KR102170765B1 - 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 - Google Patents

딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 Download PDF

Info

Publication number
KR102170765B1
KR102170765B1 KR1020190118878A KR20190118878A KR102170765B1 KR 102170765 B1 KR102170765 B1 KR 102170765B1 KR 1020190118878 A KR1020190118878 A KR 1020190118878A KR 20190118878 A KR20190118878 A KR 20190118878A KR 102170765 B1 KR102170765 B1 KR 102170765B1
Authority
KR
South Korea
Prior art keywords
production
shale gas
information
well
training
Prior art date
Application number
KR1020190118878A
Other languages
English (en)
Other versions
KR20200056910A (ko
Inventor
이경북
임정택
Original Assignee
한국지질자원연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국지질자원연구원 filed Critical 한국지질자원연구원
Priority to KR1020190118878A priority Critical patent/KR102170765B1/ko
Publication of KR20200056910A publication Critical patent/KR20200056910A/ko
Application granted granted Critical
Publication of KR102170765B1 publication Critical patent/KR102170765B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

컴퓨팅 디바이스에 의해 수행되는 딥러닝을 이용한 셰일가스 생산량 예측모델 생성방법이 개시된다. 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법은 트레이닝 유정의 생산량 정보 및 특징정보를 포함하는 트레이닝 유정자료를 획득하는 트레이닝 유정자료 획득단계, 상기 트레이닝 유정자료를 전처리하는 전처리 단계 및 상기 전처리된 트레이닝 유정자료를 순환신경망을 이용한 네트워크를 통해 학습시켜 셰일가스 생산량 예측모델을 생성하는 예측모델 생성단계를 포함하되, 상기 특징정보는 상기 생산량 정보에 기반하여 얻어진 셧인(shut in) 정보를 포함한다.

Description

딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법{METHOD FOR CREATING A SHALE GAS PRODUCTION FORECASTING MODEL USING DEEP LEARNING}
본 발명은 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법에 관한 것으로서, 보다 상세하게는 생산량이외에도 생산량에 영향을 미치는 지질학·석유공학적 특징을 함께 이용하여 미래 생산량을 예측함으로써 보다 높은 예측 정확도를 갖는 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법에 관한 것이다.
셰일가스(shale gas)는 진흙이 쌓여 만들어진 퇴적암층인 셰일층에 존재하는 천연가스로서 최근 수평시추 및 수압파쇄 기술을 접목하여 기술적·경제적 생산이 가능해진 대표적인 신석유자원(unconventional resources)이다. 지금까지 확인된 매장량만 187.4조m3에 이르며 이는 전 세계가 60년간 사용할 수 있는 양으로 잠재 자원량은 최대 635조 ㎥로 추정된다. 이러한 셰일가스는 넓은 지역에 걸쳐 연속적인 형태로 분포하며 약 2~7%의 낮은 공극율과 약 0.001 md 이하의 저투과도 특성을 갖고 있다.
선진국과 다수의 대기업 회사들은 현재 셰일가스 개발을 위해 대규모 투자를 진행하고 있다. 중국의 경우 국영기업인 SINOPEC은 대략 22억 달러를 들여 2012년 수압 파쇄 기술 회사인 FracTech의 지분 30%인수를 추진하였으며, CNPC는 2010년 대기업 석유회사인 Shell과 향후 30년간 중국의 셰일가스를 공동 개발하는 제휴를 맺었다. 우리나라 또한 셰일가스 개발을 위한 연구가 진행 중이며, 국내에서도 한국석유공사 및 한국가스공사 등 공기업과 SK이노베이션 등 사기업 모두 북미 셰일자원개발에 참여중이다.
한편, 셰일가스의 개발 계획을 수립하거나 매장량을 평가하기 위해서는 셰일가스 생산량 예측이 필요하다. 기존 생산량 예측은 DCA(decline curve analysis) 및 저류층시뮬레이션이 주로 활용되고 있다. DCA는 유정별로 생산자료 전처리와 DCA 인자도출 등 수작업이 많아 고밀도의 시추를 진행하는 셰일가스/오일 자원의 적용에는 비효율성이 크다. 많은 수작업동안 분석자의 판단에 의해 생산량 예측이 달라지는 문제도 있다. 전통자원(conventional resources)에 비해 생산단가가 높은 셰일자원 개발 시, 이와 같은 수작업이 많이 요구되는 DCA는 비용절감에 부적합하다는 문제점이 있다. 또한, DCA는 1945년 제안된 경험식으로 셰일가스의 특징인 저투과도, 수평시추 및 수압파쇄 등을 고려하면 DCA의 적용에 한계가 있으며, 일반적으로 실제 생산량보다 과대평가한다고 알려져 있다.
저류층시뮬레이션의 경우, 3차원 정적모델과 이를 기반으로 한 동적모델을 구축하기 위해 필요되는 자료가 매우 방대하며, 운영사(operator)가 아닌 경우 필요한 자료를 확보하는 것이 사실상 불가능하다. 한정된 자료로 여러 가정을 통해 저류층시뮬레이션을 수행하면, 불확실성이 커져 생산량 예측에 대한 신뢰성이 낮아진다. 또한 복잡한 자연균열 및 수압파쇄 모델링과 유체거동 메커니즘 모델링에 기술적 한계도 존재한다.
대한민국 등록특허 제10-1694994호 "무기지화학적 지시자를 이용한 셰일 가스 잠재성 평가 장치 및 그 방법"
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로, 그 목적은 셰일가스 생산량이외에도 생산량에 영향을 미치는 지질학·석유공학적 특징을 함께 이용하여 미래 생산량을 예측함으로써 보다 높은 예측 정확도를 갖을 뿐만 아니라 대중에게 공개된 수준의 자료만을 이용하며, 분석자의 판단이 개입되지 않고 고밀도의 셰일가스 유정에 대해 수초 단위의 빠른 미래 생산량 예측이 가능한 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법을 제공하기 위한 것이다.
본 발명의 일 양태에 있어서, 본 발명의 실시예에 따른 컴퓨팅 디바이스에 의해 수행되는 딥러닝을 이용한 셰일가스 생산량 예측모델 생성방법은 트레이닝 유정의 생산량 정보 및 특징정보를 포함하는 트레이닝 유정자료를 획득하는 트레이닝 유정자료 획득단계, 상기 트레이닝 유정자료를 전처리하는 전처리 단계 및 상기 전처리된 트레이닝 유정자료를 순환신경망을 이용한 네트워크를 통해 학습시켜 셰일가스 생산량 예측모델을 생성하는 예측모델 생성단계를 포함하되, 상기 특징정보는 상기 생산량 정보에 기반하여 얻어진 셧인(shut in) 정보를 포함한다.
상기 방법은 상기 셰일가스 생산량 예측모델을 이용하여 테스트 유정의 생산량을 예측하는 생산량 예측단계를 더 포함할 수 있다.
상기 테스트 유정의 생산량 예측은 상기 테스트 유정의 절대생산개월 수 및 상기 생산량 예측단계에서 상기 테스트 유정의 운용환경에 따라 설정되는 설정 셧인 값을 인자로 하여 상기 셰일가스 생산량 예측모델을 통해 이루어지고, 상기 테스트 유정의 절대생산개월 수는 상기 테스트 유정의 기 생산량 정보로부터 추출된 상기 테스트 유정의 셧인 정보에 기반하여 얻어질 수 있다.
상기 순환 신경망을 이용한 네트워크는 입력층, LTSM(long-short term memory) 알고리즘이 적용된 적어도 하나의 순환신경망층, 출력층을 포함할 수 있다.
상기 특징자료는 생산량 예측에 영향을 미치는 위치정보, 수평정정보, 수압파쇄정보, 생산정보, 저류층 물성정보, 지질학적 정보 중 적어도 어느 하나를 더 포함할 수 있다.
상기 전처리 단계는 상기 셧인 정보에 기반하여 상기 트레이닝 유정의 절대생산개월 수를 결정하는 단계를 포함할 수 있다.
본 발명의 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법은, 셰일가스 생산량과 생산량으로부터 추출된 지질학·석유공학적 특징을 함께 사용해 미래 생산량 예측 신뢰도를 향상시킬 수 있는 효과가 있다. 또한 대중에게 공개된 자료만을 이용해 예측모델을 구축할 수 있어 활용성이 큰 효과가 있다.
또한, 본 발명의 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법은, 예측모델이 학습된 후, 다수의 신규 유정의 미래 생산량 예측은 수초 단위내로 이뤄지므로 매우 빠르며, 신규 월간 생산량 획득 시에는 생산량 예측을 실시간으로 갱신할 수 있는 효과가 있다.
또한, 본 발명의 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법은, 학습된 모델을 바로 활용하면 되므로 사용자의 판단이 배제되어 편향(bias)되지 않는 결과를 주는 효과가 있다.
또한, 본 발명의 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법은, 학습시 생산량과 함께 사용한 특징자료의 변화에 따른 미래 생산량 변화양상을 분석할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하기 위한 셰일가스 유정의 위치를 나타낸 도면.
도 2는 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하기 위한 셰일가스 유정의 월간 가스생산량을 나타낸 그래프.
도 3은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하기 위한 순환신경망을 이용한 네트워크 구성의 예를 나타낸 도면.
도 4는 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 트레이닝 유정 중 일부 유정의 실제 생산량과 학습모델의 예측 생산량을 나타낸 그래프.
도 5는 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 테스트 유정에 대한 실제 생산량과 학습모델의 예측 생산량을 나타낸 그래프.
도 6은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 테스트 유정에 대한 특징자료에 따른 예측 생산량의 변화를 나타낸 그래프.
도 7은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 테스트 유정에 대한 가용 생산이력에 따른 예측 생산량의 변화를 나타낸 그래프.
도 8은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하는 과정을 나타낸 순서도.
도 9는 본 발명의 일 실시예에 따른 도 8의 확보된 유정자료를 전처리하는 단계를 보다 상세하게 나타낸 순서도.
도 10은 본 발명의 일 실시예에 따른 도 8의 전처리된 트레이닝 유정의 생산자료 및 특징자료로 생산량 예측모델을 학습하는 단계를 보다 상세하게 나타낸 순서도.
도 11은 본 발명의 일 실시예에 따른 도 8의 학습된 모델을 활용하여 테스트 유정의 미래 생산량을 예측하는 단계를 보다 상세하게 나타낸 순서도.
이하, 본 발명의 실시예를 나타내는 첨부 도면을 참조하여 본 발명을 더욱 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하기 위한 셰일가스 유정의 위치를 나타낸 도면이다.
도 1을 참조하면, 캐나타 알버타주(Province of Alberta)의 셰일가스 유정들을 나타낸 도면이다. 본 발명에서는 특정 지역에 고밀도의 셰일가스 유정이 있는 지역을 선정하여 예측모델을 생성하였으며, 이를 만족하는 캐나타 알버타주에는 332개의 셰일가스 유정이 검색된다.
도 2는 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하기 위한 셰일가스 유정의 월간 가스생산량을 나타낸 그래프이다.
이와 같이 선정된 도 1에 나타낸 알버타주의 유정의 생산자료를 비롯한 유정자료를 전처리한다. 전처리에 있어서 모든 유정의 생산시작시점은 무시하고 도 2에서와 같이 절대생산개월 수에 따른 절대생산량으로 정리하였다. 한편, 전술한 예에서 절대생산량 대신에 필요에 따라 유정별 최대생산량값을 이용한 상대생산량을 사용할 수도 있다.
표 1은 절대생산개월 수에 따른 절대생산량을 나타낸 표이다.
Figure 112019098617599-pat00001
표 1과 같이 월간 가스생산량이 0인 경우 제외하고 전처리된 생산량을 활용할 수 있다. 표 1에서 0이 포함되면 총 12개월 생산이력을 가지지만 0을 가진 4개월째 및 11개월째 자료를 제외하면 10개월의 절대생산개월 수에 따른 생산이력을 가진 유정으로 바뀐다. 전술한 실시예에서는 0으로 설명하였지만, 필요에 따라 0이 아닌 무시 가능한 작은 값을 0을 대체하는 기준값으로 설정하여 설정된 값 이내의 작은 값을 제외시킬 수도 있다.
한편, 전술한 332개의 유정 중에서 다음의 컷오프 기준에 따라 17개 유정은 제외시킬 수도 있다. 먼저, 332개의 유정 중 대상 지질층이 다른 1개의 유정을 제외시켰다. 여기서 331개의 유정은 Duvernay formation에서 셰일가스를 생산하지만, 1개의 유정만 Montney formation에서 셰일가스를 생산한 해당 유정 1개를 제외시켰다. 또한 남은 331개 유정 중 첫 수압파쇄 이후 생산을 진행하다가 추가의 수압파쇄를 수행하는 re-fracturing 유정 2개를 제외시켰다. 여기서, Monteny formation을 대상으로 하는 유정이나 re-fracturing 작업이 수행된 유정이 다수 확보되면 해당 특징도 예측모델에 반영될 수 있으므로 유정을 제외하지 않고 함께 사용하여 예측모델을 학습할 수 있다.
남은 329개 유정 중 생산이력이 다른 유정들에 대비하여 짧은 유정 14개를 제외하였다. 여기서 생산이력의 기준값은 6개월을 사용하였으며, 상황에 따라 다른 합리적인 기준을 사용할 수 있다. 또한 표 1과 같이 0의 생산량을 보인 생산구간을 제외한 전처리된 생산이력과 기준값을 비교할 수 있다. 이와 같이 332개의 유정 중에 17개의 유정을 제외시키고 315개의 유정만 활용하였다.
추려진 315개의 유정에 대한 월간 가스생산량 정보로부터 생산량에 큰 영향을 미치며 생산량자료로부터 추출가능한 특징인 셧인(shut-in) 정보를 획득한다. 여기서 생산량 예측에 영향을 미치는 다양한 유정자료, 예컨대 위치정보, 수평정정보, 수압파쇄정보, 생산정보, 저류층 물성정보, 지질학적 정보 등이 지질학·석유공학적 특징이 될 수 있다. 이후 남은 315개 유정을 300개 트레이닝 유정과 15개 테스트 유정으로 분류하였다. 이후 필요에 따라 다양한 방법으로 트레이닝 자료를 정규화하고 필요에 따라 생산기간이 상이한 트레이닝 유정을 내림차순으로 정렬하였다.
도 3은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하기 위한 순환신경망을 이용한 네트워크 구성의 예를 나타낸 도면이다.
도 3을 참조하면, 300개 트레이닝 유정의 월간 가스생산량(Qt)과 셧인정보(SIt)를 입력층에 사용하고 순환신경망을 이용한 셰일가스 생산량 예측값이 출력층에 제시된다. 도 3에서의 네트워크 구조는 입력층, 한 개의 순환신경망층 및 출력층으로 구성될 수 있으며, 네트워크 구조는 필요에 따라 다수의 순환신경망층, 드롭아웃층, 전결합층 등이 추가될 수 있다. 여기서, 순환신경망층은 생산이력과 같이 시계열자료의 학습과 예측에 탁월한 성능을 보이는 딥러닝 알고리즘으로, 순환신경망 중에서도 긴 시계열자료에 효과적인 LSTM(long-short term memory) 알고리즘을 사용할 수 있다.
순환신경망층 및 전결합층의 수와 각 층 마다의 뉴런 수를 조절하여 일반화된 예측모델을 생성할 수 있다. 즉, 각 층과 뉴런을 많이 설정하면 트레이닝 유정에 대한 예측정확도는 증가하지만, 계산시간 증가가 클 뿐만 아니라 트레이닝 유정에만 최적화된 학습결과인 오버피팅(over-fitting) 문제가 발생해 학습에 사용되지않은 테스트 유정에 대한 예측성능은 감소하게 된다. 따라서, 네트워크 구조의 복잡도를 적절히 조절하여 트레이닝 유정에 대한 예측오차를 줄이면서도, 다른 유정의 생산량 예측에도 사용될 수 있는 일반화된 예측모델을 생성해야한다. 드롭아웃층은 오버피팅 문제를 완화시키고 예측모델을 일반화시키기 위해 추가될 수 있다.
또한, 네트워크의 학습에 있어, 필요에 따라 학습하는 알고리즘, 미니배치(mini-batch) 수, 에포크(epoch) 수 등의 학습규칙을 조절할 수 있다. 본 발명의 실시예에서 학습된 모델은 입력된 생산자료 및 특징자료에 대해 한달 후 월간 가스생산량을 예측할 수 있으며 이는 필요에 따라 유사한 다른 예측모델에 적용 가능하다.
도 4는 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 트레이닝 유정 중 일부 유정의 실제 생산량과 학습모델의 예측 생산량을 나타낸 그래프이다.
도 4를 참조하면, 300개 트레이닝 유정 중 6개 유정의 생산량 예측결과를 나타내고 있다. 그래프에서 가로축은 시간, 세로축은 월간 평균 셰일가스 생산량을 나타낸다. 그래프에서 점선은 실제 생산량이며, 붉은색 원이 학습된 예측모델에 의한 예측생산량을 나타낸다. 예를 들어 한 트레이닝 유정에 1~30개월의 자료가 있는 경우, 1~29개월의 생산정보 및 특징자료를 학습된 모델에 입력하여 얻어진 30개월의 생산량과 실제 30개월의 생산량을 비교하여 30개월 시점에서의 미래 생산량 예측이 적합한 지의 여부를 확인하였다. 그 결과 미래 생산량 예측값과 실제 생산량값이 일치하거나 미세한 차이를 나타내었다.
도 5는 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 테스트 유정에 대한 실제 생산량과 학습모델의 예측 생산량을 나타낸 그래프이다.
도 5를 참조하면, 테스트 유정은 도 9의 전처리과정에서 315개 유정 중 무작위로 15개의 유정을 설정하였다. 도 5와 도 4의 차이는 도 4는 예측모델 학습에 사용된 트레이닝 유정에 대한 예측결과이고, 도 5는 학습 시 사용되지 않은 테스트 유정에 대한 예측결과이다. 도 5는 도 4와 동일한 범례를 가지며 다만 붉은 색 십자가는 생산량과 셧인정보를 모두 사용하여 예측모델을 학습한 경우(2 유정정보)의 예측결과이며, 검은색 x표시는 생산량정보만 사용하여 예측모델을 학습한 경우(1 유정정보)의 예측결과인 점이 다르다. 즉, 특징자료를 추가로 활용함에 따라 얻게 되는 효과를 확인하기 위해 두 예측모델의 결과를 비교하였다.
예를 들어 한 테스트 유정에 1~30개월의 자료가 있는 경우, 두 학습모델이 각각 필요로 하는 1~29개월의 정보를 입력하고 각 학습모델에서 예측된 30개월의 생산량과 실제 30개월의 생산량을 비교하여 30개월 시점에서의 미래 생산량 예측이 적합한지 여부를 확인하였다. 두 개의 학습모델로부터 얻어진 미래 생산량 예측값과 실제 생산량값이 일치하거나 미세한 차이를 나타내었다. 두 개의 학습모델의 예측결과를 비교하면 두 개의 유정정보(생산량과 셧인)을 함께 학습에 사용한 경우(2 유정정보)가 생산량을 단독으로 학습한 경우(1 유정정보)보다 예측정확도가 우월하다. 15개 테스트 유정에 대한 예측값의 평균제곱근오차(root mean squre error)는 두 개의 유정정보일 때 4.5226, 한 개의 유정정보일 때 7.1781의 값을 보였다. 이는 최신 기계학습기술을 타분야에 적용할 때 예측하려는 인자뿐만 아니라 해당분야의 지식에 근거한 추가적인 특징자료를 함께 사용하는 것이 예측결과를 향상시킴을 보여준다.
도 6은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 테스트 유정에 대한 특징자료에 따른 예측 생산량의 변화를 나타낸 그래프이다.
도 6을 참조하면, 15개 테스트 유정에 대한 예측결과를 나타내며 도 4 및 5와 동일한 범례를 가지며, 다만 적색, 녹색, 자색 및 흑색으로 나타낸 각각의 원들은 각각 셧인이 없는 경우, 1개월, 2개월 및 3개월의 셧인이 있는 경우에 대한 예측결과인 점이 다르다. 이 때 도 5와 같이 1~30개월의 자료가 있는 경우, 1~29개월의 생산자료 및 특징자료를 학습모델에 입력하는 점은 같으나 29개월째 셧인값을 0~3개월로 다르게 설정하여 30개월의 생산량을 예측하는 점이 다르다. 이를 통해 현장운영조건에 따른 미래 생산량 예측이 가능하며, 이는 생산량만 이용하는 DCA기법에서는 분석할 수 없는 사항이다. 셧인에 따라 30개월의 생산량을 예측한 결과, 셧인기간이 길수록 30개월에서의 생산량이 증가하는 경향을 확인했으며, 이는 석유공학적으로 합리적인 예측이다.
도 7은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 테스트 유정에 대한 가용 생산이력에 따른 예측 생산량의 변화를 나타낸 그래프이다.
도 7을 참조하면, 15개 테스트 유정 중 1~27개월의 생산이력이 있는 유정에 대해 가용한 생산이력에 따른 예측성능을 비교한 결과이다. 도 4 내지 도 6에서는 1~27개월의 자료가 있다면, 1~26개월의 자료를 이용해 27개월에서의 예측값과 실제값을 비교하였다. 하지만 도 7에서는 1개월부터 6~26개월까지 자료가 있을 때를 가정해서 각각 27개월까지의 생산량을 예측한 것이다.
비록 300개 트레이닝 유정으로 학습한 모델은 1개월 앞의 생산량만 예측할 수 있지만, 예측된 1개월 앞의 자료를 다시 입력자료로 활용하면 2개월 앞의 생산량을 예측할 수 있다. 이 과정을 반복하면 1개월 앞이 아닌 훨씬 먼 미래의 생산량까지 예측가능하다.
도 7은 각각 1~6개월, 1~12개월, 1~18개월, 1~24개월의 자료로 27개월까지 예측한 결과를 보여주며, 점선이 실제값, 실선이 예측값이다. 활용가능한 생산이력이 길어짐에 따라 27개월 시점의 예측정확도가 높아짐을 알 수 있다. 하지만 우수한 예측성능으로 인해 6개월 또는 12개월까지의 생산이력만으로도 27개월까지의 우수한 예측성능을 보인다.
도 8은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하는 과정을 나타낸 순서도이다.
도 8을 참조하면, 본 발명의 방법은 미도시된 컴퓨터 또는 프로세서에 의해 평가될 수 있으며 또는 다수의 컴퓨터가 연결된 네트워트 형태로 처리될 수 있다. 따라서, 하기의 방법에서는 처리의 주체를 별도로 표시하기 않을 것이다.
S202단계에서 대중에 공개된 수준의 유정자료를 확보한다. 이때 유정자료는 위치정보, 수평정정보, 수압파쇄정보, 생산정보, 저류층 물성정보, 지질학적 정보 등이 될 수 있다.
S204단계에서 유정자료를 전처리한다. 도 9에 도시된 바와 같이 필요에 따라 다양한 전처리절차를 거치며, 필요에 따라 유정의 생산시작시점은 무시하고 절대생산개월 수에 따라 전처리할 수 있다.
S206단계에서 상기 전처리된 트레이닝 유정을 이용하여 셰일가스 생산량 예측 모델 학습한다. 예측모델은 도 3에 도시된 바와 같은 형태의 네트워크 구조로 나타낼 수 있으며, 일반화를 고려하여 구조의 복잡도를 결정할 수 있다.
S208단계에서 상기 학습된 모델을 테스트 유정의 셰일가스 생산량 예측에 활용한다. 학습된 모델의 성능을 평가하는 상세한 과정은 전술한 도 4 내지 도 7의 과정에서 전술하여 설명되어 있다.
도 9는 본 발명의 일 실시예에 따른 도 8의 확보된 유정자료를 전처리하는 단계를 보다 상세하게 나타낸 순서도이다.
도 9를 참조하면, S302단계에서 상기 확보된 유정 중 특이 유정을 제외한다. 제외시키는 유정은 사안에 따라 다를 수 있으나, 전술한 바와 같이 대상 지질층이 다른 유정이나 re-fracturing 작업이 수행된 유정 등이 될 수 있다.
S304단계에서 상기 추려진 개별 유정의 특이 생산구간을 생산이력에서 제외한다. 특이 생산구간은 사안에 따라 다를 수 있으나, 표 1에서 전술한 바와 같이 월간 생산량이 0인 경우 제외하며 0이 아닌 무시가능한 생산량을 기준값으로 설정할 수 있다.
S306단계에서 상기 수정된 생산이력이 짧은 유정을 제외한다. 생산이력의 기준값은 사안에 따라 다를 수 있으나, 전술한 바와 같이 6개월 이하의 생산이력을 가진 유정으로 설정될 수 있으며, 시계열자료로 사용하기에 적합한 자료길이를 기준값으로 설정할 수 있다.
S308단계에서 상기 추려진 유정으로부터 특징자료를 추출한다. 특징자료 추출은 예측 목표인자인 생산량을 포함하여, 지질학·석유공학적 관점에서 생산량 예측에 영향을 미치는 인자들이 될 수 있다. 예컨대 위치정보, 수평정정보, 수압파쇄정보, 생산정보, 저류층 물성정보, 지질학적 정보 등이 대상이 될 수 있다.
S310단계에서 상기 추려진 유정을 트레이닝 유정과 테스트 유정으로 분류한다. 트레이닝 유정은 도 3에 도시된 네트워크 구조를 학습시키고 최적화된 예측모델을 생성하는 데 사용된다. 테스트 유정은 학습된 예측모델을 이용해 미래 생산량을 예측하고 예측모델의 성능을 평가하는 데 활용될 수 있다.
S312단계에서 상기 분리된 트레이닝 유정의 생산자료 및 특징자료를 정규화한다. 정규화를 통해 다종의 유정정보를 사용함에 있어 발생하는 학습오류를 방지한다. 테스트 유정자료는 학습 시 없다고 가정되므로 트레이닝 유정의 정규화에 필요한 통계값은 트레이닝 유정의 정보만 이용하여 계산해야한다.
S314단계에서 상기 트레이닝 유정의 자료를 내림차순으로 정렬한다. 내림차순의 기준은 사안에 따라 다를 수 있으나, 생산이력의 길이가 기준이 될 수 있다.
도 10은 본 발명의 일 실시예에 따른 도 8의 전처리된 트레이닝 유정의 생산자료 및 특징자료로 생산량 예측모델을 학습하는 단계를 보다 상세하게 나타낸 순서도이다.
도 10을 참조하면, S402단계에서 셰일가스 생산량 예측 모델의 네트워크 구조를 결정한다. 네크워크 구조는 도 3과 같이 입력층, 한 개의 순환신경망층, 출력층으로 단순하게 구성할 수 있다. 전술한 바와 같이 네트워크 구조는 필요에 따라 다수의 순환신경망층, 드롭아웃층, 전결합층 등이 추가될 수 있다. 순환신경망층 및 전결합층의 수와 각 층 마다의 뉴런 수는 오버피팅 문제가 발생지 않도록 복잡도를 적절히 조절해 일반화된 예측모델을 생성해야한다. 일반화된 예측모델을 위해 드롭아웃층을 추가할 수도 있다.
S404단계에서 상기 결정된 네트워크의 학습규칙을 설정한다. 학습규칙에는 학습알고리즘, 미니배치 수, 에포크 수 등을 조절해 최적의 학습이 이뤄질 수 있도록 할 수 있다.
S406단계에서 상기 결정된 학습규칙에 따라 네트워크 학습을 수행한다. 학습된 모델은 입력된 생산이력의 한달 후 월간 가스생산량을 예측할 수 있으며, 도 6 내지 도 7에서 전술한 바와 같이 특징자료에 따른 예측값 변화와 훨씬 더 먼 미래의 생산량 예측 등에도 응용될 수 있다.
S408단계에서 상기 수행된 학습결과가 수용 가능한 오차인지의 여부를 판단한다. 즉, 트레이닝 유정에 대한 예측 생산량과 실제 생산량의 오차가 수용 가능한 범위 내에 있는 지의 여부를 판단한다. S408단계에서의 판단결과 예측 생산량과 실제 생산량의 오차가 수용 가능한 범위 내에 있는 경우에는 이를 수용하고 종료하며, 예측 생산량과 실제 생산량의 오차가 수용 가능한 범위를 초과하는 경우에는 S402단계로 리턴한다.
도 11은 본 발명의 일 실시예에 따른 도 8의 학습된 모델을 활용하여 테스트 유정의 미래 생산량을 예측하는 단계를 보다 상세하게 나타낸 순서도이다.
도 11을 참조하면, S502단계에서 상기 분리된 테스트 유정의 생산자료 및 특징자료를 정규화한다. 이 때 트레이닝 자료의 정규화에 사용된 통계값을 활용해 테스트 유정의 정규화를 진행해야한다.
S504단계에서 상기 정규화된 테스트 유정을 상기 트레이닝 유정으로 학습된 예측모델에 적용한다. 이미 트레이닝 유정을 통해 도 3의 예측모델이 구축되어 있으므로 수초 단위내로 예측값이 계산되며, 신규 월간 생산량 획득 시에는 실시간으로 예측값을 갱신할 수 있는 효과가 있다. 또한 사용자의 판단이 배제되는 점과 도 6과 같이 학습 시 생산량과 함께 사용한 특징자료의 변화에 따른 미래 생산량 변화양상을 분석할 수 있는 효과가 있다.
S506단계에서 상기 적용을 통해 테스트 유정의 미래 셰일가스 생산량을 예측한다. 예측모델은 한달 앞의 생산량을 예측할 수 있지만, 도 7과 같이 예측값을 다시 입력값으로 사용하는 방식을 반복하면 훨씬 먼 미래의 생산량까지 예측할 수도 있다.
상기 본 발명의 내용은 도면에 도식된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (6)

  1. 컴퓨팅 디바이스에 의해 수행되는 딥러닝을 이용한 셰일가스 생산량 예측모델 생성방법에 있어서,
    유정의 실제 생산량 정보를 포함하는 트레이닝 유정자료를 획득하는 트레이닝 유정자료 획득단계;
    상기 트레이닝 유정자료를 전처리하는 전처리 단계;
    전처리된 상기 트레이닝 유정자료를 순환신경망을 이용한 네트워크를 통해 학습시켜 셰일가스 생산량 예측모델을 생성하는 예측모델 생성단계; 및
    상기 셰일가스 생산량 예측모델을 이용하여 테스트 유정의 생산량을 예측하는 생산량 예측단계
    를 포함하되,
    상기 전처리 단계는,
    상기 트레이닝 유정 자료에서 소정의 생산량 이하의 생산량 값을 제거하여 전처리된 생산량 자료를 얻는 제1 단계와,
    상기 트레이닝 유정 자료에서 소정의 생산량 이하의 생산량 값을 갖는 기간을 포함하는 셧인(shut-in) 정보를 얻는 제2 단계를 포함하고,
    상기 학습에서,
    상기 제1 단계에서 얻은 생산량 자료와, 상기 제2 단계에서의 셧인 정보를 함께, 상기 순환신경망의 입력층에 사용하는 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 테스트 유정의 생산량 예측은 상기 테스트 유정의 전처리된 생산이력 및 상기 테스트 유정의 운용환경에 따라 설정되는 셧인 값을 인자로 하여 상기 셰일가스 생산량 예측모델을 통해 이루어지는 것인, 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법.
  4. 제1항에 있어서,
    상기 순환신경망을 이용한 네트워크는 입력층, 순환신경망층, 출력층을 포함하는 것인, 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법.
  5. 제1항에 있어서,
    상기 전처리 단계는,
    지질학적 정보, 수압파쇄정보, 그리고 상기 제1 단계에서 얻은 생산량 자료 중 적어도 하나를 기준으로 유정을 선별한 후, 상기 트레이닝 유정자료를 정규화하는 것인, 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법.
  6. 제1항에 있어서,
    생산량 예측에 영향을 미치는 위치정보, 수평정정보, 수압파쇄정보, 생산정보, 저류층 물성정보, 지질학적 정보 중 적어도 어느 하나를 생산량 예측에 이용하는 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법.
KR1020190118878A 2019-09-26 2019-09-26 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법 KR102170765B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190118878A KR102170765B1 (ko) 2019-09-26 2019-09-26 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190118878A KR102170765B1 (ko) 2019-09-26 2019-09-26 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020180140858 Division 2018-11-15 2018-11-15

Publications (2)

Publication Number Publication Date
KR20200056910A KR20200056910A (ko) 2020-05-25
KR102170765B1 true KR102170765B1 (ko) 2020-10-27

Family

ID=70914681

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190118878A KR102170765B1 (ko) 2019-09-26 2019-09-26 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법

Country Status (1)

Country Link
KR (1) KR102170765B1 (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329983A (zh) * 2020-09-30 2021-02-05 联想(北京)有限公司 一种数据处理方法及装置
CN112418489A (zh) * 2020-11-05 2021-02-26 中国石油天然气股份有限公司 一种天然气井修井暂堵剂用量神经网络预测方法
CN114320266B (zh) * 2021-11-17 2023-11-28 陕西延长石油（集团）有限责任公司 一种基于支持向量机的致密油藏常规井产量预测方法
CN115929289A (zh) * 2022-12-05 2023-04-07 西南石油大学 基于时间顺序的页岩气产量预测方法及装置
KR102612959B1 (ko) * 2023-03-29 2023-12-12 공주대학교 산학협력단 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법
CN116911640B (zh) * 2023-09-11 2023-12-26 中国地质大学（北京） 一种基于机器学习的页岩储层含气量预测方法
CN117454294A (zh) * 2023-11-02 2024-01-26 西南石油大学 一种页岩气井柱塞工艺井异常工况判断方法
CN117851928A (zh) * 2024-03-07 2024-04-09 特雷西能源科技股份有限公司 基于cnn-lstm模型预测页岩油产量的方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150039544A1 (en) * 2013-07-31 2015-02-05 Schlumberger Technology Corporation Resource production forecasting

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101694994B1 (ko) 2016-10-27 2017-01-11 한국지질자원연구원 무기지화학적 지시자를 이용한 셰일 가스 잠재성 평가 장치 및 그 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150039544A1 (en) * 2013-07-31 2015-02-05 Schlumberger Technology Corporation Resource production forecasting

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
고경남 외 5인. 셰일가스광구 Sweet Spot 도출체계 연구. 지질학회지. 대한지질학회. 2016년 12월, 제52권, 제6호, pp.799-814 (2016.12.) 1부.*
성민철. 셰일가스정 생산자료 분석모델 개발 및 생산성 예측 연구. 동아대학교 에너지 자원공학과 석사학위논문. 2014년 2월, pp.1-81 (2014.02.)

Also Published As

Publication number Publication date
KR20200056910A (ko) 2020-05-25

Similar Documents

Publication Publication Date Title
KR102170765B1 (ko) 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법
Amer et al. An ROP predictive model in nile delta area using artificial neural networks
Saputelli et al. A critical overview of artificial neural network applications in the context of continuous oil field optimization
Ahmed et al. Application of artificial intelligence techniques in estimating oil recovery factor for water derive sandy reservoirs
Amirian et al. Data-driven modeling approach for recovery performance prediction in SAGD operations
Kalantari-Dahaghi et al. Numerical simulation and multiple realizations for sensitivity study of shale gas reservoir
Bansal et al. Forecasting well performance in a discontinuous tight oil reservoir using artificial neural networks
Mohammadian et al. A case study of petrophysical rock typing and permeability prediction using machine learning in a heterogenous carbonate reservoir in Iran
CN111665560A (zh) 油气层识别方法、装置、计算机设备及可读存储介质
Wigwe et al. Application of geographically weighted regression to model the effect of completion parameters on oil production–case study on unconventional wells
Han et al. Comprehensive analysis for production prediction of hydraulic fractured shale reservoirs using proxy model based on deep neural network
Sinha et al. Multivariate statistical analysis for resource estimation in unconventional plays application to Eagle Ford shales
Vilela et al. Fuzzy logic applied to value of information assessment in oil and gas projects
Rodriguez et al. Methodology for the prediction of fluid production in the waterflooding process based on multivariate long–short term memory neural networks
Du et al. A deep learning framework using graph convolutional networks for adaptive correction of interwell connectivity and gated recurrent unit for performance prediction
Mahjour et al. Selection of representative scenarios using multiple simulation outputs for robust well placement optimization in greenfields
Kalantari-Dahaghi et al. New Insight into Integrated Reservoir Management using Top-Down, Intelligent Reservoir Modeling Technique; Application to a Giant and Complex Oil Field in the Middle East
Amirian et al. An integrated application of cluster analysis and artificial neural networks for SAGD recovery performance prediction in Heterogeneous Reservoirs
Vanegas et al. Conditioning Model Ensembles to Various Observed Data (Field and Regional Level) by Applying Machine-Learning-Augmented Workflows to a Mature Field with 70 Years of Production History
Fernandes Using neural networks for determining hydrocarbons presence from well logs: A case study for Alagoas Basin
Wong A novel technique for modeling fracture intensity: A case study from the Pinedale anticline in Wyoming
Bahaa et al. Soft computation application: Utilizing artificial neural network to predict the fluid rate and bottom hole flowing pressure for gas-lifted oil wells
Maniglio et al. Physics Informed Neural Networks Based on a Capacitance Resistance Model for Reservoirs Under Water Flooding Conditions
Marquez Drilling optimization applying machine learning regression algorithms
Ma et al. Practical implementation of knowledge-based approaches for SAGD production analysis

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant