 시추 깊이 및 가스 비중을 포함하는 네이티브(Native) 인자,
수평정 길이, 클러스터 수, 파쇄 유체 주입량 및 프로판트 주입량을 포함하는 설계 인자, 및
오일환산계수 피크, 닫힘 정두 압력, 가스 액체비, 초기 생산량, 튜빙 압력, 정두 압력, 시험 생산량, 감퇴율(1년), 및 물 생산량을 포함하는 생산 운영 인자를 포함하며;
상기 출력변수는 미래 시점의 생산량인 생산성 예측 방법. 6. The method of claim 5,
The input variable
Native factors, including production location, reservoir thickness, drilling depth and gas specific gravity,
Design parameters including water level length, number of clusters, fracture fluid injection volume and propane injection volume, and
Including production operating factors including oil conversion factor peaks, closed duck pressure, gas liquid ratio, initial yield, tubing pressure, duck pressure, test yield, decay rate (one year), and water yield;
Wherein the output variable is a production amount at a future time point.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180127977A KR101975436B1 (en) | 2018-10-25 | 2018-10-25 | Apparatus and method for forecasting production for shale gas well in transient flow using machine learning method |
| PCT/KR2019/008893 WO2020085617A1 (en) | 2018-10-25 | 2019-07-18 | Device and method for predicting productivity of shale gas well in transition flow region by using machine learning technique |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180127977A KR101975436B1 (en) | 2018-10-25 | 2018-10-25 | Apparatus and method for forecasting production for shale gas well in transient flow using machine learning method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101975436B1 true KR101975436B1 (en) | 2019-05-07 |
Family
ID=66656346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180127977A KR101975436B1 (en) | 2018-10-25 | 2018-10-25 | Apparatus and method for forecasting production for shale gas well in transient flow using machine learning method |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR101975436B1 (en) |
| WO (1) | WO2020085617A1 (en) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163442A (en) * | 2019-05-27 | 2019-08-23 | 华北理工大学 | A kind of gas well plug-ging prediction technique based on integrated study |
| WO2020085617A1 (en) * | 2018-10-25 | 2020-04-30 | 동아대학교 산학협력단 | Device and method for predicting productivity of shale gas well in transition flow region by using machine learning technique |
| CN112101625A (en) * | 2020-08-13 | 2020-12-18 | 重庆地质矿产研究院 | Shale gas well production dynamic prediction method and system |
| KR20210142842A (en) * | 2020-05-19 | 2021-11-26 | 동아대학교 산학협력단 | Apparatus and Method for Forecasting Production of Oil Well Using Recurrent Neural Network |
| KR20220149060A (en) | 2021-04-30 | 2022-11-08 | 에스케이인천석유화학 주식회사 | Method and apparatus for predicting properties of feed and products in Reformer |
| KR20220149065A (en) | 2021-04-30 | 2022-11-08 | 에스케이인천석유화학 주식회사 | Method and apparatus for predicting properties of products in Naphtha Splitting Unit |
| KR20220149062A (en) | 2021-04-30 | 2022-11-08 | 에스케이인천석유화학 주식회사 | Method and apparatus for controlling a reactor in Reformer |
| CN115345378A (en) * | 2022-08-29 | 2022-11-15 | 西南石油大学 | Shale gas well yield evaluation method based on machine learning |
| KR102612959B1 (en) * | 2023-03-29 | 2023-12-12 | 공주대학교 산학협력단 | System and method for predicting shale gas production based on deep learning |
| CN117272841A (en) * | 2023-11-21 | 2023-12-22 | 西南石油大学 | Shale gas dessert prediction method based on hybrid neural network |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112392478B (en) * | 2020-12-15 | 2022-04-12 | 西南石油大学 | Method for rapidly predicting economical recoverable reserve of low-permeability tight oil reservoir |
| CN113553724A (en) * | 2021-07-30 | 2021-10-26 | 中国石油化工股份有限公司 | Shale gas well production process pit shaft abnormity analysis and processing system |
| CN115929289A (en) * | 2022-12-05 | 2023-04-07 | 西南石油大学 | Shale gas yield prediction method and device based on time sequence |
| CN116128162A (en) * | 2023-04-13 | 2023-05-16 | 中国石油大学(华东) | Method, system and storage medium for predicting initial productivity of fracturing well based on small sample |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140297235A1 (en) * | 2013-01-31 | 2014-10-02 | Betazi, Llc | Production analysis and/or forecasting methods, apparatus, and systems |
| KR101647921B1 (en) * | 2015-03-27 | 2016-08-12 | 서울대학교산학협력단 | Method for selecting model similar to real gas production and method for predicting gas production from oil and gas reservoir |
| US20180202264A1 (en) * | 2016-02-08 | 2018-07-19 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
| KR101904278B1 (en) * | 2016-09-05 | 2018-10-04 | 동아대학교 산학협력단 | Method for decline curve analysis according to cumulative production incline rate in unconventional gas field |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101975436B1 (en) * | 2018-10-25 | 2019-05-07 | 동아대학교 산학협력단 | Apparatus and method for forecasting production for shale gas well in transient flow using machine learning method |
-
2018
- 2018-10-25 KR KR1020180127977A patent/KR101975436B1/en active IP Right Grant
-
2019
- 2019-07-18 WO PCT/KR2019/008893 patent/WO2020085617A1/en active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140297235A1 (en) * | 2013-01-31 | 2014-10-02 | Betazi, Llc | Production analysis and/or forecasting methods, apparatus, and systems |
| KR101647921B1 (en) * | 2015-03-27 | 2016-08-12 | 서울대학교산학협력단 | Method for selecting model similar to real gas production and method for predicting gas production from oil and gas reservoir |
| US20180202264A1 (en) * | 2016-02-08 | 2018-07-19 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
| KR101904278B1 (en) * | 2016-09-05 | 2018-10-04 | 동아대학교 산학협력단 | Method for decline curve analysis according to cumulative production incline rate in unconventional gas field |
Non-Patent Citations (1)
| Title |
|---|
| Li, Yunan, and Yifu Han. Decline Curve Analysis for Production Forecasting Based on Machine Learning. SPE Symposium: Production Enhancement and Cost Optimisation. Society of Petroleum Engineers, 2017.* * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020085617A1 (en) * | 2018-10-25 | 2020-04-30 | 동아대학교 산학협력단 | Device and method for predicting productivity of shale gas well in transition flow region by using machine learning technique |
| CN110163442A (en) * | 2019-05-27 | 2019-08-23 | 华北理工大学 | A kind of gas well plug-ging prediction technique based on integrated study |
| KR20210142842A (en) * | 2020-05-19 | 2021-11-26 | 동아대학교 산학협력단 | Apparatus and Method for Forecasting Production of Oil Well Using Recurrent Neural Network |
| KR102392750B1 (en) * | 2020-05-19 | 2022-04-28 | 동아대학교 산학협력단 | Apparatus and Method for Forecasting Production of Oil Well Using Recurrent Neural Network |
| CN112101625A (en) * | 2020-08-13 | 2020-12-18 | 重庆地质矿产研究院 | Shale gas well production dynamic prediction method and system |
| CN112101625B (en) * | 2020-08-13 | 2024-03-15 | 重庆地质矿产研究院 | Shale gas well production dynamic prediction method and system |
| KR20220149065A (en) | 2021-04-30 | 2022-11-08 | 에스케이인천석유화학 주식회사 | Method and apparatus for predicting properties of products in Naphtha Splitting Unit |
| KR20220149062A (en) | 2021-04-30 | 2022-11-08 | 에스케이인천석유화학 주식회사 | Method and apparatus for controlling a reactor in Reformer |
| KR20220149060A (en) | 2021-04-30 | 2022-11-08 | 에스케이인천석유화학 주식회사 | Method and apparatus for predicting properties of feed and products in Reformer |
| CN115345378A (en) * | 2022-08-29 | 2022-11-15 | 西南石油大学 | Shale gas well yield evaluation method based on machine learning |
| KR102612959B1 (en) * | 2023-03-29 | 2023-12-12 | 공주대학교 산학협력단 | System and method for predicting shale gas production based on deep learning |
| CN117272841A (en) * | 2023-11-21 | 2023-12-22 | 西南石油大学 | Shale gas dessert prediction method based on hybrid neural network |
| CN117272841B (en) * | 2023-11-21 | 2024-01-26 | 西南石油大学 | Shale gas dessert prediction method based on hybrid neural network |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020085617A1 (en) | 2020-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101975436B1 (en) | Apparatus and method for forecasting production for shale gas well in transient flow using machine learning method | |
| RU2573746C2 (en) | Systems and methods for well performance forecasting | |
| EP1982046B1 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
| RU2486336C2 (en) | Method of formation breakdown simulation and its estimation, and computer-read carrier | |
| RU2669948C2 (en) | Multistage oil field design optimisation under uncertainty | |
| CN105452598B (en) | The method for selecting and optimizing the oil field control for yield platform | |
| EP1984860A2 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
| CN105474046A (en) | Creating virtual production logging tool profiles for improved history matching | |
| US20230111179A1 (en) | Predicting oil and gas reservoir production | |
| NO20180082A1 (en) | Time-to-finish simulation forecaster | |
| CN111159904A (en) | Method for estimating and evaluating geothermal resource quantity | |
| Galkin et al. | Prediction of reservoir pressure and study of its behavior in the development of oil fields based on the construction of multilevel multidimensional probabilistic-statistical models | |
| NO20200978A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter | |
| CN111751878A (en) | Method and device for predicting transverse wave velocity | |
| Kumar et al. | GIUH based Clark and Nash models for runoff estimation for an ungauged basin and their uncertainty analysis | |
| CN116862432A (en) | Dynamic adjustment method and system for tunnel shallow buried section construction scheme | |
| WO2022186182A1 (en) | Prediction device, prediction method, and recording medium | |
| WO2023275370A1 (en) | Method of performing a numerical solving process | |
| US20230167717A1 (en) | A method of modelling a production well | |
| CN104715298A (en) | Enhanced oil recovery potential predicting method based on grey system theory | |
| Kistak | Development of an Artificial Neural Network for dual lateral horizontal wells in gas reservoirs | |
| US20230272703A1 (en) | Workflow of inflow performance relationship for a reservoir using machine learning technique | |
| Carlsen | Devon Energy and Software Partners Enable Automatic Bottomhole Pressure Calculations | |
| Tian et al. | Dynamic geothermal resource assessment: Integrating reservoir simulation and Gaussian Kernel Density Estimation under geological uncertainties | |
| CA3151921A1 (en) | System and method for estimating reservoir depletion during bitumen production |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |