KR102612959B1 - System and method for predicting shale gas production based on deep learning - Google Patents
System and method for predicting shale gas production based on deep learning Download PDFInfo
- Publication number
- KR102612959B1 KR102612959B1 KR1020230041254A KR20230041254A KR102612959B1 KR 102612959 B1 KR102612959 B1 KR 102612959B1 KR 1020230041254 A KR1020230041254 A KR 1020230041254A KR 20230041254 A KR20230041254 A KR 20230041254A KR 102612959 B1 KR102612959 B1 KR 102612959B1
- Authority
- KR
- South Korea
- Prior art keywords
- gas production
- shale gas
- production
- history data
- time
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 391
- 238000013135 deep learning Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 230000000306 recurrent effect Effects 0.000 claims description 40
- 230000007423 decrease Effects 0.000 claims description 21
- 230000001186 cumulative effect Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims 1
- 239000003129 oil well Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 230000035699 permeability Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
Abstract
본 발명은 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법에 관한 것으로서, 특히 셰일가스 생산 이력 데이터 중 최대 일평균 가스 생산량 이전의 셰일가스 생산 이력 데이터를 제외시키는 전처리를 하고, 전처리된 데이터를 이용하여 순환신경망을 학습시켜 셰일가스 생산량 예측 모델을 생성하고, 생성된 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량을 예측하는 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법에 관한 것이다.The present invention relates to a deep learning-based shale gas production prediction system and method. In particular, preprocessing is performed to exclude shale gas production history data prior to the maximum daily average gas production among shale gas production history data, and circulation is performed using the preprocessed data. A neural network is trained to create a shale gas production prediction model, and the generated shale gas production prediction model includes production factors from (t-n) to (t-1) and (t-(n-1)) among the shale gas production history data. ~ This relates to a deep learning-based shale gas production prediction system and method that predicts monthly gas production at time t by inputting production well operation factors at time (t).
Description
본 발명은 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법에 관한 것으로서, 특히 셰일가스 생산 이력 데이터 중 최대 일평균 가스 생산량 이전의 셰일가스 생산 이력 데이터를 제외시키는 전처리를 하고, 전처리된 데이터를 이용하여 순환신경망을 학습시켜 셰일가스 생산량 예측 모델을 생성하고, 생성된 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량을 예측하는 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법에 관한 것이다.The present invention relates to a deep learning-based shale gas production prediction system and method. In particular, preprocessing is performed to exclude shale gas production history data prior to the maximum daily average gas production among shale gas production history data, and circulation is performed using the preprocessed data. A neural network is trained to create a shale gas production prediction model, and the generated shale gas production prediction model includes production factors from (t-n) to (t-1) and (t-(n-1)) among the shale gas production history data. ~ This relates to a deep learning-based shale gas production prediction system and method that predicts monthly gas production at time t by inputting production well operation factors at time (t).
비전통 자원인 셰일가스는 기존 전통 자원에 비해 투수성이 매우 낮고(0.001 md 미만), 넓은 지역에 자원이 분포하여 수평 시추와 다단계수압파쇄를 통해 생산한다. 셰일 자산평가 초기 단계에서는 상용 데이터베이스에서 확보가능한 자료 수준인 월간 생산량과 수압파쇄 정보를 활용해 정밀자산평가를 수행할 유망자산을 일차적으로 판별한다. 이 단계의 잔존가치평가는 제한된 자료로 인해 저류층 시뮬레이션 대신 감퇴 곡선 기법(decline curve analysis, DCA)으로 수행된다. Shale gas, an unconventional resource, has a very low permeability (less than 0.001 md) compared to existing traditional resources, and the resource is distributed over a wide area, so it is produced through horizontal drilling and multi-stage hydraulic fracturing. In the early stages of shale asset evaluation, promising assets for precise asset evaluation are initially identified using monthly production and hydraulic fracturing information, which is the level of data available in commercial databases. The residual value assessment at this stage is performed using decline curve analysis (DCA) instead of reservoir simulation due to limited data.
그러나, 셰일 자산은 낮은 투수율, 수압파쇄, 흡착 가스 생산으로 인해 기존의 전통 자원과 다른 생산 거동이 나타나고, 그에 따라 전통자원을 대상으로 1945년에 제안된 Arps의 DCA를 셰일 자산에 적용하여 평가하는 방식은 적합하지 않다. 셰일 자산의 특징을 반영한 DCA 개선기법이 제안되고 있지만, 기법 간 예측 결과의 차이가 크다. However, shale assets have different production behavior from existing traditional resources due to low permeability, hydraulic fracturing, and adsorbed gas production, and accordingly, Arps' DCA, proposed in 1945 for traditional resources, is applied to shale assets to evaluate them. The method is not suitable. Although DCA improvement techniques that reflect the characteristics of shale assets are being proposed, there is a large difference in prediction results between techniques.
따라서, 상용 데이터베이스에서 확보가능한 수준의 한정된 자료를 이용하여 딥러닝 기반 셰일가스 생산량 예측 모델을 개발할 필요가 있었다. Therefore, there was a need to develop a deep learning-based shale gas production prediction model using the limited data available in commercial databases.
따라서 본 발명은 상기와 같은 상황을 고려하여 이루어진 것으로서, 본 발명의 목적은 셰일가스 생산 이력 데이터를 전처리하여 셰일가스 생산량의 예측오차를 줄일 수 있는 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법을 제공하는 데에 있다.Therefore, the present invention was made in consideration of the above situation, and the purpose of the present invention is to provide a deep learning-based shale gas production prediction system and method that can reduce the prediction error of shale gas production by preprocessing shale gas production history data. It is there.
상기 목적을 달성하기 위해, 본 발명의 일 실시형태에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템은 셰일가스 생산 이력 데이터를 수집하여 전처리함으로써 딥러닝 학습에 적합한 셰일가스 생산 이력 데이터를 선별하도록 구성된 전처리부; 전처리된 상기 셰일가스 생산 이력 데이터를 입력받아 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 선택하여 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하도록 구성된 예측 모델 생성부; 및 생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하도록 구성된 셰일가스 생산량 예측부;를 포함하는 것을 특징으로 한다.In order to achieve the above object, the deep learning-based shale gas production prediction system according to an embodiment of the present invention includes a preprocessing unit configured to select shale gas production history data suitable for deep learning learning by collecting and preprocessing shale gas production history data. ; The preprocessed shale gas production history data is input, and the production factor from (t-n) to (t-1) and the production well operation factor from (t-(n-1)) to (t) are calculated from the shale gas production history data. A prediction model generator configured to generate a shale gas production prediction model by selecting and inputting it into the input layer of the recurrent neural network, and inputting the monthly gas production factor at time t among the shale gas production history data into the output layer of the recurrent neural network and learning it; And, among the shale gas production history data, the production factor from time (t-n) to (t-1) and the production well operation factor from time (t-(n-1)) to (t) are added to the generated shale gas production prediction model. It is characterized by including a shale gas production forecasting unit configured to calculate the monthly gas production forecast value at time t by inputting it.
상기 일 실시형태에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템은 상기 전처리부에 의해 전처리된 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 월간 가스 생산량 인자를 입력받아 다음의 [수학식 1]에 의해 계산하여 감퇴율을 산출하고, 산출된 감퇴율 데이터를 상기 순환신경망의 입력층에 추가로 입력시키도록 구성된 감퇴율 산출부를 더 포함하며, 이때, 상기 예측 모델 생성부는 상기 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자, 및 감퇴율 데이터를 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성할 수 있다.The deep learning-based shale gas production prediction system according to the above embodiment receives the monthly gas production factor from (t-n) to (t-1) among the shale gas production history data preprocessed by the preprocessor and calculates the following [mathematics] It further includes a decay rate calculation unit configured to calculate the decay rate by calculating according to [Equation 1] and to additionally input the calculated decay rate data into the input layer of the recurrent neural network, wherein the prediction model generator generates the shale gas Among the production history data, input the production factors from (t-n) to (t-1), the production well operation factors from (t-(n-1)) to (t), and the decline rate data into the input layer of the recurrent neural network. In addition, a shale gas production prediction model can be created by inputting the monthly gas production factor at time t among the shale gas production history data into the output layer of the recurrent neural network and learning it.
[수학식 1][Equation 1]
[여기서, D는 감퇴율을 나타내며, q는 (t-n) ~ (t-1) 시점의 생산량 인자 중 최대 셰일가스 생산량을 나타내며, △t는 q에 해당하는 시점과 복수 개월 내 각 셰일가스 생산 시점의 변화량을 나타내며, △q는 q와 복수 개월 내 각 셰일가스 생산량의 변화량을 나타냄][Here, D represents the decline rate, q represents the maximum shale gas production among production factors from (t-n) to (t-1), and △t represents the time corresponding to q and each shale gas production time within multiple months. represents the amount of change, and △q represents q and the amount of change in each shale gas production within multiple months]
상기 일 실시형태에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템에 있어서, 상기 전처리부는 수집된 셰일가스 생산 이력 데이터에서 최대 일평균 가스 생산량 이전의 생산 이력 데이터를 제외시키도록 구성될 수 있다.In the deep learning-based shale gas production prediction system according to the above embodiment, the preprocessor may be configured to exclude production history data before the maximum daily average gas production from the collected shale gas production history data.
상기 일 실시형태에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템에 있어서, 상기 예측 모델 생성부의 입력층에 입력되는 셰일가스 생산 이력 데이터의 인자는 월간 가스 생산량, 일 평균 가스 생산량 및 누적 가스 생산량을 포함하는 (t-n) ~ (t-1) 시점의 생산량 인자와, 월간 생산시간 및 누적 생산시간을 포함하는 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 포함하거나, 또는 월간 가스 생산량, 일 평균 가스 생산량, 누적 가스 생산량 및 감퇴율을 포함하는 (t-n) ~ (t-1) 시점의 생산량 인자와, 월간 생산시간 및 누적 생산시간을 포함하는 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 포함할 수 있다.In the deep learning-based shale gas production prediction system according to the above embodiment, the factors of shale gas production history data input to the input layer of the prediction model generator include monthly gas production, daily average gas production, and cumulative gas production. Includes production factors from (t-n) to (t-1) and production well operation factors from (t-(n-1)) to (t) including monthly production hours and cumulative production hours, or monthly Production factors from (t-n) to (t-1) including gas production, daily average gas production, cumulative gas production and decay rate, and (t-(n-1) including monthly production time and cumulative production time. ) to (t) may include production well operation factors.
상기 목적을 달성하기 위해, 본 발명의 다른 실시형태에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템을 이용한 딥러닝 기반 셰일가스 생산량 예측 방법은 전처리부가 셰일가스 생산 이력 데이터를 수집하여 전처리함으로써 딥러닝 학습에 적합한 셰일가스 생산 이력 데이터를 선별하는 단계; 예측 모델 생성부가 전처리된 상기 셰일가스 생산 이력 데이터를 입력받아 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 선택하여 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하는 단계; 및 셰일가스 생산량 예측부가 생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하는 단계;를 포함하는 것을 특징으로 한다.In order to achieve the above objective, the deep learning-based shale gas production prediction method using the deep learning-based shale gas production prediction system according to another embodiment of the present invention involves the preprocessing unit collecting and preprocessing shale gas production history data for deep learning learning. Selecting suitable shale gas production history data; The prediction model generation unit receives the preprocessed shale gas production history data and calculates the production factor from the shale gas production history data at time points (t-n) to (t-1) and the Creating a shale gas production prediction model by selecting production well operation factors and inputting them into the input layer of a recurrent neural network, and inputting monthly gas production factors at time t from the shale gas production history data into the output layer of the recurrent neural network and learning them; And the production factor at time (t-n) to (t-1) and the time (t-(n-1)) to (t) among the shale gas production history data in the shale gas production prediction model created by the shale gas production prediction unit. It is characterized in that it includes a step of calculating a monthly gas production forecast value at time t by inputting production well operation factors.
상기 목적을 달성하기 위해, 본 발명의 또 다른 실시형태에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템을 이용한 딥러닝 기반 셰일가스 생산량 예측 방법은 전처리부가 셰일가스 생산 이력 데이터를 수집하여 전처리함으로써 딥러닝 학습에 적합한 셰일가스 생산 이력 데이터를 선별하는 단계; 감퇴율 산출부가 전처리된 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 월간 가스 생산량 인자를 입력받아 다음의 [수학식 1]에 의해 계산하여 감퇴율을 산출하는 단계; 예측 모델 생성부가 전처리된 상기 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자, 및 감퇴율 데이터를 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하는 단계; 및 셰일가스 생산량 예측부가 생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하는 단계;를 포함하는 것을 특징으로 한다.In order to achieve the above object, the deep learning-based shale gas production prediction method using the deep learning-based shale gas production prediction system according to another embodiment of the present invention involves the preprocessing unit collecting and preprocessing shale gas production history data to perform deep learning learning. Selecting shale gas production history data suitable for; A step where the decline rate calculation unit receives monthly gas production factors from the preprocessed shale gas production history data from (t-n) to (t-1) and calculates the decline rate by calculating the following [Equation 1]; Among the shale gas production history data preprocessed by the prediction model generation unit, production factors from time points (t-n) to (t-1), production well operation factors from time points (t-(n-1)) to (t), and decline rate Generating a shale gas production prediction model by inputting data into an input layer of a recurrent neural network and learning the monthly gas production factor at time t among the shale gas production history data by inputting it into an output layer of the recurrent neural network; And the production factor at time (t-n) to (t-1) and the time (t-(n-1)) to (t) among the shale gas production history data in the shale gas production prediction model created by the shale gas production prediction unit. It is characterized in that it includes a step of calculating a monthly gas production forecast value at time t by inputting production well operation factors.
[수학식 1][Equation 1]
[여기서, D는 감퇴율을 나타내며, q는 (t-n) ~ (t-1) 시점의 생산량 인자 중 최대 셰일가스 생산량을 나타내며, △t는 q에 해당하는 시점과 복수 개월 내 각 셰일가스 생산 시점의 변화량을 나타내며, △q는 q와 복수 개월 내 각 셰일가스 생산량의 변화량을 나타냄][Here, D represents the decline rate, q represents the maximum shale gas production among production factors from (t-n) to (t-1), and △t represents the time corresponding to q and each shale gas production time within multiple months. represents the amount of change, and △q represents q and the amount of change in each shale gas production within multiple months]
본 발명의 실시형태에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법에 의하면, 셰일가스 생산 이력 데이터를 수집하여 전처리함으로써 딥러닝 학습에 적합한 셰일가스 생산 이력 데이터를 선별하고; 전처리된 상기 셰일가스 생산 이력 데이터를 입력받아 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 선택하여 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하고; 생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하도록 구성됨으로써, 셰일가스 생산 이력 데이터를 전처리하여 셰일가스 생산량의 예측오차를 줄일 수 있다는 뛰어난 효과가 있다.According to the deep learning-based shale gas production prediction system and method according to an embodiment of the present invention, shale gas production history data suitable for deep learning learning is selected by collecting and preprocessing shale gas production history data; The preprocessed shale gas production history data is input, and the production factor from (t-n) to (t-1) and the production well operation factor from (t-(n-1)) to (t) are calculated from the shale gas production history data. Select and input into the input layer of the recurrent neural network, and input the monthly gas production factor at time t among the shale gas production history data into the output layer of the recurrent neural network and learn it to create a shale gas production prediction model; Enter the production factors from (t-n) to (t-1) and the production well operation factors from (t-(n-1)) to (t) among the shale gas production history data into the generated shale gas production prediction model. By being configured to calculate the monthly gas production forecast at time t, there is an excellent effect of reducing the prediction error of shale gas production by preprocessing the shale gas production history data.
도 1은 본 발명의 실시예에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템의 블록 구성도이다.
도 2는 본 발명의 실시예에 의한 딥러닝 기반 셰일가스 생산량 예측 방법을 설명하기 위한 플로우챠트이다.
도 3은 도 1의 예측 모델 생성부의 순환신경망 입력층에 입력되는 입력 데이터의 인자를 나타낸 도면이다.
도 4는 도 2의 스텝(S200)에 대한 상세 플로우챠트이다.
도 5는 도 4의 스텝(S260)을 설명하기 위한 그래프이다.
도 6은 도 4의 스텝(S260)에 의한 효과를 설명하기 위한 그래프이다.
도 7은 도 1의 예측 모델 생성부에서 순환신경망의 출력층에 사용되는 데이터의 인자를 선정하기 위해 사용되는 상관 관계도이다.
도 8은 도 1의 예측 모델 생성부에서 순환신경망의 입력층에 감퇴율 데이터를 사용했을 때의 예측 신뢰도 개선 효과를 나타낸 도면이다. Figure 1 is a block diagram of a deep learning-based shale gas production prediction system according to an embodiment of the present invention.
Figure 2 is a flow chart to explain the deep learning-based shale gas production prediction method according to an embodiment of the present invention.
FIG. 3 is a diagram showing factors of input data input to the recurrent neural network input layer of the prediction model generator of FIG. 1.
FIG. 4 is a detailed flowchart of step S200 of FIG. 2.
FIG. 5 is a graph for explaining step S260 of FIG. 4.
FIG. 6 is a graph for explaining the effect of step S260 of FIG. 4.
FIG. 7 is a correlation diagram used to select data factors used in the output layer of the recurrent neural network in the prediction model generator of FIG. 1.
Figure 8 is a diagram showing the effect of improving prediction reliability when decay rate data is used in the input layer of the recurrent neural network in the prediction model generator of Figure 1.
본 발명의 실시예를 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예를 기술하기 위한 것이며, 결코 제한적으로 해석되어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하는 것으로 해석되어서는 안 된다.In describing embodiments of the present invention, if it is determined that a detailed description of the known technology related to the present invention may unnecessarily obscure the gist of the present invention, the detailed description will be omitted. The terms described below are defined in consideration of the functions in the present invention, and may vary depending on the intention or custom of the user or operator. Therefore, the definition should be made based on the contents throughout this specification. The terms used in the detailed description are only for describing embodiments of the present invention and should in no way be construed as limiting. Unless explicitly stated otherwise, singular forms include plural meanings. In this description, expressions such as “comprising” or “comprising” are intended to indicate certain features, numbers, steps, operations, elements, parts or combinations thereof, and one or more than those described. It should not be construed to exclude the existence or possibility of any other characteristic, number, step, operation, element, or part or combination thereof.
도면에서 도시된 각 시스템에서, 몇몇 경우에서의 요소는 각각 동일한 참조 번호 또는 상이한 참조 번호를 가져서 표현된 요소가 상이하거나 유사할 수가 있음을 시사할 수 있다. 그러나 요소는 상이한 구현을 가지고 본 명세서에서 보여지거나 기술된 시스템 중 몇몇 또는 전부와 작동할 수 있다. 도면에서 도시된 다양한 요소는 동일하거나 상이할 수 있다. 어느 것이 제1 요소로 지칭되는지 및 어느 것이 제2 요소로 불리는지는 임의적이다.In each system shown in the drawings, elements in some cases may each have the same reference number or different reference numbers, indicating that the elements represented may be different or similar. However, elements may have different implementations and operate with any or all of the systems shown or described herein. Various elements shown in the drawings may be the same or different. Which is called the first element and which is called the second element is arbitrary.
본 명세서에서 어느 하나의 구성요소가 다른 구성요소로 자료 또는 신호를 '전송', '전달' 또는 '제공'한다 함은 어느 한 구성요소가 다른 구성요소로 직접 자료 또는 신호를 전송하는 것은 물론, 적어도 하나의 또 다른 구성요소를 통하여 자료 또는 신호를 다른 구성요소로 전송하는 것을 포함한다.In this specification, when one component 'transmits', 'delivers', or 'provides' data or signals to another component, it means that one component transmits data or signals directly to another component. It involves transmitting data or signals to another component through at least one other component.
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 딥러닝 기반 셰일가스 생산량 예측 시스템의 블록 구성도이다.Figure 1 is a block diagram of a deep learning-based shale gas production prediction system according to an embodiment of the present invention.
본 발명의 실시예에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템은, 도 1에 도시된 바와 같이, 전처리부(100), 감퇴율 산출부(200), 예측 모델 생성부(300), 및 셰일가스 생산량 예측부(400)를 포함한다.As shown in FIG. 1, the deep learning-based shale gas production prediction system according to an embodiment of the present invention includes a preprocessing unit 100, a decline rate calculation unit 200, a prediction model generation unit 300, and a shale gas Includes a production prediction unit 400.
전처리부(100)는 셰일가스 생산 이력 데이터를 수집하고 수집된 셰일가스 생산 이력 데이터를 전처리하여 셰일가스 생산 이력 데이터의 수를 감소시키는 역할을 한다.The preprocessing unit 100 collects shale gas production history data and preprocesses the collected shale gas production history data to reduce the number of shale gas production history data.
전처리부(100)에 의한 전처리 과정에 대해 도 4를 참조하여 설명하기로 한다.The pre-processing process by the pre-processing unit 100 will be described with reference to FIG. 4.
스텝(S220 ~ S260) 각각은 개별적으로 수행되거나, 함께 수행될 수 있다. Each of the steps (S220 to S260) can be performed individually or together.
스텝(S260)은 필수적인 과정이며, 스텝(S220 ~ S250)은 선택적인 과정이다. 모든 스텝(S220 ~ S260)을 함께 수행할 경우, 딥러닝 학습에 적합한 셰일가스 생산이력 데이터를 효과적으로 선별할 수 있다.Step (S260) is an essential process, and steps (S220 to S250) are optional processes. If all steps (S220 to S260) are performed together, shale gas production history data suitable for deep learning learning can be effectively selected.
먼저, 전처리부(100)는 수집된 셰일가스 생산 이력 데이터에서 다단계 수압 파쇄를 수행하지 않은 단일 스테이지 유정의 데이터를 제외시킨다(S220).First, the preprocessing unit 100 excludes data from single-stage wells that did not perform multi-stage hydraulic fracturing from the collected shale gas production history data (S220).
다음, 전처리부(100)가 스텝(S220)에 의해 단일 스테이지 유정 데이터가 제외된 셰일가스 생산 이력 데이터에서 완결 연도가 설정 기간 이전 유정의 데이터를 제외시킨다(S230).Next, the preprocessor 100 excludes the data of wells whose completion year is before the set period from the shale gas production history data from which the single-stage well data is excluded in step S220 (S230).
다음, 전처리부(100)가 스텝(S230)에 의해 설정 기간 이전 유정의 데이터가 제외된 셰일가스 생산 이력 데이터에서 생산시간이 "0"인데 생산량이 존재하는 유정의 데이터(노이즈 데이터)를 제외시킨다(S240).Next, the preprocessor 100 excludes data (noise data) from wells with production time of "0" from the shale gas production history data from which data from wells before the set period is excluded in step S230. (S240).
다음, 전처리부(100)가 스텝(S240)에 의해 생산시간이 "0"인데 생산량이 존재하는 유정의 데이터가 제외된 셰일가스 생산 이력 데이터에서 일시적으로 생산을 중단하는 기간(예컨대, 월 생산시간이 24시간 미만 또는 월간 생산량이 100E3m3 인 기간)인 셧인 구간(shut in)의 생산이력 데이터를 제외시킨다(S250).Next, the pre-processing unit 100 determines the period during which production is temporarily suspended (e.g., monthly production time) in the shale gas production history data in which the production time is "0" but the data of the well with production is excluded at step S240. Production history data of the shut-in section (a period of less than 24 hours or a period when monthly production is 100E3m 3 ) is excluded (S250).
다음, 전처리부(100)가 스텝(S250)에 의해 셧인 구간의 생산이력 데이터가 제외된 셰일가스 생산 이력 데이터에서 최대 일평균 가스 생산량(Peak Avg Gas) 이전의 생산 이력 데이터를 제외시킨다(S260)(도 5 참조). 최대 일평균 가스 생산량은 일평균 가스 생산량(Avg Dly Gas) 중 피크값을 의미한다. Next, the preprocessor 100 excludes the production history data before the maximum daily average gas production (Peak Avg Gas) from the shale gas production history data excluding the production history data of the shut-in section at step S250 (S260). (See Figure 5). Maximum daily average gas production refers to the peak value among daily average gas production (Avg Dly Gas).
도 6은 스텝(S260)에 의한 효과를 설명하기 위한 그래프로서, 세로축은 셰일가스 생산량 예측 평균제곱오차(mean squared error, MSE)이며, 가로축은 케이스를 나타낸다. Figure 6 is a graph to explain the effect of step (S260), where the vertical axis represents the mean squared error (MSE) of predicting shale gas production, and the horizontal axis represents cases.
스텝(S260)의 전처리 과정을 수행했을 경우, 스텝(S260)의 전처리 과정을 처리하기 전의 그래프에 비해 케이스 1에서는 14.5%의 오차 감소를 확인할 수 있고, 케이스 6에서는 13.7%의 오차 감소를 확인할 수 있다.When the preprocessing process of step (S260) is performed, an error reduction of 14.5% can be confirmed in case 1 and an error reduction of 13.7% in case 6 can be confirmed compared to the graph before the preprocessing process of step (S260). there is.
감퇴율 산출부(200)는 전처리부(100)에 의해 전처리된 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 월간 가스 생산량 인자를 입력받아 다음의 [수학식 1]에 의해 계산하여 감퇴율을 산출하는 역할을 한다.The decay rate calculation unit 200 receives the monthly gas production factor from the shale gas production history data preprocessed by the preprocessing unit 100 from (t-n) to (t-1) and calculates the monthly gas production factor by the following [Equation 1]. It plays a role in calculating the decline rate.
[수학식 1][Equation 1]
[여기서, D는 감퇴율을 나타내며, q는 (t-n) ~ (t-1) 시점의 생산량 인자 중 최대 셰일가스 생산량을 나타내며, △t는 q에 해당하는 시점과 복수 개월 내 각 셰일가스 생산 시점의 변화량을 나타내며, △q는 q와 복수 개월 내 각 셰일가스 생산량의 변화량을 나타냄][Here, D represents the decline rate, q represents the maximum shale gas production among production factors from (t-n) to (t-1), and △t represents the time corresponding to q and each shale gas production time within multiple months. represents the amount of change, and △q represents q and the amount of change in each shale gas production within multiple months]
도 8에 도시된 바와 같이, 166개의 테스트 유정을 통해 검증해본 결과, 예측 모델 생성부(300)에서 순환신경망의 입력층에 감퇴율 데이터를 사용했을 경우는 감퇴율 데이터를 사용하지 않은 경우에 비해, 최종 누적 생산량 상대오차의 평균이 11.73% 감소하고, 오차 분산은 15.93% 감소함을 알 수 있다. 즉, 감퇴율 데이터를 순환신경망의 입력데이터로 사용할 경우, 예측 신뢰도 개선 효과를 얻을 수 있음을 알 수 있다.As shown in FIG. 8, as a result of verification through 166 test wells, when the prediction model generator 300 used decay rate data in the input layer of the recurrent neural network, compared to the case where decay rate data was not used, , it can be seen that the average of the final cumulative production relative error decreases by 11.73%, and the error variance decreases by 15.93%. In other words, it can be seen that when decay rate data is used as input data for a recurrent neural network, the effect of improving prediction reliability can be obtained.
예측 모델 생성부(300)는 전처리부(100)에 의해 전처리된 셰일가스 생산 이력 데이터를 입력받아 이 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자(예컨대, 3월, 4월 및 5월의 3개월의 생산량 인자와 4월, 5월 및 6월의 3개월의 생산정 운영인자)를 선택하여 순환신경망의 입력층에 입력하고, 셰일가스 생산 이력 데이터 중 t 시점(예컨대, 6월)의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성할 수 있다.The prediction model generator 300 receives the shale gas production history data preprocessed by the preprocessing unit 100, and outputs the production factor at the time (t-n) to (t-1) and (t-() among the shale gas production history data. Production well operation factors at time n-1)) to (t) (e.g., production well operation factors for the three months of March, April, and May and production well operation factors for the three months of April, May, and June) You can create a shale gas production prediction model by selecting and inputting into the input layer of the recurrent neural network, and inputting the monthly gas production factor at time t (e.g., June) from the shale gas production history data into the output layer of the recurrent neural network and learning it. there is.
한편, 예측 모델 생성부(300)는 전처리부(100)에 의해 전처리된 이 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자(예컨대, 3월, 4월 및 5월의 3개월의 생산량 인자와 4월, 5월 및 6월의 3개월의 생산정 운영인자) 및 감퇴율 산출부(200)에 의해 산출된 감퇴율 데이터를 순환신경망의 입력층에 입력하고, 셰일가스 생산 이력 데이터 중 t 시점(예컨대, 6월)의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성할 수 있다. 위에서 설명한 바와 같이, 감퇴율 데이터를 순환신경망의 입력데이터로 사용할 경우, 사용하지 않을 경우에 비해 예측 신뢰도 개선 효과를 얻을 수 있다.Meanwhile, the prediction model generator 300 generates production factors from (t-n) to (t-1) and (t-(n-1)) to shale gas production history data preprocessed by the preprocessor 100. (t) Production well operation factors at the time (e.g., production well operation factors for the three months of March, April, and May and production well operation factors for the three months of April, May, and June) and decline rate calculation unit ( Shale gas is learned by inputting the decay rate data calculated by 200) into the input layer of the recurrent neural network, and inputting the monthly gas production factor at point t (e.g., June) from the shale gas production history data into the output layer of the recurrent neural network. A production prediction model can be created. As explained above, when decay rate data is used as input data for a recurrent neural network, prediction reliability can be improved compared to when it is not used.
예측 모델 생성부(300)의 순환신경망 입력층에 입력되는 셰일가스 생산 이력 데이터의 인자는, 도 3에 도시된 바와 같이, (t-n) ~ (t-1) 시점의 생산량 인자로서, 월간 가스 생산량, 일 평균 가스 생산량 및 누적 가스 생산량이 포함되며, (t-(n-1)) ~ (t) 시점의 생산정 운영 인자로서 월간 생산시간 및 누적 생산시간이 포함될 수 있다(케이스 6).As shown in FIG. 3, the factors of the shale gas production history data input to the recurrent neural network input layer of the prediction model generator 300 are production factors from (t-n) to (t-1), and are monthly gas production factors. , daily average gas production and cumulative gas production are included, and monthly production time and cumulative production time can be included as production well operation factors from (t-(n-1)) to (t) (Case 6).
한편, 예측 모델 생성부(300)의 순환신경망 입력층에 입력되는 셰일가스 생산 이력 데이터의 인자는, 또한 (t-n) ~ (t-1) 시점의 생산량 인자로서 월간 가스 생산량, 일 평균 가스 생산량, 누적 가스 생산량 및 감퇴율이 포함될 수 있으며, (t-(n-1)) ~ (t) 시점의 생산정 운영 인자로서 월간 생산시간 및 누적 생산시간이 포함될 수 있다(케이스 6+D).Meanwhile, the factors of the shale gas production history data input to the recurrent neural network input layer of the prediction model generator 300 are also production factors from (t-n) to (t-1), including monthly gas production, daily average gas production, Cumulative gas production and decline rate may be included, and monthly production time and cumulative production time may be included as production well operation factors from (t-(n-1)) to (t) (Case 6+D).
예측 모델 생성부(300)의 순환신경망 출력층에 입력되는 셰일가스 생산 이력 데이터의 인자는, 도 7에 도시된 바와 같이, 셰일가스 생산 이력 데이터의 인자 중 모든 인자와 상관관계가 가장 높은 인자[예컨대, 월간 가스 생산량(Monthly Gas]를 선택함을 알 수 있다. 이 경우, 순환신경망에서 입, 출력 데이터 간의 상관관계가 높기 때문에 예측 정확도가 우수한 셰일가스 생산량 예측 모델을 얻을 수 있다.As shown in FIG. 7, the factors of the shale gas production history data input to the recurrent neural network output layer of the prediction model generator 300 are the factors that have the highest correlation with all factors among the factors of the shale gas production history data [e.g. , it can be seen that [Monthly Gas] is selected. In this case, since the correlation between input and output data in the recurrent neural network is high, a shale gas production prediction model with excellent prediction accuracy can be obtained.
셰일가스 생산량 예측부(400)는 예측 모델 생성부(300)에 의해 생성된 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자[전처리부(100)와 동일한 방식으로 전처리된 셰일가스 생산 이력 데이터의 인자]를 입력시켜 셰일가스 생산량 예측값을 산출하는 역할을 한다. The shale gas production prediction unit 400 inputs the shale gas production prediction model generated by the prediction model generation unit 300 into the production factor and (t-( It serves to calculate the shale gas production forecast value by inputting the production well operation factors (factors of shale gas production history data preprocessed in the same way as the preprocessing unit 100) at the time point n-1)) to (t).
한편, 셰일가스 생산량 예측부(400)는 예측 모델 생성부(300)에 의해 생성된 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자[전처리부(100)와 동일한 방식으로 전처리된 셰일가스 생산 이력 데이터의 인자]와 감퇴율을 입력시켜 t 시점의 셰일가스 생산량 예측값을 산출할 수 있다.Meanwhile, the shale gas production prediction unit 400 includes the production factor and (t) at time (t-n) to (t-1) among the shale gas production history data in the shale gas production prediction model generated by the prediction model generation unit 300. -(n-1)) ~ (t) Production well operation factors (factors of shale gas production history data preprocessed in the same way as the preprocessing unit 100) and decay rate are entered to obtain the shale gas production forecast value at time t. can be calculated.
상기와 같이 구성된 본 발명의 실시예에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템을 이용한 딥러닝 기반 셰일가스 생산량 예측 방법을 설명하기로 한다.We will now describe a deep learning-based shale gas production prediction method using the deep learning-based shale gas production prediction system according to an embodiment of the present invention configured as described above.
도 2는 본 발명의 실시예에 의한 딥러닝 기반 셰일가스 생산량 예측 방법을 설명하기 위한 플로우챠트로서, 여기서 S는 스텝(step)을 나타낸다.Figure 2 is a flow chart to explain a deep learning-based shale gas production prediction method according to an embodiment of the present invention, where S represents a step.
[제 1 실시예][First Example]
먼저, 전처리부(100)가 셰일가스 생산 이력 데이터를 수집하고(S100), 수집된 셰일가스 생산 이력 데이터를 전처리함으로써 딥러닝 학습에 적합한 셰일가스 생산 이력 데이터를 선별한다(S200). 전처리 과정에 대해서는 위에 설명되어 있다.First, the preprocessing unit 100 collects shale gas production history data (S100) and selects shale gas production history data suitable for deep learning learning by preprocessing the collected shale gas production history data (S200). The preprocessing process is described above.
다음, 예측 모델 생성부(300)가 스텝(S200)에서 전처리된 셰일가스 생산 이력 데이터를 입력받아 이 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자(예컨대, 3월, 4월 및 5월의 3개월의 생산량 인자와 4월, 5월 및 6월의 3개월의 생산정 운영인자)를 선택하여 순환신경망의 입력층에 입력하고, 셰일가스 생산 이력 데이터 중 t 시점(예컨대, 6월)의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성한다(S400).Next, the prediction model generator 300 receives the shale gas production history data preprocessed in step S200, and among the shale gas production history data, the production factor at the time (t-n) to (t-1) and (t-( Production well operation factors at time n-1)) to (t) (e.g., production well operation factors for the three months of March, April, and May and production well operation factors for the three months of April, May, and June) Select and input it into the input layer of the recurrent neural network, and input the monthly gas production factor at time t (e.g., June) among the shale gas production history data into the output layer of the recurrent neural network and learn it to create a shale gas production prediction model ( S400).
다음, 셰일가스 생산량 예측부(400)가 스텝(S400)에서 생성된 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 셰일가스 생산량 예측값을 산출한다(S500).Next, the shale gas production prediction unit 400 enters the shale gas production prediction model generated in step S400, including the production factor and (t-(n-) at the time (t-n) to (t-1) among the shale gas production history data. 1)) Enter the production well operation factors from time (t) to calculate the predicted shale gas production value (S500).
[제 2 실시예][Second Embodiment]
먼저, 전처리부(100)가 셰일가스 생산 이력 데이터를 수집하고(S100), 수집된 셰일가스 생산 이력 데이터를 전처리함으로써 딥러닝 학습에 적합한 셰일가스 생산 이력 데이터를 선별한다(S200). 전처리 과정에 대해서는 위에 설명되어 있다.First, the preprocessing unit 100 collects shale gas production history data (S100) and selects shale gas production history data suitable for deep learning learning by preprocessing the collected shale gas production history data (S200). The preprocessing process is described above.
다음, 감퇴율 산출부(200)가 스텝(S200)에서 전처리된 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 월간 가스 생산량 인자를 입력받아 다음의 [수학식 1]에 의해 계산하여 감퇴율을 산출한다(S300).Next, the decay rate calculation unit 200 receives the monthly gas production factor from the shale gas production history data preprocessed in step S200 from (t-n) to (t-1) and calculates it by the following [Equation 1] Calculate the decay rate (S300).
[수학식 1][Equation 1]
[여기서, D는 감퇴율을 나타내며, q는 (t-n) ~ (t-1) 시점의 생산량 인자 중 최대 셰일가스 생산량을 나타내며, △t는 q에 해당하는 시점과 복수 개월 내 각 셰일가스 생산 시점의 변화량을 나타내며, △q는 q와 복수 개월 내 각 셰일가스 생산량의 변화량을 나타냄][Here, D represents the decline rate, q represents the maximum shale gas production among production factors from (t-n) to (t-1), and △t represents the time corresponding to q and each shale gas production time within multiple months. represents the amount of change, and △q represents q and the amount of change in each shale gas production within multiple months]
다음, 예측 모델 생성부(300)가 스텝(S200)에서 전처리된 셰일가스 생산 이력 데이터를 입력받아 이 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자(예컨대, 3월, 4월 및 5월의 3개월의 생산량 인자와 4월, 5월 및 6월의 3개월의 생산정 운영인자) 및 상기 스텝(S300)에서 산출된 감퇴율 데이터를 순환신경망의 입력층에 입력하고, 셰일가스 생산 이력 데이터 중 t 시점(예컨대, 6월)의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성한다(S400).Next, the prediction model generator 300 receives the shale gas production history data preprocessed in step S200, and among the shale gas production history data, the production factor at the time (t-n) to (t-1) and (t-( Production well operation factors at time n-1)) to (t) (e.g., production well operation factors for the three months of March, April, and May and production well operation factors for the three months of April, May, and June) And the decay rate data calculated in the step (S300) is input to the input layer of the recurrent neural network, and the monthly gas production factor at time t (e.g., June) among the shale gas production history data is input to the output layer of the recurrent neural network for learning. By doing this, a shale gas production prediction model is created (S400).
다음, 셰일가스 생산량 예측부(400)가 스텝(S400)에서 생성된 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자, 및 감퇴율 데이터를 입력시켜 셰일가스 생산량 예측값을 산출한다(S500).Next, the shale gas production prediction unit 400 enters the shale gas production prediction model generated in step S400 with the production factors from (t-n) to (t-1) among the shale gas production history data and (t-(n-). 1)) Enter the production well operation factors and decay rate data from time (t) to calculate the shale gas production forecast value (S500).
본 발명의 실시예에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법에 의하면, 셰일가스 생산 이력 데이터를 수집하여 전처리함으로써 딥러닝 학습에 적합한 셰일가스 생산 이력 데이터를 선별하고; 전처리된 상기 셰일가스 생산 이력 데이터를 입력받아 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 선택하여 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하고; 생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하도록 구성됨으로써, 셰일가스 생산 이력 데이터를 전처리하여 셰일가스 생산량의 예측오차를 줄일 수 있다.According to the deep learning-based shale gas production prediction system and method according to an embodiment of the present invention, shale gas production history data suitable for deep learning learning is selected by collecting and preprocessing shale gas production history data; The preprocessed shale gas production history data is input, and the production factor from (t-n) to (t-1) and the production well operation factor from (t-(n-1)) to (t) are calculated from the shale gas production history data. Select and input into the input layer of the recurrent neural network, and input the monthly gas production factor at time t among the shale gas production history data into the output layer of the recurrent neural network and learn it to create a shale gas production prediction model; Enter the production factors from (t-n) to (t-1) and the production well operation factors from (t-(n-1)) to (t) among the shale gas production history data into the generated shale gas production prediction model. By calculating the monthly gas production forecast at time t, the prediction error of shale gas production can be reduced by preprocessing the shale gas production history data.
도면과 명세서에는 최적의 실시예가 개시되었으며, 특정한 용어들이 사용되었으나 이는 단지 본 발명의 실시형태를 설명하기 위한 목적으로 사용된 것이지 의미를 한정하거나 특허 청구범위에 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.Optimal embodiments are disclosed in the drawings and specifications, and specific terms are used, but these are used only for the purpose of describing embodiments of the present invention, and are used to limit the meaning or limit the scope of the present invention described in the patent claims. It didn't happen. Therefore, those skilled in the art will understand that various modifications and other equivalent embodiments are possible. Therefore, the true technical protection scope of the present invention should be determined by the technical spirit of the attached patent claims.
100: 전처리부
200: 감퇴율 산출부
300: 예측 모델 생성부
400: 셰일가스 생산량 예측부100: Preprocessing unit
200: Decline rate calculation unit
300: Prediction model generation unit
400: Shale gas production prediction unit
Claims (8)
전처리된 상기 셰일가스 생산 이력 데이터를 입력받아 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 선택하여 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하도록 구성된 예측 모델 생성부(300); 및
생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하도록 구성된 셰일가스 생산량 예측부(400);를 포함하는 딥러닝 기반 셰일가스 생산량 예측 시스템.
A preprocessing unit 100 configured to collect and preprocess shale gas production history data to select shale gas production history data for use in deep learning learning;
The pre-processed shale gas production history data is input, and the production factor from (tn) to (t-1) and the production well operation factor from (t-(n-1)) to (t) are calculated from the shale gas production history data. Select and input it into the input layer of the recurrent neural network, and input the monthly gas production factor at time t among the shale gas production history data into the output layer of the recurrent neural network to learn it, thereby generating a shale gas production prediction model. A prediction model generator ( 300); and
Enter the production factors from (tn) to (t-1) and the production well operation factors from (t-(n-1)) to (t) among the shale gas production history data into the generated shale gas production prediction model. A deep learning-based shale gas production prediction system including a shale gas production prediction unit 400 configured to calculate the monthly gas production forecast value at time t.
상기 전처리부(100)에 의해 전처리된 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 월간 가스 생산량 인자를 입력받아 다음의 [수학식 1]에 의해 계산하여 감퇴율을 산출하고, 산출된 감퇴율 데이터를 상기 순환신경망의 입력층에 추가로 입력시키도록 구성된 감퇴율 산출부(200)를 더 포함하며,
이때, 상기 예측 모델 생성부(300)는 상기 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자, 및 감퇴율 데이터를 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하는 딥러닝 기반 셰일가스 생산량 예측 시스템.
[수학식 1]
[여기서, D는 감퇴율을 나타내며, q는 (t-n) ~ (t-1) 시점의 생산량 인자 중 최대 셰일가스 생산량을 나타내며, △t는 q에 해당하는 시점과 복수 개월 내 각 셰일가스 생산 시점의 변화량을 나타내며, △q는 q와 복수 개월 내 각 셰일가스 생산량의 변화량을 나타냄]
According to claim 1,
Among the shale gas production history data preprocessed by the preprocessing unit 100, the monthly gas production factor from (tn) to (t-1) is input and calculated by the following [Equation 1] to calculate the decline rate, , further comprising a decay rate calculation unit 200 configured to additionally input the calculated decay rate data to the input layer of the recurrent neural network,
At this time, the prediction model generator 300 determines the production factor of the shale gas production history data from (tn) to (t-1) and the production well operation from (t-(n-1)) to (t). Deep learning that generates a shale gas production prediction model by inputting the factor and decay rate data into the input layer of the recurrent neural network, and inputting the monthly gas production factor at time t from the shale gas production history data into the output layer of the recurrent neural network and learning it. Based shale gas production prediction system.
[Equation 1]
[Here, D represents the decline rate, q represents the maximum shale gas production among the production factors from (tn) to (t-1), and △t represents the time corresponding to q and each shale gas production time within multiple months. represents the amount of change, and △q represents q and the amount of change in each shale gas production within multiple months]
상기 전처리부(100)는
수집된 셰일가스 생산 이력 데이터에서 최대 일평균 가스 생산량 이전의 생산 이력 데이터를 제외시키도록 구성된 딥러닝 기반 셰일가스 생산량 예측 시스템.
According to claim 1,
The preprocessing unit 100 is
A deep learning-based shale gas production prediction system configured to exclude production history data prior to the maximum daily average gas production from the collected shale gas production history data.
상기 예측 모델 생성부(300)의 입력층에 입력되는 셰일가스 생산 이력 데이터의 인자는
월간 가스 생산량, 일 평균 가스 생산량 및 누적 가스 생산량을 포함하는 (t-n) ~ (t-1) 시점의 생산량 인자와, 월간 생산시간 및 누적 생산시간을 포함하는 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 포함하거나, 또는
월간 가스 생산량, 일 평균 가스 생산량, 누적 가스 생산량 및 감퇴율을 포함하는 (t-n) ~ (t-1) 시점의 생산량 인자와, 월간 생산시간 및 누적 생산시간을 포함하는 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 포함하는 딥러닝 기반 셰일가스 생산량 예측 시스템.
According to claim 1,
The factors of the shale gas production history data input to the input layer of the prediction model generator 300 are
A production factor from (tn) to (t-1) including monthly gas production, daily average gas production, and cumulative gas production, and (t-(n-1)) to including monthly production time and cumulative production time. (t) Includes production well operating factors at the time, or
Production factors from (tn) to (t-1) including monthly gas production, daily average gas production, cumulative gas production and decay rate, and (t-(n-1) including monthly production time and cumulative production time. )) ~ Deep learning-based shale gas production prediction system including production well operation factors at time (t).
전처리부(100)가 셰일가스 생산 이력 데이터를 수집하여 전처리함으로써 딥러닝 학습에 사용하기 위한 셰일가스 생산 이력 데이터를 선별하는 단계;
예측 모델 생성부(300)가 전처리된 상기 셰일가스 생산 이력 데이터를 입력받아 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 선택하여 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하는 단계; 및
셰일가스 생산량 예측부(400)가 생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하는 단계;를 포함하는 딥러닝 기반 셰일가스 생산량 예측 방법.
A deep learning-based shale gas production prediction method using a deep learning-based shale gas production prediction system,
Selecting shale gas production history data for use in deep learning learning by preprocessing unit 100 collecting and preprocessing shale gas production history data;
The prediction model generator 300 receives the pre-processed shale gas production history data and produces production factors at (tn) to (t-1) and (t-(n-1)) to ( shale gas production prediction model is created by selecting production well operation factors at time t) and inputting them into the input layer of the recurrent neural network, and inputting and learning the monthly gas production factors at time t from the shale gas production history data into the output layer of the recurrent neural network. generating step; and
The shale gas production prediction model generated by the shale gas production prediction unit 400 includes production factors at (tn) to (t-1) and (t-(n-1)) to (t) among the shale gas production history data. ) A deep learning-based shale gas production prediction method including calculating the monthly gas production forecast value at time t by inputting the production well operation factors at time t.
전처리부(100)가 셰일가스 생산 이력 데이터를 수집하여 전처리함으로써 딥러닝 학습에 사용하기 위한 셰일가스 생산 이력 데이터를 선별하는 단계;
감퇴율 산출부(200)가 전처리된 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 월간 가스 생산량 인자를 입력받아 다음의 [수학식 1]에 의해 계산하여 감퇴율을 산출하는 단계;
예측 모델 생성부(300)가 전처리된 상기 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자, 및 감퇴율 데이터를 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하는 단계; 및
셰일가스 생산량 예측부(400)가 생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하는 단계;를 포함하는 딥러닝 기반 셰일가스 생산량 예측 방법.
[수학식 1]
[여기서, D는 감퇴율을 나타내며, q는 (t-n) ~ (t-1) 시점의 생산량 인자 중 최대 셰일가스 생산량을 나타내며, △t는 q에 해당하는 시점과 복수 개월 내 각 셰일가스 생산 시점의 변화량을 나타내며, △q는 q와 복수 개월 내 각 셰일가스 생산량의 변화량을 나타냄]
A deep learning-based shale gas production prediction method using a deep learning-based shale gas production prediction system,
Selecting shale gas production history data for use in deep learning learning by preprocessing unit 100 collecting and preprocessing shale gas production history data;
The decline rate calculation unit 200 receives monthly gas production factors from the preprocessed shale gas production history data from (tn) to (t-1) and calculates the decline rate by calculating the following [Equation 1]. step;
Among the shale gas production history data preprocessed by the prediction model generator 300, production factors from time points (tn) to (t-1) and production well operation factors from time points (t-(n-1)) to (t) , and inputting the decay rate data into the input layer of the recurrent neural network, and inputting the monthly gas production factor at time t among the shale gas production history data into the output layer of the recurrent neural network to learn it, thereby creating a shale gas production prediction model; and
The shale gas production prediction model generated by the shale gas production prediction unit 400 includes the production factors at time points (tn) to (t-1) and (t-(n-1)) to (t) among the shale gas production history data. ) A deep learning-based shale gas production prediction method including calculating the monthly gas production forecast value at time t by inputting the production well operation factors at time t.
[Equation 1]
[Here, D represents the decline rate, q represents the maximum shale gas production among the production factors at the time (tn) to (t-1), and △t is the time corresponding to q and each shale gas production time within multiple months. represents the amount of change, and △q represents q and the amount of change in each shale gas production within multiple months]
상기 전처리함으로써 딥러닝 학습에 사용하기 위한 셰일가스 생산 이력 데이터를 선별하는 단계는
상기 전처리부(100)가 수집된 셰일가스 생산 이력 데이터에서 최대 일평균 가스 생산량 이전의 생산 이력 데이터를 제외시키는 단계를 포함하는 딥러닝 기반 셰일가스 생산량 예측 방법.
According to claim 5 or 6,
The step of selecting shale gas production history data for use in deep learning learning by preprocessing is
A deep learning-based shale gas production prediction method comprising the step of excluding production history data prior to the maximum daily average gas production from the shale gas production history data collected by the preprocessing unit 100.
상기 전처리함으로써 딥러닝 학습에 사용하기 위한 셰일가스 생산 이력 데이터를 선별하는 단계는
상기 전처리부(100)가 수집된 셰일가스 생산 이력 데이터에서 단일 스테이지 유정의 데이터를 제외시키는 단계;
상기 전처리부(100)가 상기 단일 스테이지 유정 데이터가 제외된 셰일가스 생산 이력 데이터에서 설정기간 이전 유정의 데이터를 제외시키는 단계;
상기 전처리부(100)가 상기 설정기간 이전 유전의 데이터가 제외된 셰일가스 생산 이력 데이터에서 생산시간이 "0"인데 생산량이 존재하는 유정의 데이터를 제외시키는 단계;
상기 전처리부(100)가 상기 생산시간이 "0"인데 생산량이 존재하는 유정의 데이터가 제외된 셰일가스 생산 이력 데이터에서 일시적으로 생산을 중단하는 기간인 셧인 구간(shut in)의 생산이력 데이터를 제외시키는 단계; 및
상기 전처리부가 셧인 구간의 생산이력 데이터가 제외된 셰일가스 생산 이력 데이터에서 최대 일평균 가스 생산량 이전의 생산 이력 데이터를 제외시키는 단계;를 포함하는 딥러닝 기반 셰일가스 생산량 예측 방법.
According to claim 5 or 6,
The step of selecting shale gas production history data for use in deep learning learning by preprocessing is
Excluding single-stage oil well data from the shale gas production history data collected by the preprocessing unit 100;
Excluding, by the pre-processing unit 100, data from wells before a set period from the shale gas production history data excluding the single-stage well data;
The pre-processing unit 100 excluding data from a well with a production time of “0” from shale gas production history data from which data from an oil field before the set period is excluded;
The pre-processing unit 100 extracts production history data of the shut-in section (shut in), which is a period of temporarily stopping production, from the shale gas production history data in which data from wells with production is excluded even though the production time is "0". excluding step; and
Deep learning-based shale gas production prediction method including; excluding production history data before the maximum daily average gas production from shale gas production history data excluding production history data of the section in which the preprocessing unit is shut down.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230041254A KR102612959B1 (en) | 2023-03-29 | 2023-03-29 | System and method for predicting shale gas production based on deep learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230041254A KR102612959B1 (en) | 2023-03-29 | 2023-03-29 | System and method for predicting shale gas production based on deep learning |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102612959B1 true KR102612959B1 (en) | 2023-12-12 |
Family
ID=89159557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230041254A KR102612959B1 (en) | 2023-03-29 | 2023-03-29 | System and method for predicting shale gas production based on deep learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102612959B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101694994B1 (en) | 2016-10-27 | 2017-01-11 | 한국지질자원연구원 | Estimation apparatus and the method of potential of shale gas using inorganic geochemical proxies |
| KR20180026842A (en) * | 2016-09-05 | 2018-03-14 | 동아대학교 산학협력단 | Method for decline curve analysis according to cumulative production incline rate in unconventional gas field |
| 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 |
| KR20200056910A (en) * | 2019-09-26 | 2020-05-25 | 한국지질자원연구원 | Method for creating a shale gas production forecasting model using deep learning |
-
2023
- 2023-03-29 KR KR1020230041254A patent/KR102612959B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180026842A (en) * | 2016-09-05 | 2018-03-14 | 동아대학교 산학협력단 | Method for decline curve analysis according to cumulative production incline rate in unconventional gas field |
| KR101694994B1 (en) | 2016-10-27 | 2017-01-11 | 한국지질자원연구원 | Estimation apparatus and the method of potential of shale gas using inorganic geochemical proxies |
| 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 |
| KR20200056910A (en) * | 2019-09-26 | 2020-05-25 | 한국지질자원연구원 | Method for creating a shale gas production forecasting model using deep learning |
Non-Patent Citations (1)
| Title |
|---|
| 머신러닝 기반 생산기반에 따른 세일가스 예측의 불확실성 추이 분석, 오현택 외3인, KSMER V01. 58, No. 5(2021) pp. 475-490. (2021.10.26.)* * |
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 | |
| Wu et al. | A data mining approach for spatial modeling in small area load forecast | |
| Coccia et al. | Recent developments in predictive uncertainty assessment based on the model conditional processor approach | |
| EP1982046B1 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
| US20070124236A1 (en) | Credit risk profiling method and system | |
| BG65074B1 (en) | Automated method of delineating spatially dependent objects, such as hydrocarbon accumulations from seismic data | |
| US10822923B2 (en) | Resource identification using historic well data | |
| CN105452598B (en) | The method for selecting and optimizing the oil field control for yield platform | |
| US11603740B2 (en) | Method for real-time interpretation of pressure transient test | |
| CA2992274C (en) | Ensemble based decision making | |
| CN114495507B (en) | Traffic flow prediction method integrating space-time attention neural network and traffic model | |
| van den Boomen et al. | A life cycle costing approach for discounting in age and interval replacement optimisation models for civil infrastructure assets | |
| US20230252290A1 (en) | System and method for well interference detection and prediction | |
| CN116307152A (en) | Traffic prediction method for space-time interactive dynamic graph attention network | |
| CN113627639A (en) | Well testing productivity prediction method and system for carbonate fracture-cave reservoir | |
| Papamichail et al. | Seasonal arima inflow models for reservoir sizing 1 | |
| KR20140137210A (en) | computing system for well placement optimization developed by SA/ANN and well placement optimization method using Thereof | |
| Han et al. | Production prediction of conventional and global positioning system–based earthmoving systems using simulation and multiple regression analysis | |
| KR102612959B1 (en) | System and method for predicting shale gas production based on deep learning | |
| CN104598705A (en) | Method and device for recognizing underground material layer | |
| US20210374521A1 (en) | Systems and procedures to forecast well production performance for horizontal wells utilizing artificial neural networks | |
| CN117191147A (en) | Flood discharge dam water level monitoring and early warning method and system | |
| US20210149077A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter (enkf) | |
| Yang et al. | Applying micro-genetic algorithm in the one-dimensional unsteady hydraulic model for parameter optimization | |
| Amiri et al. | Forecasting seasonality in prices of potatoes and onions: challenge between geostatistical models, neuro fuzzy approach and Winter method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |