KR102294384B1 - 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템 - Google Patents

Abstract

본 발명은 굴진율굴진율(rate of penetration ; ROP)을 예측하기 위한 장치 및 방법에 관한 것으로, 본 발명에 따르면, 엔지니어의 경험과 실험을 통해 산출된 결과에 의존함으로 인해 엔지니어의 숙련도와 실험자료의 내용에 따라 결과가 달라지고, 시추비트의 형태와 지층의 종류에 따라 상이한 경험식이 사용되나 기존의 데이터베이스 자료에 요구되는 시추효율 매개변수가 존재하지 않을 경우 정확한 예측이 어려워지는 불확실성으로 인해 현장적용에 한계가 있었던 종래기술의 경험적 및 물리적 굴진율 예측모델들의 문제점을 해결하여, 실시간 모니터링을 통해 획득한 다양한 굴진율 관련 시추효율 매개변수를 이용하여 머신러닝 지도학습 모델을 통해 학습하고 굴진율을 예측하는 것에 의해 데이터 기반의 시추공 매개변수를 활용하여 기존의 경험적 및 물리적 기반의 굴진율 예측 모델에 비하여 보다 간단한 구성으로 정확하게 굴진율을 예측할 수 있는 동시에, 시추공의 심도가 증가함에 따라 시추운전가이드 모델에 대한 재학습을 수행하는 것에 의해 예측성능 및 정확도를 더욱 향상시킬 수 있도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템이 제공된다.

Description

머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템{Method for constructing drilling driving guide model to predict drilling rate using machine learning and system for predicting drilling rate using thereof}

본 발명은 시추작업시 얻어지는 데이터에 기반하여 굴진율(rate of penetration ; ROP)을 예측하기 위한 장치 및 방법에 관한 것으로, 더 상세하게는, 엔지니어의 경험과 실험을 통해 산출된 결과에 의존함으로 인해 엔지니어의 숙련도와 실험자료의 내용에 따라 결과가 달라지고, 시추비트의 형태와 지층의 종류에 따라 상이한 경험식이 사용되나 기존의 데이터베이스 자료에 요구되는 시추효율 매개변수가 존재하지 않을 경우 정확한 예측이 어려워지는 불확실성으로 인해 현장적용에 한계가 있었던 종래기술의 경험적 및 물리적 굴진율 예측모델들의 문제점을 해결하기 위해, 실시간 모니터링을 통해 획득한 다양한 굴진율 관련 시추효율 매개변수를 이용하여 머신러닝 지도학습 모델을 통해 학습하고 굴진율을 예측하도록 구성되는 것에 의해, 굴진율 예측시 불확실한 지층 조건이나 로깅자료 획득 또는 비트의 변경이 불가능한 시추조건에서도 실시간으로 굴진율을 예측할 수 있도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템에 관한 것이다.

또한, 본 발명은, 상기한 바와 같이 실시간 모니터링을 통해 획득한 다양한 굴진율 관련 시추효율 매개변수를 이용하여 굴진율을 예측할 수 있도록 하기 위해, 지열시추, 광산시추 및 유정시추시 실시간 모니터링을 통해 시추효율 매개변수를 취득하고, 취득된 시추효율 매개변수와 굴진율 사이의 상관관계 분석을 수행하여 굴진율과 상관성과 중요도가 높은 입력변수를 선정하여 예측 시추운전가이드 모델을 수립하고 머신러닝 지도학습 기법을 이용하여 학습을 수행한 다음, 학습한 굴진율 예측 모델의 정확도를 비교하여 최적의 지도학습 모델을 선정하고, 선정된 지도학습 모델을 굴진율 예측 시추운전가이드 모델로 선정하여 시추공 심도에 따른 굴진율을 예측하는 일련의 처리과정이 수행되도록 구성됨으로써, 굴진율 예측 시추운전가이드 모델의 예측성능을 증대시킬 수 있도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템에 관한 것이다.

아울러, 본 발명의 또 다른 목적은, 상기한 바와 같이 데이터 기반의 시추공 매개변수를 직접 활용하여 기존의 경험적 및 물리적 기반의 굴진율 예측 모델에 비해 보다 간단한 구성으로 정확하게 굴진율을 예측할 수 있도록 구성되 것에 더하여, 시추공의 심도가 증가함에 따라 각각의 처리단계를 반복 수행하는 것에 의해 시추운전가이드 모델에 대한 재학습이 수행되도록 구성됨으로써, 굴진율에 영향을 미치는 시추효율 매개변수를 찾고 예측성능을 증가시키기 위한 입력변수로 활용하여 재학습을 수행하는 것에 의해 예측성능 및 정확도를 더욱 높일 수 있도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템에 관한 것이다.

종래, 터널이나 시추공 등의 굴착작업에 있어서, 예를 들면, TBM(Tunnel Boring Machine)과 같은 기계식 굴착장비를 사용하여 시공이 이루어지며, 이러한 굴착작업은 굴착장비가 시간당 지반을 굴착하는 능력(m/hr)을 의미하는 굴진율(rate of penetration ; ROP)과, 굴착장비의 성능 및 지반조건 등에 따라 공사기간과 공사비용이 결정된다.

또한, 일반적으로, 시추작업이나 시추장비의 최적화에 있어서, 시추공 내 안정성 확보 및 시추효율 극대화를 위한 다양한 매개변수를 통합하는 핵심적인 지표로서 굴진율이 많이 사용되고 있다.

여기서, 상기한 바와 같이 굴진율을 이용하여 시추작업이나 시추장비의 최적화를 수행하는 종래기술의 예로는, 예를 들면, 한국 등록특허공보 제10-1921408호에 제시된 바와 같은 "토사지반 TBM 성능 예측을 위한 굴진성능 평가 시험장치 및 시험방법"이 있다.

더 상세하게는, 상기한 한국 등록특허공보 제10-1921408호는, 하우징, 하우징 하단에 구비되며 상부가 개방되고 내부에 다짐 토사가 구비되는 다짐시료박스, 다짐시료박스 상부측에 구비되고 다짐시료박스 내의 토사의 굴착에 의해 내부로 토사가 유입되며 일측에 유입된 토사가 배토되는 배토구가 형성된 토사챔버, 토사챔버 하단에 구비되고 다짐시료박스 내의 토사를 굴착하기 위한 커팅툴과 토사측으로 폼제가 분사되는 폼주입구가 구비된 소형 블레이드, 소형블레이드를 회전시키는 서보모터, 배토구에 구비되어 배토되는 토사의 배토량을 조절하는 배토유닛, 토사측으로 수직하중을 가하기 위해 소형 블레이드를 토사측으로 이동시키는 하중재하부 및 폼주입구 측으로 미리 설정된 배합비를 가지는 폼을 주입하는 폼 주입수단을 포함하여, 실제 토사지반 TBM과 동일한 매커니즘을 모사하여 지반 특성별 TBM의 굴진율, 커팅툴 마모도 등의 성능을 예측하기 위한 시험장치 및 분석방법에 관한 것이다.

아울러, 상기한 바와 같이 굴진율을 이용하여 시추작업이나 시추장비의 최적화를 수행하는 종래기술의 다른 예로는, 예를 들면, 한국 공개특허공보 제10-2017-0016566호에 제시된 바와 같은 "전기비저항을 이용한 터널 상태 예측 장치 및 방법"이 있다.

더 상세하게는, 상기한 한국 공개특허공보 제10-2017-0016566호는, 터널 내 암반의 전기저항을 측정하는 센서부 및 센서부의 측정결과에 근거하여 굴착할 지반의 일축 압축강도 또는 굴진율을 산출하는 제어부를 포함하여, 터널이 지나가는 주변 지반의 연속적인 일축 압축강도를 산출하고, 이를 통해 굴진율 값을 예측할 수 있도록 구성되는 전기비저항을 이용한 터널 상태 예측 장치 및 방법에 관한 것이다.

상기한 바와 같이, 종래, 굴진율을 이용하여 굴착작업이나 굴착장비의 최적화 및 성능향상을 도모하는 기술내용들이 제시되어 있으나, 상기한 바와 같은 종래기술의 굴진율의 예측방법에는 다음과 같은 문제점이 있는 것이었다.

즉, 굴진율이란 시간당 시추의 진행거리를 나타내는 것으로, 굴진율을 미리 알 수 있다면 시추계획 및 시추도중 시추과정에서 발생하는 문제점을 미리 예상하고 사전에 예방하거나 장비의 교체 및 추가작업에 따른 시추 중단시간을 줄일 수 있으므로, 굴진율을 예측하는 문제는 시추비용을 결정하는데 있어서도 중요한 요소이다.

또한, 종래, 굴진율에 영향을 미치는 인자를 모니터링하여 실시간 굴진율을 예측하는 방법은 크게 나누어 물리적 또는 경험적 기반의 분석모델과 데이터 기반의 분석모델로 나누어진다.

여기서, 물리적-경험적 모델은 굴진율과 연관된 다양한 시추효율 매개변수들의 상호작용에 기인하는 것이며, 이 과정은 대부분 현장자료 분석에 기반한 엔지니어의 경험과 실험을 통해 산출한 경험적 관계에 의해서 결정되는 것이므로, 엔지니어의 숙련도와 실험자료의 내용에 따라 모델의 성능이 달라지게 되는 불확실성으로 인하여 모델의 적합성과 현장적용에는 한계가 있다.

아울러, 물리적-경험적 모델은 시추비트의 형태와 지층의 종류에 따라 상이한 경험식을 사용하고, 추가적으로 로깅 장비를 이용한 물리탐사 및 암석역학 물성을 요구하기도 하며, 이러한 시추효율 매개변수는 지층의 변경 및 신규 유정이나 광산 시추시 기존의 데이터베이스 자료가 존재하지 않을 경우 불확실성이 존재하고 모델의 범용성을 확인하기 어려운 단점도 있다.

더 상세하게는, 1960대초 굴진율과 WOB, RPM과 같은 기초적인 비트회전과 관련된 기초적인 경험적 모델이 제안되었고, R-W-N(ROP-WOB-RPM) 관계로 군집화하였으며, Mauer(1962)는 기존 R-W-N 경험식에 다양한 매개변수를 옵션으로 선정하여 9개의 R-W-N 관계를 제시하였고, Bingham(1964)는 굴진율, WOB, RPM과 더불어 비트의 직경크기에 대한 경험적 지수와 WOB의 복잡한 수력학적 지수를 추가함으로써 더욱 많은 지층의 R-W-N 관계를 모사할 수 있는 경험식을 제안하였다.

또한, Bourgoyne and Young(BYM)(1974)는 굴진율, WOB, RPM과 더불어 지층강도 및 공저의 압력차, 비트의 직경과 하중, 비트의 회전속도, 마모도, 분사압 등 세분화하여 비트와 지층의 종류에 따른 경험적 지수를 추가하여 정확도를 향상시켰고, BYM 모델은 롤러콘 비트를 사용하는 시추조건에만 적합한 모델이었으나 이후 PDC(Polycrystalline diamond compact) 비트 사용이 활발해지면서 이를 반영할 수 있는 새로운 경험식이 Hareland and Rampersad(1994)에 의해 제안되었다.

그 후, Motahhari 등(2010)은 PDC 비트에 기하학적 상호작용과 관련된 계수 및 굴진율 모델의 다양한 범위와 더불어 지층의 일축 압축강도(Unconfined compressive strength)를 사용하였고, 이와 함께 해당 지층에 적합한 일축 압축강도 계수와 비트의 기하학적 형태에 따른 계수를 정확하게 예측하기 위해 최적화 알고리즘을 이용하거나, 시추비용 분석, 시추 시뮬레이션, 물리검층 자료 활용 등 다양한 시도로 굴진율 예측모델의 성능을 높이기 위한 시도가 수행된 바 있다.

그러나 상기한 바와 같은 경험적 및 물리적 모델은 실제 시추현장에서 시추공의 전반적인 특성을 파악하거나 기 시추된 지역의 정보를 획득하지 못할 경우 지층의 특성을 경험식에 반영하기 어려우며, 비트의 종류와 세분화된 기하학적 변수는 실시간 시추 최적화를 위한 굴진율 예측모델 적용시 시추를 중단하지 않는 이상 고정변수라는 단점이 존재한다.

따라서 상기한 바와 같은 종래기술의 경험적 및 물리적 굴진율 예측모델들의 단점을 해결하기 위하여는, 예를 들면, 실시간 모니터링을 통해 획득한 굴진율 관련 시추공 매개변수를 이용하여 데이터 기반의 굴진율 예측 및 시추운전가이드 모델을 제공할 수 있도록 구성됨으로써, 기존의 경험적 및 물리적 기반의 굴진율 예측 모델과 비교하여 보다 간단한 구성으로 더욱 정확한 예측이 가능하도록 구성되는 새로운 구성의 굴진율 예측 모델 및 이에 기반한 시추운전가이드 모델을 제공하는 것이 바람직하나, 아직까지 그러한 요구를 모두 만족시키는 장치나 방법은 제시되지 못하고 있는 실정이다.

한국 등록특허공보 제10-1921408호 (2018.11.16.) 한국 공개특허공보 제10-2017-0016566호 (2017.02.14.)

본 발명은 상기한 바와 같은 종래기술의 문제점을 해결하고자 하는 것으로, 따라서 본 발명의 목적은, 엔지니어의 경험과 실험을 통해 산출된 결과에 의존함으로 인해 엔지니어의 숙련도와 실험자료의 내용에 따라 결과가 달라지고, 시추비트의 형태와 지층의 종류에 따라 상이한 경험식이 사용되나 기존의 데이터베이스 자료에 요구되는 시추효율 매개변수가 존재하지 않을 경우 정확한 예측이 어려워지는 불확실성으로 인해 현장적용에 한계가 있었던 종래기술의 경험적 및 물리적 굴진율 예측모델들의 문제점을 해결하기 위해, 실시간 모니터링을 통해 획득한 다양한 굴진율 관련 시추효율 매개변수를 이용하여 머신러닝 지도학습 모델을 통해 학습하고 굴진율을 예측하도록 구성되는 것에 의해, 굴진율 예측시 불확실한 지층 조건이나 로깅자료 획득 또는 비트의 변경이 불가능한 시추조건에서도 실시간으로 굴진율을 예측할 수 있도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템을 제공하고자 하는 것이다.

또한, 본 발명의 다른 목적은, 상기한 바와 같이 실시간 모니터링을 통해 획득한 다양한 굴진율 관련 시추효율 매개변수를 이용하여 굴진율을 예측할 수 있도록 하기 위해, 지열시추, 광산시추 및 유정시추시 실시간 모니터링을 통해 시추효율 매개변수를 취득하고, 취득된 시추효율 매개변수와 굴진율 사이의 상관관계 분석을 수행하여 굴진율과 상관성과 중요도가 높은 입력변수를 선정하여 예측 시추운전가이드 모델을 수립하고 머신러닝 지도학습 기법을 이용하여 학습을 수행한 다음, 학습한 굴진율 예측 모델의 정확도를 비교하여 최적의 지도학습 모델을 선정하고, 선정된 지도학습 모델을 굴진율 예측 시추운전가이드 모델로 선정하여 시추공 심도에 따른 굴진율을 예측하는 일련의 처리과정이 수행되도록 구성됨으로써, 굴진율 예측 시추운전가이드 모델의 예측성능을 증대시킬 수 있도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템을 제공하고자 하는 것이다.

아울러, 본 발명의 또 다른 목적은, 상기한 바와 같이 데이터 기반의 시추공 매개변수를 직접 활용하여 기존의 경험적 및 물리적 기반의 굴진율 예측 모델에 비해 보다 간단한 구성으로 정확하게 굴진율을 예측할 수 있도록 구성되 것에 더하여, 시추공의 심도가 증가함에 따라 각각의 처리단계를 반복 수행하는 것에 의해 시추운전가이드 모델에 대한 재학습이 수행되도록 구성됨으로써, 굴진율에 영향을 미치는 시추효율 매개변수를 찾고 예측성능을 증가시키기 위한 입력변수로 활용하여 재학습을 수행하는 것에 의해 예측성능 및 정확도를 더욱 높일 수 있도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템을 제공하고자 하는 것이다.

상기한 바와 같은 목적을 달성하기 위해, 본 발명에 따르면, 굴진율(rate of penetration ; ROP)을 예측하기 위한 굴진율 예측 시추운전가이드 모델을 수립하는 처리가 컴퓨터나 전용의 하드웨어에 의해 수행되도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법에 있어서, 상기 처리는, 시추작업시 굴진율에 관련된 시추효율 매개변수에 대한 데이터를 수집하는 처리가 수행되는 시추효율 매개변수 데이터 취득단계; 상기 시추효율 매개변수 데이터 취득단계에서 취득된 상기 시추효율 매개변수에 대하여 시추공 심도에 따른 상관관계 분석 및 중요도 분석을 수행하는 처리가 수행되는 시추효율 매개변수 상관관계 및 중요도 분석단계; 상기 시추효율 매개변수 상관관계 및 중요도 분석단계의 상관관계 분석과 중요도 분석 결과에 근거하여, 미리 정해진 기준에 따라 입력변수를 선정하고 굴진율을 출력변수로 하여 학습 데이터를 생성하고 복수의 머신러닝 지도학습 모델을 통해 학습을 행하는 처리가 수행되는 굴진율 예측 시추운전가이드 모델 학습단계; 상기 굴진율 예측 시추운전가이드 모델 학습단계에서 학습된 각각의 머신러닝 지도학습 모델들의 학습결과를 비교하여 최적의 지도학습 모델을 선정하는 처리가 수행되는 굴진율 예측 시추운전가이드 모델 검증단계; 및 상기 굴진율 예측 시추운전가이드 모델 검증단계의 검증결과에 근거하여 시추공 심도에 따른 굴진율을 예측하는 처리가 수행되는 굴진율 예측단계를 포함하여 구성되는 것을 특징으로 하는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법이 제공된다.

여기서, 상기 시추효율 매개변수는, 시추깊이를 나타내는 시추공 심도(Depth), 시추비트에 가해지는 힘의 양을 나타내는 비트하중(Weight On Bit ; WOB), 시추비트의 분당 회전속도를 나타내는 비트회전속도(Rate Penetration Minute ; RPM), 시추공내 유체와 시추비트의 마찰로 인해 손실되는 총압력을 나타내는 스탠드파이프압력(Stand Pipe Pressure ; SPP), 시추공내 압력과 하중을 유지하기 위한 유량을 의미하는 이수유량(Flow rate) 및 시추비트를 회전시키기 위해 엔진에 걸리는 부하를 나타내는 토크(Torque)를 포함하여 구성되는 것을 특징으로 한다.

또한, 상기 시추효율 매개변수 상관관계 및 중요도 분석단계는, 상기 시추효율 매개변수 데이터 취득단계에서 취득된 각각의 상기 시추효율 매개변수에 대하여 시추공 심도에 따른 굴진율과의 상관계수(correlation coefficient)를 구하는 것에 의해 상기 상관관계 분석 처리가 수행되고, 랜덤 포레스트(Random Forest ; RF) 및 그레디언트 부스팅트리 방법(Gradient Boosting tree Method ; GBM)을 포함하는 머신러닝(Machine Learning) 지도학습 기법을 이용하여, 굴진율 예측에 대한 각각의 상기 시추효율 매개변수의 영향도를 구하는 것에 의해 상기 중요도 분석 처리가 수행되도록 구성되는 것을 특징으로 한다.

아울러, 상기 굴진율 예측 시추운전가이드 모델 학습단계는, 상기 시추효율 매개변수 상관관계 및 중요도 분석단계의 상관관계 분석 및 중요도 분석 결과에 근거하여, 미리 정해진 기준에 따라 상관관계와 영향력이 큰 변수를 입력변수로 선정하고 굴진율을 출력변수로 하여 학습데이터를 생성하며, 생성된 상기 학습데이터를 이용하여 머신러닝 지도학습 모델을 통해 학습을 행하는 처리가 수행되도록 구성되는 것을 특징으로 한다.

더욱이, 상기 굴진율 예측 시추운전가이드 모델 학습단계는, 상기 입력변수로서 시추공 심도(Deph), 비트하중(WOB), 비트회전속도(RPM), 스탠드파이프압력(SPP), 부하토크(Torque) 및 이수유량(Flow rate)을 사용하고, 머신러닝 지도학습 모델로서 Modified Bourgoyne & Young(MB & Y), 서포트 벡터 머신 회귀(Support vector machine regression ; SVM), 랜덤 포레스트(RF) 및 그레디언트 부스팅 트리(GBM)를 이용하여 각각 학습을 행하는 처리가 수행되도록 구성되는 것을 특징으로 한다.

또한, 상기 굴진율 예측 시추운전가이드 모델 검증단계는, 상기 굴진율 예측 시추운전가이드 모델 학습단계에서 학습된 각각의 지도학습 모델의 학습결과에 따른 예측 결과와 실제 자료의 절대 백분율 오차를 비교한 결과에 근거하여 최적의 머신러닝 지도학습 모델을 선정하는 처리가 수행되도록 구성되는 것을 특징으로 한다.

아울러, 상기 굴진율 예측단계는, 상기 굴진율 예측 시추운전가이드 모델 검증단계에서 선정된 최적의 머신러닝 지도학습 모델을 굴진율 예측 시추운전가이드 모델로 선정하고, 선정된 상기 굴진율 예측 시추운전가이드 모델을 이용하여 시추공 심도에 따른 굴진율을 실시간으로 예측하는 처리가 수행되도록 구성되는 것을 특징으로 한다.

더욱이, 상기 구축방법은, 시추공의 심도가 증가함에 따라 상기 굴진율 예측단계에서 선정된 상기 굴진율 예측 시추운전가이드 모델의 예측성능이 미리 정해진 기준에 미치지 못할 경우, 상기 시추효율 매개변수 데이터 취득단계, 상기 시추효율 매개변수 상관관계 및 중요도 분석단계, 상기 굴진율 예측 시추운전가이드 모델 학습단계, 상기 굴진율 예측 시추운전가이드 모델 검증단계 및 상기 굴진율 예측단계의 처리를 반복 수행하여 개발 시추공에 적합한 시추운전가이드 모델을 재학습하는 것에 의해 굴진율 예측성능을 향상시키는 처리가 수행되는 재학습단계를 더 포함하여 구성됨으로써, 항상 일정 수준 이상의 예측성능을 유지할 수 있도록 구성되는 것을 특징으로 한다.

여기서, 상기 재학습단계는, 상기 시추효율 매개변수 데이터 취득단계를 통하여 획득되는 데이터의 변경이 없을 경우, 상기 굴진율 예측 시추운전가이드 모델 검증단계 및 상기 굴진율 예측단계의 처리가 반복 수행되도록 구성되는 것을 특징으로 한다.

또한, 본 발명에 따르면, 상기에 기재된 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법을 컴퓨터나 전용의 하드웨어에 실행시키도록 구성된 프로그램이 기록된 컴퓨터에서 판독 가능한 기록매체가 제공된다.

아울러, 본 발명에 따르면, 시추공 심도에 따른 굴진율을 실시간으로 예측하여 제공하도록 구성되는 굴진율 예측시스템에 있어서, 시추작업시 굴진율에 관련된 시추효율 매개변수에 대한 데이터를 수집하는 처리가 수행되도록 이루어지는 모니터링부; 및 상기 모니터링부를 통해 수집된 데이터에 근거하여 시추공 심도에 따른 굴진율을 실시간으로 예측하여 제공하는 처리가 수행되도록 이루어지는 굴진율 예측부를 포함하여 구성되고, 상기 굴진율 예측부는, 상기에 기재된 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법을 이용하여 시추공 심도에 따른 굴진율을 실시간으로 예측하고 제공하는 처리가 수행되도록 구성되는 것을 특징으로 하는 굴진율 예측시스템이 제공된다.

상기한 바와 같이, 본 발명에 따르면, 지열시추, 광산시추 및 유정시추시 실시간 모니터링을 통해 시추효율 매개변수를 취득하고, 취득된 시추효율 매개변수와 굴진율 사이의 상관관계 분석을 수행하여 굴진율과 상관성과 중요도가 높은 입력변수를 선정하고, 예측 시추운전가이드 모델을 수립하여 머신러닝 지도학습 기법을 이용하여 학습을 수행한 다음, 학습한 굴진율 예측 모델의 정확도를 비교하여 최적의 지도학습 모델을 선정하고, 선정된 지도학습 모델을 굴진율 예측 시추운전가이드 모델로 선정하여 시추공 심도에 따른 굴진율을 예측하는 일련의 처리과정이 수행되도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템이 제공됨으로써, 데이터 기반의 시추공 매개변수를 활용하여 기존의 경험적 및 물리적 기반의 굴진율 예측 모델에 비해 보다 간단한 구성으로 정확하게 굴진율을 예측할 수 있으며, 굴진율 예측시 불확실한 지층 조건이나 로깅자료 획득 또는 비트의 변경이 불가능한 시추조건에서도 실시간으로 굴진율을 예측할 수 있다.

또한, 본 발명에 따르면, 상기한 바와 같이 실시간 모니터링을 통해 획득한 다양한 굴진율 관련 시추효율 매개변수를 이용하여 머신러닝 지도학습 모델을 통해 학습하고 굴진율을 예측할 수 있도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템이 제공됨으로써, 엔지니어의 경험과 실험을 통해 산출된 결과에 의존함으로 인해 엔지니어의 숙련도와 실험자료의 내용에 따라 결과가 달라지고, 시추비트의 형태와 지층의 종류에 따라 상이한 경험식이 사용되나 기존의 데이터베이스 자료에 요구되는 시추효율 매개변수가 존재하지 않을 경우 정확한 예측이 어려워지는 불확실성으로 인해 현장적용에 한계가 있었던 종래기술의 경험적 및 물리적 굴진율 예측모델들의 문제점을 해결할 수 있다.

아울러, 본 발명에 따르면, 상기한 바와 같이 시추공의 심도가 증가함에 따라 시추운전가이드 모델에 대한 재학습이 수행되도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템이 제공됨으로써, 데이터 기반의 시추공 매개변수를 직접 활용하여 기존의 경험적 및 물리적 기반의 굴진율 예측 모델에 비해 보다 간단한 구성으로 정확하게 굴진율을 예측할 수 있는 데 더하여, 굴진율에 영향을 미치는 시추효율 매개변수를 찾고 예측성능을 증가시키기 위한 입력변수로 활용하여 재학습을 수행하는 것에 의해 예측성능 및 정확도를 더욱 높일 수 있다.

도 1은 본 발명의 실시예에 따른 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법의 전체적인 구성을 개략적으로 나타내는 플로차트이다.
도 2는 굴진율에 영향을 미치는 인자들을 정리하여 나타낸 도면이다.
도 3은 본 발명의 실시예에 적용된 시추공 심도에 따른 시추효율 매개변수를 나타내는 도면이다.
도 4는 ROP와 각 시추효율 매개변수에 대한 상관관계 분석과정의 데이터 분포를 나타내는 도면이다.
도 5는 ROP와 시추효율 매개변수에 대한 상관관계 분석결과를 그래프로 나타내는 도면으로, 도 5a는 ROP-WOB 상관관계 분석결과이고, 도 5b는 ROP-RPM 상관관계 분석결과이며, 도 5c는 ROP-Torque 상관관계 분석결과를 각각 나타내고 있다.
도 6은 ROP 예측 시추효율 매개변수에 대하여 RF 기반 및 GBM 기반의 중요도 분석결과를 각각 나타내는 도면이다.
도 7은 본 발명의 실시예에서 굴진율 예측모델 학습자료로 적용된 실제 자료와 본 발명의 실시예에 따른 굴진율 예측모델의 테스트 자료를 비교한 결과를 나타내는 도면이다.
도 8은 본 발명의 실시예에 따라 머신러닝 지도학습 모델과 경험적 모델의 테스트 자료에 대한 절대 백분율 오차를 비교한 결과를 나타내는 도면이다.
도 9는 본 발명의 실시예에 따라 머신러닝 지도학습 모델과 경험적 모델의 테스트 자료(1700m 학습자료, 400m 예측)에 대한 통계적 지표를 비교한 결과를 표로 정리하여 나타낸 도면이다.
도 10은 본 발명의 실시예에 따라 머신러닝 지도학습 모델과 경험적 모델의 테스트 자료(1300m 학습자료, 800m 예측)에 대한 통계적 지표를 비교한 결과를 표로 정리하여 나타낸 도면이다.

이하, 첨부된 도면을 참조하여, 본 발명에 따른 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템의 구체적인 실시예에 대하여 설명한다.

여기서, 이하에 설명하는 내용은 본 발명을 실시하기 위한 하나의 실시예일 뿐이며, 본 발명은 이하에 설명하는 실시예의 내용으로만 한정되는 것은 아니라는 사실에 유념해야 한다.

또한, 이하의 본 발명의 실시예에 대한 설명에 있어서, 종래기술의 내용과 동일 또는 유사하거나 당업자의 수준에서 용이하게 이해하고 실시할 수 있다고 판단되는 부분에 대하여는, 설명을 간략히 하기 위해 그 상세한 설명을 생략하였음에 유념해야 한다.

즉, 본 발명은, 후술하는 바와 같이, 엔지니어의 경험과 실험을 통해 산출된 결과에 의존함으로 인해 엔지니어의 숙련도와 실험자료의 내용에 따라 결과가 달라지고, 시추비트의 형태와 지층의 종류에 따라 상이한 경험식이 사용되나 기존의 데이터베이스 자료에 요구되는 시추효율 매개변수가 존재하지 않을 경우 정확한 예측이 어려워지는 불확실성으로 인해 현장적용에 한계가 있었던 종래기술의 경험적 및 물리적 굴진율 예측모델들의 문제점을 해결하기 위해, 실시간 모니터링을 통해 획득한 다양한 굴진율 관련 시추효율 매개변수를 이용하여 머신러닝 지도학습 모델을 통해 학습하고 굴진율을 예측하도록 구성되는 것에 의해, 굴진율 예측시 불확실한 지층 조건이나 로깅자료 획득 또는 비트의 변경이 불가능한 시추조건에서도 실시간으로 굴진율을 예측할 수 있도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템에 관한 것이다.

아울러, 본 발명은, 후술하는 바와 같이, 실시간 모니터링을 통해 획득한 다양한 굴진율 관련 시추효율 매개변수를 이용하여 굴진율을 예측할 수 있도록 하기 위해, 지열시추, 광산시추 및 유정시추시 실시간 모니터링을 통해 시추효율 매개변수를 취득하고, 취득된 시추효율 매개변수와 굴진율 사이의 상관관계 분석을 수행하여 굴진율과 상관성과 중요도가 높은 입력변수를 선정하여 예측 시추운전가이드 모델을 수립하고 머신러닝 지도학습 기법을 이용하여 학습을 수행한 다음, 학습한 굴진율 예측 모델의 정확도를 비교하여 최적의 지도학습 모델을 선정하고, 선정된 지도학습 모델을 굴진율 예측 시추운전가이드 모델로 선정하여 시추공 심도에 따른 굴진율을 예측하는 일련의 처리과정이 수행되도록 구성됨으로써, 굴진율 예측 시추운전가이드 모델의 예측성능을 증대시킬 수 있도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템에 관한 것이다.

더욱이, 본 발명은, 후술하는 바와 같이, 데이터 기반의 시추공 매개변수를 직접 활용하여 기존의 경험적 및 물리적 기반의 굴진율 예측 모델에 비해 보다 간단한 구성으로 정확하게 굴진율을 예측할 수 있도록 구성되 것에 더하여, 시추공의 심도가 증가함에 따라 각각의 처리단계를 반복 수행하는 것에 의해 시추운전가이드 모델에 대한 재학습이 수행되도록 구성됨으로써, 굴진율에 영향을 미치는 시추효율 매개변수를 찾고 예측성능을 증가시키기 위한 입력변수로 활용하여 재학습을 수행하는 것에 의해 예측성능 및 정확도를 더욱 높일 수 있도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템에 관한 것이다.

계속해서, 도면을 참조하여, 본 발명에 따른 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템의 구체적인 내용에 대하여 설명한다.

먼저, 도 1을 참조하면, 도 1은 본 발명의 실시예에 따른 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법의 전체적인 구성을 개략적으로 나타내는 플로차트이다.

도 1에 나타낸 바와 같이, 본 발명의 실시예에 따른 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법은, 크게 나누어, 시추작업시 측정장치나 모니터링 시스템을 통해 굴진율에 관련된 시추효율 매개변수에 대한 데이터를 각각 수집하는 시추효율 매개변수 데이터 취득단계(S10)와, 시추효율 매개변수 데이터 취득단계(S10)에서 취득된 굴진율 관련 시추효율 매개변수에 대하여 시추공 심도에 따른 상관관계 분석 및 중요도 분석을 수행하는 시추효율 매개변수 상관관계 및 중요도 분석단계(S20)와, 시추효율 매개변수 상관관계 및 중요도 분석단계(S20)에서의 상관관계 분석과 중요도 분석 결과에 근거하여, 미리 정해진 기준에 따라 입력변수를 선정하고 굴진율을 출력변수로 하여 학습 데이터를 생성하고, 다양한 머신러닝 지도학습 모델을 통해 각각 학습을 수행하는 굴진율 예측 시추운전가이드 모델 학습단계(S30)와, 굴진율 예측 시추운전가이드 모델 학습단계(S30)에서 학습된 각각의 지도학습 모델을 비교하여 최적의 지도학습 모델을 선정하는 굴진율 예측 시추운전가이드 모델 검증단계(S40) 및 굴진율 예측 시추운전가이드 모델 검증단계(S40)에서 선정된 최적의 지도학습 모델을 굴진율 예측 시추운전가이드 모델로 선정하여 시추공 심도에 따른 굴진율을 예측하는 굴진율 예측단계(S50)를 포함하여 구성될 수 있다.

여기서, 상기한 방법은, 도시되지는 않았으나, 굴진율 예측성능을 보다 높이기 위해, 시추공의 심도가 증가함에 따라 상기한 시추효율 매개변수 데이터 취득단계(S10), 시추효율 매개변수 상관관계 및 중요도 분석단계(S20), 굴진율 예측 시추운전가이드 모델 학습단계(S30), 굴진율 예측 시추운전가이드 모델 검증단계(S40) 및 굴진율 예측단계(S50)의 처리를 반복 수행하여 개발 시추공에 적합한 시추운전가이드 모델을 재학습하는 재학습단계를 더 포함하여 구성될 수 있다.

또한, 상기한 방법은, 상기한 바와 같은 일련의 처리과정이 전용의 하드웨어에 의해 실행되도록 구성될 수 있으나, 바람직하게는, 컴퓨터를 통해 실행되는 프로그램의 형태로 구현되어 온라인으로 다운로드 또는 컴퓨터에서 판독 가능한 기록매체의 형태로 제공됨으로써, 별도의 하드웨어를 구현할 필요 없이 보다 간단한 구성 및 저렴한 비용으로 구현될 수 있다.

즉, 본 발명의 기본적인 개념은, 굴진율을 예측하는데 있어서 시추공 심도에 따라 데이터 기반의 시추효율 매개변수를 입력변수로 하고 굴진율을 출력변수로 하여 예측하는 것으로, 이를 위해, 후술하는 바와 같이, 시추시 실시간 모니터링을 통해 획득된 시추심도와 관련된 시계열 자료인 시추효율 매개변수(비트하중(WOB), 비트회전속도(RPM), 심도(Depth), 스탠드파이프압력(SPP), 이수유량(Flow rate), 부하토크(Torque))를 이용하여 굴진율을 예측하는 학습 데이터베이스를 구축하고, 이에 근거하여 머신러닝 지도학습 방법을 이용하여 굴진율을 예측하는 시추운전가이드 모델을 수립한다.

이에 더하여, 수립된 시추운전가이드 모델의 예측성능을 높이기 위해 굴진율 예측 시추운전가이드 모델의 지도학습 모델에 대한 비교분석 과정과, 시추효율 매개변수 사이의 상관관계 분석이나 머신러닝 기반 중요도 분석을 통해 산출된 상관성이 높은 입력변수를 이용하여 예측성능을 더욱 증대시킬 수 있도록 구성된다.

더 상세하게는, 도 2를 참조하면, 도 2는 굴진율에 영향을 미치는 인자들을 정리하여 나타낸 도면이다.

즉, 굴진율(Rate on Penetration ; ROP(m/hr))이란, 시간당 얼마나 시추공 심도를 굴진하였는지를 나타내는 지표로서, 이러한 굴진율에 영향을 미치는 인자로는, 도 2에 나타낸 바와 같이, 지층의 특성(Formation characteristics), 운영조건(Operating condition), 시추이수 물성(Drilling fluid properties), 비트의 수력(Bit hydraulics rig efficiency), 로깅자료(logging data) 등이 있다.

여기서, 지층의 특성은 대상 지층의 강도, 유체투과율, 암석광물의 조성 등이 있고, 운영조건으로는 시추비트에 가해지는 힘의 양을 나타내는 비트하중(Weight On Bit ; WOB), 시추비트를 회전시키는 로터리와 연결된 분당 회전속도를 나타내는 비트회전속도(Rate Penetration Minute ; RPM), 비트의 종류, 비트를 회전시키는데 들어가는 엔진에 걸리는 부하토크(Torque), 시추공내 압력과 하중을 유지해 주는 이수유량(Mud flow rate), 시추공내 유체와 비트의 마찰로 인해 손실되는 총압력을 나타내는 스탠드파이프압력(Stand Pipe Pressure ; SPP) 등이 있다.

또한, 시추이수 물성은 지층의 특성에 따라 시추시 시추공 내의 안정성을 유지하기 위해 이수의 다양한 물성을 조정하는 것으로, 이수의 밀도, 종류, 화학조성 등이 있고, 로깅자료는 LWD(Logging while drilling) 시추시 로깅자료를 비트에 장착하여 암석의 물성을 예측할 수 있는 장비로 공극률이나 지층의 심도, 감마, SP 검층을 수행한다.

아울러, 일반적으로, 운영조건은 시추 엔지니어가 시추의 진행효율을 증대시키기 위해 또는 위기상황에서 대응하기 위해 실시간으로 조정이 가능한 매개변수인 반면, 다른 변수들은 굴진율에 영향을 미치는 변수이기는 하나 실시간으로 시추 엔지니어가 조정이 불가능하거나 시추를 중단한 이후에 추가적인 변수의 수정이나 변경이 가능한 작업이다.

더 상세하게는, 도 3을 참조하면, 도 3은 본 발명의 실시예에 적용된 시추공 심도에 따른 시추효율 매개변수를 나타내는 도면이다.

도 3에 나타낸 바와 같이, 본 발명의 실시예에서는, 기존의 경험적 및 물리적 모델의 단점을 해결하기 위해 시추공 심도에 따른 시추효율 매개변수를 모니터링으로 취득하여 머신러닝 지도학습 모델로 굴진율을 예측하는 연구를 수행하였고, 모델의 예측성능을 비교하기 위해 실제 유정의 25m ~ 2285m 시추효율 매개변수 자료를 이용하였다.

또한, 도 4 내지 도 6을 참조하면, 도 4는 ROP와 각 시추효율 매개변수에 대한 상관관계 분석과정의 데이터 분포를 나타내는 도면이고, 도 5는 ROP와 시추효율 매개변수에 대한 상관관계 분석결과를 그래프로 나타내는 도면이며, 도 6은 ROP 예측 시추효율 매개변수에 대하여 RF 기반 및 GBM 기반의 중요도 분석결과를 각각 나타내는 도면이다.

여기서, 도 5에 있어서, 도 5a는 ROP-WOB 상관관계 분석결과이고, 도 5b는 ROP-RPM 상관관계 분석결과이며, 도 5c는 ROP-Torque 상관관계 분석결과를 각각 나타내고 있다.

도 4 내지 도 6에 나타낸 바와 같이, 본 발명의 실시예에서는, 굴진율에 영향을 미친 시추 매개변수를 확인하기 위해 상관관계 분석 및 변수 중요도 분석을 수행하였으며, 그 결과 상관계수(correlation coefficient)가 WOB 0.63, RPM 0.55, 이수유량(Flow rate) 0.51로 상관성이 높은 것으로 확인되었고, 변수 중요도 분석의 경우 랜덤 포레스트(Random Forest ; RF)와 그레디언트 부스팅트리 방법(Gradient Boosting tree Method ; GBM) 기반으로 각 매개변수의 굴진율 예측에 대한 영향도를 분석한 결과 2가지 방법 모두 WOB와 RPM이 굴진율 예측에 상대적인 영향도를 많이 미치는 시추 매개변수인 것으로 확인되었다.

계속해서, 상기한 바와 같이 실제 현장자료를 이용하여 굴진율을 예측하는 본 발명의 실시예에 따른 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법의 구체적인 내용에 대하여 설명한다.

먼저, 시추효율 매개변수 취득단계(S10)는, 굴진율(ROP)을 예측하기 위한 매개변수로서, 상기한 바와 같이 시추작업의 모니터링을 통해 시추공 심도(Depth), 비트하중(WOB), 비트회전속도(RPM), 스탠드파이프압력(SPP), 토크(Torque), 이수유량(Flow rate) 등과 같은 시추효율 매개변수 자료를 획득한다.

다음으로, 시추효율 매개변수 상관관계 및 중요도 분석단계(S20)는, 예를 들면, 머신러닝(Machine Learning)과 같은 인공지능 알고리즘 기법을 이용하여, 시추효율 매개변수 취득단계(S10)에서 취득된 각각의 굴진율 관련 시추효율 매개변수와 굴진율(ROP) 사이의 상관관계 분석 및 중요도 분석을 수행하는 처리가 이루어진다.

즉, 도 4 및 도 5에 나타낸 바와 같이, 본 실시예에서 활용된 현장자료 굴진율(ROP)과 시추공 심도(Depth)의 상관계수(R)는 0.309이고, WOB는 0.630, RPM은 0.548, SPP는 0.357, 토크(Torque)는 0.437, 이수유량(Flow rate)은 0.507로 확인되었다.

아울러, 도 6에 나타낸 바와 같이, 굴진율을 예측하기 위한 머신러닝 지도학습 모델의 상대적인 중요도를 파악하기 위해 랜덤 포레스트(Random Forest ; RF) 및 그레디언트 부스팅트리 방법(Gradient Boosting tree Method ; GBM)의 지도학습에 기반하여 변수 중요도 분석을 수행한 결과, 2가지 분석 모두 WOB, RPM 및 시추공 심도가 토크(Torque), SPP 및 이수유량(Flow rate)에 비하여 상대적으로 영향력이 큰 변수인 것으로 확인되었다.

따라서 상기한 바와 같이 상관관계 분석 및 중요도 분석을 이용하면, 다양한 실시간 시추효율 매개변수 인자가 존재할 경우 굴진율 예측모델의 입력변수를 선정하는 방법으로 활용 가능하다.

계속해서, 굴진율 예측 시추운전가이드 모델 학습단계(S30)에서는, 상기한 바와 같이 시추효율 매개변수 상관관계 및 중요도 분석단계(S20)의 분석결과에 근거하여, 상관관계 분석과 중요도 분석을 통해 상대적으로 상관관계와 영향력이 큰 변수를 입력변수로 선정하고 굴진율을 출력변수로 하여 학습데이터를 생성하며, 이러한 학습데이터를 이용하여 머신러닝 지도학습 모델을 통해 학습이 수행된다.

더 상세하게는, 본 실시예에서는, 상기한 바와 같이 시추공 심도(Deph), 비트하중(WOB), 비트회전속도(RPM), 스탠드파이프압력(SPP), 부하토크(Torque), 및 이수유량(Flow rate)의 6개의 시추효율 매개변수를 굴진율 예측모델의 입력변수로 활용하였으며, 학습에 활용한 모델은 Modified Bourgoyne & Young(MB & Y) 이고, 머신러닝 지도학습 모델로 서포트 벡터 머신 회귀(Support vector machine regression ; SVM), 랜덤 포레스트(Random Forest; RF), 그레디언트 부스팅 트리(Gradient boosting tree ; GBM)를 이용하여 학습을 수행하였다.

다음으로, 굴진율 예측 시추운전가이드 모델 검증단계(S40)는, 굴진율 예측 시추운전가이드 모델 학습단계(S30)에서 학습된 여러 가지 지도학습 모델을 비교하여 최적의 모델을 선정하는 단계로서, 이를 위해, 본 실시예에서는, 입력자료로서 저류층 심도(Depth), 비트회전속도(RPM), 이수유량(Flow rate), 비트하중(WOB), 스탠드파이프압력(SPP), 토크(Torque)를 활용하여 굴진율을 예측하는 환경을 구축하고, 지도학습 기반의 GBM, RF, SVM 모델과 MB & Y 경험식의 예측성능을 각각 비교하였다.

즉, 도 7 내지 도 10을 참조하면, 먼저, 도 7은 본 발명의 실시예에서 굴진율 예측모델 학습자료로 적용된 실제 자료와 본 발명의 실시예에 따른 굴진율 예측모델의 테스트 자료를 비교한 결과를 나타내는 도면이고, 도 8은 본 발명의 실시예에 따라 머신러닝 지도학습 모델과 경험적 모델의 테스트 자료에 대한 절대 백분율 오차를 비교한 결과를 나타내는 도면이다.

또한, 도 9 및 도 10은 본 발명의 실시예에 따라 머신러닝 지도학습 모델과 경험적 모델 테스트 자료(1700m 학습자료, 400m 예측 및 1300m 학습자료, 800m 예측)에 대한 통계적 지표를 비교한 결과를 각각 표로 정리하여 나타낸 도면이다.

도 7 내지 도 9에 나타낸 바와 같이, 본 실시예에 있어서, 분석에 활용된 시추현장 자료의 깊이는 2125m이며, 이 중 25 ~ 1725m의 자료를 학습자료로 활용하고, 1725 ~ 2125m의 자료를 테스트 자료로 하여 가상으로 굴진율을 모르는 것으로 가정하고 굴진율을 예측하도록 하는 블라인드 테스트(Blind test) 분석을 수행하였다.

분석 결과, 도 7 내지 도 9에 나타낸 바와 같이, MB & Y 모델은 학습자료가 없어도 실시간 시추예측이 가능한 공학적 기반의 경험식으로 25 ~ 1725m 까지 굴진율 예측결과가 전반적으로 실제자료와 유사한 예측 경향을 보이나, 1025 ~ 1725m 지점에서는 예측의 절대 백분율 오차가 100% 이상 발생하는 경우가 많이 발생하였고, 이는 WOB 변수의 불규칙한 변동성이 원인인 것으로 확인되었으며, 이와 같이 WOB에 영향을 많이 받는 모델로는 실제 예측에 활용시 안정된 예측결과를 보장하지 못하는 것으로 확인되었다.

아울러, 분석결과, 도 7 내지 도 9에 나타낸 바와 같이, RF와 SVM 모델의 RMSE가 각각 4.20 및 4.58이고, MAPE가 9.08% 및 9.74%로 가장 예측성능이 우수한 것으로 확인되었으며, GBM 모델은 깊이(Depth) 2000m 아래에서 다른 알고리즘에 비해 오차가 큰 것으로 확인되었다.

더욱이, MB & Y 모델은 1700 ~ 1750m 사이의 값이 이상치로 확인될 만큼 높은 절대 백분율 오차값을 확인할 수 있었으며, 이는 불규칙한 WOB 값에 영향을 받은 것으로 사료된다.

따라서 상기한 바와 같이, 실제자료와 비교하여 가장 적합한 예측결과를 보여주는 모델은 RF 알고리즘으로, 본 실시예에서는 최종 굴진율 예측 시추운전가이드 모델로 RF 알고리즘을 선정하였다.

계속해서, 굴진율 예측단계(S50)는, 상기한 바와 같이 하여 굴진율 예측 시추운전가이드 모델 검증단계(S40)에서 선정된 최적의 머신러닝 지도학습 모델(본 실시예에서는 RF 알고리즘)을 굴진율 예측 시추운전가이드 모델로 선정하고, 이를 이용하여 시추공의 향후 시추공 심도에 따른 굴진율을 실시간으로 예측하는 처리가 수행된다.

여기서, 시추작업이 진행되어 시추공 심도가 변경됨에 따라 상기한 바와 같은 각종 매개변수도 변화하게 되므로, 이러한 변화를 반영하여 현재 선정된 최적의 굴진율 예측 모델을 수정하거나 변경하는 작업이 필요하다.

즉, 본 실시예에서 활용된 현장자료의 경우, 도 10에 나타낸 바와 같이 시추공 심도 25 ~ 1325m(총 1300m 학습자료)를 통해 800m를 예측한 결과 도 9에 나타낸 시추공 심도 25 ~ 1725m(총 1700m 학습자료)를 통해 예측한 결과보다 M & BY 경험적 모델의 경우 평균 절대 백분율 오차가 35%이상, RF가 약 2%, SVM이 약 3% 이상 오차가 증가하는 것으로 확인되었다.

따라서 실시간 시추 굴진율 예측모델의 경우 항상 일정 수준 이상의 예측성능을 유지하기 위하여는 일정 시추간격을 선정하여 예측모델의 재학습을 통해 적절한 머신러닝 지도학습 모델을 수정하는 것이 중요하다.

이에, 본 발명에서는, 시추공의 심도가 증가함에 따라 상기한 각각의 처리단계를 반복 수행하여 개발 시추공에 적합한 시추운전가이드 모델을 재학습하여 예측성능을 높이는 재학습단계를 더 포함하여 구성될 수 있다.

더 상세하게는, 재학습단계는, 상기한 굴진율 예측단계(S50)에서 선정된 굴진율 예측 머신러닝 모델의 예측성능이 미리 정해진 기준에 미치지 못할 경우, 시추공 심도(학습자료) 증가 및 모델 하이퍼파라미터 최적화를 통해 예측성능을 향상시키기 위해 상기한 (S10) ~ (S50) 단계를 반복하거나, 또는, 모니터링을 통해 획득되는 자료의 변경이 없을 경우 (S40) ~ (S50) 단계를 반복하는 것을 통해 굴진율 예측 모델을 재학습하여 항상 일정 수준 이상의 예측 정확도를 유지하도록 구성될 수 있다.

이상, 상기한 바와 같은 내용을 통하여, 본 발명의 실시예에 따른 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법을 용이하게 구현할 수 있다.

또한, 시추작업의 모니터링장치나 각각의 측정장치와 연계하여 상기한 바와 같이 구성되는 본 발명의 실시예에 따른 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법이 실행되도록 구성되는 전용의 하드웨어를 구현하거나, 또는, 컴퓨터를 통해 시추작업의 모니터링장치나 각각의 측정장치로부터 측정값을 입력받고 입력된 측정값들을 매개변수로서 사용하여 상기한 바와 같이 구성되는 본 발명의 실시예에 따른 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법이 실행되도록 구성함으로써, 본 발명에 따른 굴진율 예측 시스템을 용이하게 구현할 수 있다.

여기서, 상기한 굴진율 예측 시스템은, 예를 들면, 시추시설에 구축된 네트워크를 이용하여, 서버와 같은 외부 기기에 학습데이터로서 모니터링장치나 각각의 측정장치로부터 측정값을 수집하여 저장하는 것에 의해 시추작업의 각 매개변수에 대한 데이터베이스를 구축하여 두고, 이러한 데이터베이스의 내용에 근거하여 상기한 바와 같은 과정을 통해 학습을 수행하고 굴진율울 예측하며, 예측결과 및 각종 데이터를 각 개인의 사용자 단말기로 전달하는 처리가 서버에서 수행되도록 구성됨으로써, 용이하게 정보의 전달 및 공유가 가능한 동시에, 별도의 하드웨어를 구현할 필요가 없이 전체적인 시스템의 구성을 간소화할 수 있다.

따라서 상기한 바와 같이 하여 본 발명의 실시예에 따른 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템을 구현할 수 있으며, 그것에 의해, 본 발명에 따르면, 지열시추, 광산시추 및 유정시추시 실시간 모니터링을 통해 시추효율 매개변수를 취득하고, 취득된 시추효율 매개변수와 굴진율 사이의 상관관계 분석을 수행하여 굴진율과 상관성과 중요도가 높은 입력변수를 선정하고, 예측 시추운전가이드 모델을 수립하여 머신러닝 지도학습 기법을 이용하여 학습을 수행한 다음, 학습한 굴진율 예측 모델의 정확도를 비교하여 최적의 지도학습 모델을 선정하고, 선정된 지도학습 모델을 굴진율 예측 시추운전가이드 모델로 선정하여 시추공 심도에 따른 굴진율을 예측하는 일련의 처리과정이 수행되도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템이 제공됨으로써, 데이터 기반의 시추공 매개변수를 활용하여 기존의 경험적 및 물리적 기반의 굴진율 예측 모델에 비해 보다 간단한 구성으로 정확하게 굴진율을 예측할 수 있으며, 굴진율 예측시 불확실한 지층 조건이나 로깅자료 획득 또는 비트의 변경이 불가능한 시추조건에서도 실시간으로 굴진율을 예측할 수 있다.

아울러, 본 발명에 따르면, 상기한 바와 같이 실시간 모니터링을 통해 획득한 다양한 굴진율 관련 시추효율 매개변수를 이용하여 머신러닝 지도학습 모델을 통해 학습하고 굴진율을 예측할 수 있도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템이 제공됨으로써, 엔지니어의 경험과 실험을 통해 산출된 결과에 의존함으로 인해 엔지니어의 숙련도와 실험자료의 내용에 따라 결과가 달라지고, 시추비트의 형태와 지층의 종류에 따라 상이한 경험식이 사용되나 기존의 데이터베이스 자료에 요구되는 시추효율 매개변수가 존재하지 않을 경우 정확한 예측이 어려워지는 불확실성으로 인해 현장적용에 한계가 있었던 종래기술의 경험적 및 물리적 굴진율 예측모델들의 문제점을 해결할 수 있다.

더욱이, 본 발명에 따르면, 상기한 바와 같이 시추공의 심도가 증가함에 따라 시추운전가이드 모델에 대한 재학습이 수행되도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템이 제공됨으로써, 데이터 기반의 시추공 매개변수를 직접 활용하여 기존의 경험적 및 물리적 기반의 굴진율 예측 모델에 비해 보다 간단한 구성으로 정확하게 굴진율을 예측할 수 있는 데 더하여, 굴진율에 영향을 미치는 시추효율 매개변수를 찾고 예측성능을 증가시키기 위한 입력변수로 활용하여 재학습을 수행하는 것에 의해 예측성능 및 정확도를 더욱 높일 수 있다.

이상, 상기한 바와 같은 본 발명의 실시예를 통하여 본 발명에 따른 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법 및 이를 이용한 굴진율 예측시스템의 상세한 내용에 대하여 설명하였으나, 본 발명은 상기한 실시예에 기재된 내용으로만 한정되는 것은 아니며, 따라서 본 발명은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 설계상의 필요 및 기타 다양한 요인에 따라 여러 가지 수정, 변경, 결합 및 대체 등이 가능한 것임은 당연한 일이라 하겠다.

Claims (11)

1. 굴진율(rate of penetration ; ROP)을 예측하기 위한 굴진율 예측 시추운전가이드 모델을 수립하는 처리가 컴퓨터나 전용의 하드웨어에 의해 수행되도록 구성되는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법에 있어서,
   상기 처리는,
   시추작업시 굴진율에 관련된 시추효율 매개변수에 대한 데이터를 수집하는 처리가 수행되는 시추효율 매개변수 데이터 취득단계;
   상기 시추효율 매개변수 데이터 취득단계에서 취득된 각각의 상기 시추효율 매개변수에 대하여, 시추공 심도에 따른 굴진율과의 상관계수(correlation coefficient)를 산출하는 상관관계 분석 처리와, 랜덤 포레스트(Random Forest ; RF) 및 그레디언트 부스팅 트리(Gradient Boosting tree Method ; GBM)를 포함하는 머신러닝(Machine Learning) 지도학습 기법을 이용하여 굴진율 예측에 대한 각각의 상기 시추효율 매개변수의 영향도를 산출하는 중요도 분석 처리가 각각 수행되는 시추효율 매개변수 상관관계 및 중요도 분석단계;
   상기 시추효율 매개변수 상관관계 및 중요도 분석단계의 상관관계 분석 및 중요도 분석 결과에 근거하여, 미리 정해진 기준에 따라 상관관계와 영향력이 큰 변수를 입력변수로 선정하고 굴진율을 출력변수로 하여 학습데이터를 생성하며, 생성된 상기 학습데이터를 이용하여 복수의 머신러닝 지도학습 모델을 통해 학습을 행하는 처리가 수행되는 굴진율 예측 시추운전가이드 모델 학습단계;
   상기 굴진율 예측 시추운전가이드 모델 학습단계에서 학습된 각각의 머신러닝 지도학습 모델들의 학습결과를 비교하여 최적의 지도학습 모델을 선정하는 처리가 수행되는 굴진율 예측 시추운전가이드 모델 검증단계; 및
   상기 굴진율 예측 시추운전가이드 모델 검증단계의 검증결과에 근거하여 시추공 심도에 따른 굴진율을 예측하는 처리가 수행되는 굴진율 예측단계를 포함하여 구성되는 것을 특징으로 하는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법.
   
2. 제 1항에 있어서,
   상기 시추효율 매개변수는,
   시추깊이를 나타내는 시추공 심도(Depth), 시추비트에 가해지는 힘의 양을 나타내는 비트하중(Weight On Bit ; WOB), 시추비트의 분당 회전속도를 나타내는 비트회전속도(Rate Penetration Minute ; RPM), 시추공내 유체와 시추비트의 마찰로 인해 손실되는 총압력을 나타내는 스탠드파이프압력(Stand Pipe Pressure ; SPP), 시추공내 압력과 하중을 유지하기 위한 유량을 의미하는 이수유량(Flow rate) 및 시추비트를 회전시키기 위해 엔진에 걸리는 부하를 나타내는 토크(Torque)를 포함하여 구성되는 것을 특징으로 하는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법.
   
3. 삭제
4. 삭제
5. 제 2항에 있어서,
   상기 굴진율 예측 시추운전가이드 모델 학습단계는,
   상기 입력변수로서 시추공 심도(Deph), 비트하중(WOB), 비트회전속도(RPM), 스탠드파이프압력(SPP), 부하토크(Torque) 및 이수유량(Flow rate)을 사용하고, 머신러닝 지도학습 모델로서 Modified Bourgoyne & Young(MB & Y), 서포트 벡터 머신 회귀(Support vector machine regression ; SVM), 랜덤 포레스트(RF) 및 그레디언트 부스팅 트리(GBM)를 이용하여 각각 학습을 행하는 처리가 수행되도록 구성되는 것을 특징으로 하는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법.
   
6. 제 5항에 있어서,
   상기 굴진율 예측 시추운전가이드 모델 검증단계는,
   상기 굴진율 예측 시추운전가이드 모델 학습단계에서 학습된 각각의 지도학습 모델의 학습결과에 따른 예측 결과와 실제 자료의 절대 백분율 오차를 비교한 결과에 근거하여 최적의 머신러닝 지도학습 모델을 선정하는 처리가 수행되도록 구성되는 것을 특징으로 하는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법.
   
7. 제 6항에 있어서,
   상기 굴진율 예측단계는,
   상기 굴진율 예측 시추운전가이드 모델 검증단계에서 선정된 최적의 머신러닝 지도학습 모델을 굴진율 예측 시추운전가이드 모델로 선정하고, 선정된 상기 굴진율 예측 시추운전가이드 모델을 이용하여 시추공 심도에 따른 굴진율을 실시간으로 예측하는 처리가 수행되도록 구성되는 것을 특징으로 하는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법.
   
8. 제 7항에 있어서,
   상기 구축방법은,
   시추공의 심도가 증가함에 따라 상기 굴진율 예측단계에서 선정된 상기 굴진율 예측 시추운전가이드 모델의 예측성능이 미리 정해진 기준에 미치지 못할 경우, 상기 시추효율 매개변수 데이터 취득단계, 상기 시추효율 매개변수 상관관계 및 중요도 분석단계, 상기 굴진율 예측 시추운전가이드 모델 학습단계, 상기 굴진율 예측 시추운전가이드 모델 검증단계 및 상기 굴진율 예측단계의 처리를 반복 수행하여 개발 시추공에 적합한 시추운전가이드 모델을 재학습하는 것에 의해 굴진율 예측성능을 향상시키는 처리가 수행되는 재학습단계를 더 포함하여 구성됨으로써, 항상 일정 수준 이상의 예측성능을 유지할 수 있도록 구성되는 것을 특징으로 하는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법.
   
9. 제 8항에 있어서,
   상기 재학습단계는,
   상기 시추효율 매개변수 데이터 취득단계를 통하여 획득되는 데이터의 변경이 없을 경우, 상기 굴진율 예측 시추운전가이드 모델 검증단계 및 상기 굴진율 예측단계의 처리가 반복 수행되도록 구성되는 것을 특징으로 하는 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법.
   
10. 청구항 1항, 청구항 2항, 청구항 5항 내지 청구항 9항 중 어느 한 항에 기재된 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법을 컴퓨터나 전용의 하드웨어에 실행시키도록 구성된 프로그램이 기록된 컴퓨터에서 판독 가능한 기록매체.
    
11. 시추공 심도에 따른 굴진율을 실시간으로 예측하여 제공하도록 구성되는 굴진율 예측시스템에 있어서,
    시추작업시 굴진율에 관련된 시추효율 매개변수에 대한 데이터를 수집하는 처리가 수행되도록 이루어지는 모니터링부; 및
    상기 모니터링부를 통해 수집된 데이터에 근거하여 시추공 심도에 따른 굴진율을 실시간으로 예측하여 제공하는 처리가 수행되도록 이루어지는 굴진율 예측부를 포함하여 구성되고,
    상기 굴진율 예측부는,
    청구항 1항, 청구항 2항, 청구항 5항 내지 청구항 9항 중 어느 한 항에 기재된 머신러닝을 이용한 굴진율 예측 시추운전가이드 모델 구축방법을 이용하여 시추공 심도에 따른 굴진율을 실시간으로 예측하고 제공하는 처리가 수행되도록 구성되는 것을 특징으로 하는 굴진율 예측시스템.
    

Images