WO2020085617A1 - 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법 - Google Patents

머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법 Download PDF

Info

Publication number
WO2020085617A1
WO2020085617A1 PCT/KR2019/008893 KR2019008893W WO2020085617A1 WO 2020085617 A1 WO2020085617 A1 WO 2020085617A1 KR 2019008893 W KR2019008893 W KR 2019008893W WO 2020085617 A1 WO2020085617 A1 WO 2020085617A1
Authority
WO
WIPO (PCT)
Prior art keywords
production
shale gas
neural network
input
data
Prior art date
Application number
PCT/KR2019/008893
Other languages
English (en)
French (fr)
Inventor
권순일
한동권
Original Assignee
동아대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 동아대학교 산학협력단 filed Critical 동아대학교 산학협력단
Publication of WO2020085617A1 publication Critical patent/WO2020085617A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Definitions

  • the present invention relates to an apparatus and a method for predicting productivity for a shale gas well in a transition flow region using a machine learning technique, in particular, generating a data-based artificial neural network model to calculate future production for a shale gas well in a transition flow region,
  • the calculated future production volume and production data for the existing shale gas wells in the transition flow region are calculated using the decay curve method to calculate the future production behavior and ultimate provisions, resulting in an error compared to the conventional productivity prediction method for shale gas wells.
  • the present invention relates to an apparatus and method for predicting productivity for shale gas wells in a transitional flow region using machine learning techniques, which can produce less accurate results.
  • the flow pressure and reservoir properties over time are required, and the stimulated reservoir volume (SRV) must be calculated through micro-seismic wave analysis to accurately predict the end point of the transition flow. Can be calculated.
  • the calculating the production amount includes: collecting production related data for a nearby shale gas well to be used for learning; Selecting input / output variables of the artificial neural network model; Selecting an input variable having a high correlation with the output variable among the selected input / output variables through importance analysis to construct a data set of input / output variables; Generating an artificial neural network model for each cluster having similarity in the data set through cluster analysis of the data set of the input / output variables; And calculating the output of the artificial neural network model as a future production amount.
  • the neural network model generation unit collects production related data for a nearby shale gas well to be used for learning, I / O variables of the artificial neural network model are selected, and through importance analysis, an input variable having a high correlation with the output variable among the selected I / O variables is selected to constitute a data set of input / output variables, and a cluster of data sets of the input / output variables Through analysis, an artificial neural network model for each cluster having similarity in a data set is generated, and the output of the artificial neural network model is configured to be output in future production, so that the predictive performance and learning performance of the artificial neural network model can be further improved. There is.
  • FIG. 1 is a block diagram of a productivity prediction apparatus for shale gas wells in a transition flow region using a machine learning technique according to an embodiment of the present invention.
  • FIG. 2 is a flowchart illustrating a method for predicting productivity of a shale gas well in a transition flow region using a machine learning technique according to an embodiment of the present invention.
  • FIG. 1 is a block diagram of a productivity prediction apparatus for a shale gas well in a transition flow region using a machine learning technique according to an embodiment of the present invention
  • FIG. 3 is a graph showing the production amount with respect to the production time of a shale gas well
  • A) is a graph showing the production data for shale gas wells in the 1 to 2 year transition flow region input by the production data input section of the shale gas well
  • (B) utilizes the production data in the 1 to 2 year transition flow area.
  • the output variable includes the production operation factor, which is the output at a future point in time.
  • the decay curve method is performed with the production data for the shale gas well in the existing transition flow region and the future shift flow shale gas well calculated using the artificial neural network model.
  • it can be seen that it does not overestimate or underestimate and shows accurate future production behavior prediction performance that almost converges with past production data.
  • the artificial neural network model generating unit 200 generates a data-based artificial neural network model to calculate the production amount of the future transition flow shale gas well (S200).
  • the production behavior and ultimate provision amount calculation unit 300 outputs the future transition flow shale gas well calculated in step S250 and the production data for the existing transition flow region shale gas well input in step S100. Using the decay curve method, the future production behavior and ultimate provisions are calculated (S300).

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법에 관한 것으로, 특히 데이터 기반의 인공신경망 모델을 생성하여 천이 유동 영역의 셰일가스정에 대한 미래의 생산량을 산출하고, 이 산출된 미래의 생산량과 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출함으로써 종래의 셰일가스정에 대한 생산성 예측 방식에 비해 오차가 적은 정확한 결과를 도출할 수 있는, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법에 관한 것이다.

Description

머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법
본 발명은 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법에 관한 것으로, 특히 데이터 기반의 인공신경망 모델을 생성하여 천이 유동 영역의 셰일가스정에 대한 미래의 생산량을 산출하고, 이 산출된 미래의 생산량과 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출함으로써 종래의 셰일가스정에 대한 생산성 예측 방식에 비해 오차가 적은 정확한 결과를 도출할 수 있는, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법에 관한 것이다.
일반적으로, 셰일가스에 대한 미래 생산 거동 및 궁극 가채량 예측은 저류층 시뮬레이션, 수압파쇄 모델링과 생산 천이 유동 분석을 통해 이루어지고 있으나 시뮬레이션의 경우 셰일가스 수압파쇄 특성과 저류층의 복잡성, 흡탈착 거동, 균열투과도 변화에 따른 유동양상을 모사하는 것에 대한 불확실성이 높다.
생산 천이 유동 분석의 경우 시간에 따른 유동 압력 및 저류층 물성 등이 필요하며 미소지진파 분석을 통한 유정 자극 부피(stimulated reservoir volume; SRV)를 산출해야 천이 유동 종료시점을 정확하게 예측가능하며 이를 통해 궁극 가채량을 산출할 수 있다.
그러나 물성자료 획득과 미소지진파 해석의 불확실성 문제 때문에 한계점이 존재한다. 이에 따라 최소한의 자료를 가지고 생산성을 예측하는 감퇴곡선법을 이용한 셰일가스정의 생산성 예측에 대한 연구가 활발히 진행되어 왔다. 전통적인 유가스 전에서 널리 활용되고 있는 Arps가 제안한 감퇴 곡선법은 유사 정상 상태 유동의 가정을 통해 만든 식으로 다단계 수압파쇄 수평정이 적용된 셰일가스의 경우 매우 낮은 투과도로 인해 경계 영향 유동에 진입하는 시점이 느리기 때문에 생산 초기 자료를 이용하여 생산 거동을 예측하는 것이 불가능하다.
또한 일반적으로, 1 ~ 2년의 천이 유동 영역의 생산자료를 활용하여 미래생산 거동을 예측할 때는 도 3의 (B)에 도시된 바와 같이 과소 예측(YM-SEPD)하거나 과대 예측(Duong)하게 되는 문제점이 있다.
미국 특허 US2016-0042272호 공보에는 셰일가스정에서 머신러닝 기법을 활용한 생산성 예측 기술이 개시되어 있다. 이 생산성 예측 기술은 비전통 오일 가스 저류층에서 다양한 시점의 누적 생산량을 예측하여 결정하는 컴퓨터를 이용한 분석 프로그램을 포함하고 있다. 이 분석 프로그램은 인공신경망 모델로 구현되어 있고, 입력자료의 다양한 파라미터와 누적생산량의 상관관계를 규명하는 모듈이 포함되어 있으며, 인공신경망 모델의 학습 및 검증을 확인할 수 있는 컴퓨터 프로그램이 포함되어 있다.
이와 같은 종래의 기술은 셰일가스 생산성에 영향을 주는 인자를 산출하고 이를 통해 인공신경망 모델을 개발하였으나 누적 생산량만 산출하므로 미래 생산 거동을 예측할 수 없는 한계를 가지고 있으며, 생산량 예측 인공신경망의 예측 성능을 증가시키기 위한 머신러닝 기법이 적용되지 않았다는 문제점이 있었다.
따라서 본 발명은 상기와 같은 문제점을 해결하기 위해 이루어진 것으로서, 본 발명의 목적은 천이유동 셰일가스정에서 미래 생산 거동 및 궁극 가채량을 오차가 적게 정확히 예측할 수 있는, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법을 제공하는 데에 있다.
상기의 목적을 달성하기 위해 본 발명의 실시형태에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치는 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 입력하도록 구성된 셰일가스정 생산자료 입력부; 데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출하도록 구성된 인공신경망 모델 생성부; 및 상기 미래의 천이 유동 셰일가스정에 대한 생산량과 상기 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출하도록 구성된 생산 거동 및 궁극 가채량 산출부를 포함하는 것을 특징으로 한다.
상기 실시형태에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치에 있어서, 상기 인공신경망 모델 생성부는 학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하고, 상기 인공신경망 모델의 입출력 변수를 선정하며, 중요도 분석을 통해 상기 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하며, 상기 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하며, 상기 인공신경망 모델의 출력을 미래 생산량으로 산출하도록 더욱 구성될 수 있다.
상기 실시형태에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치에 있어서, 상기 입력변수는 생산정 위치, 저류층 두께, 시추 깊이 및 가스 비중을 포함하는 네이티브(Native) 인자, 수평정 길이, 클러스터 수, 파쇄 유체 주입량 및 프로판트 주입량을 포함하는 설계 인자, 및 오일환산계수 피크, 닫힘 정두 압력, 가스 액체비, 초기 생산량, 튜빙 압력, 정두 압력, 시험 생산량, 감퇴율(1년), 및 물 생산량을 포함하는 생산 운영 인자를 포함하며; 상기 출력변수는 미래 시점의 생산량일 수 있다.
상기 목적을 달성하기 위해 본 발명의 다른 실시형태에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 방법은 셰일 가스정 생산자료 입력부에 의해 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료가 입력되는 단계; 인공신경망 모델 생성부가 데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출하는 단계; 및 생산 거동 및 궁극 가채량 산출부가 상기 미래의 천이 유동 셰일가스정에 대한 생산량과 상기 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출하는 단계를 포함하는 것을 특징으로 한다.
상기 다른 실시형태에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 방법에 있어서, 상기 생산량을 산출하는 단계는 학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하는 단계; 상기 인공신경망 모델의 입출력 변수를 선정하는 단계; 중요도 분석을 통해 상기 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하는 단계; 상기 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하는 단계; 및 상기 인공신경망 모델의 출력을 미래 생산량으로 산출하는 단계를 포함할 수 있다.
본 발명의 실시형태에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법에 의하면, 셰일 가스정 생산자료 입력부에 의해 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료가 입력되고, 인공신경망 모델 생성부가 데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출하며, 생산 거동 및 궁극 가채량 산출부가 상기 미래의 천이 유동 셰일가스정에 대한 생산량과 상기 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출하도록 구성됨으로써 천이유동 셰일가스정에서 미래 생산 거동 및 궁극 가채량을 오차가 적게 정확히 예측할 수 있다는 뛰어난 효과가 있다.
또한, 본 발명의 실시형태에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법에 의하면, 인경 신경망 모델 생성부가 학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하고, 상기 인공신경망 모델의 입출력 변수를 선정하며, 중요도 분석을 통해 상기 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하며, 상기 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하며, 상기 인공신경망 모델의 출력을 미래 생산량으로 산출하도록 구성됨으로써, 인공신경망 모델의 예측성능 및 학습성능을 보다 향상시킬 수 있다는 뛰어난 효과가 있다.
도 1은 본 발명의 실시예에 의한, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치의 블록 구성도이다.
도 2는 본 발명의 실시예에 의한, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 방법을 나타내는 플로우챠트이다.
도 3은 셰일 가스정의 생산 시간에 대한 생산량을 나타내는 그래프로서, (A)는 셰일 가스정의 생산자료 입력부에 의해 입력되는 천이 유동 영역의 셰일가스정에 대한 생산자료를 나타내는 그래프이고, (B)는 1 ~ 2년의 천이 유동 영역의 생산자료를 활용하여 미래생산 거동을 예측할 때, 과소 예측(YM-SEPD)하고 과대 예측(Duong)하는 것을 나타내는 그래프이며, (C)는 본 발명의 실시예에 의해 인공신경망 모델을 이용하여 산출된 미래 생산량과 기존 천이 유동 영역의 셰일 가스정에 대한 생산자료를 나타내는 그래프이며, (D)는 본 발명의 실시예에 의해 산출된 미래 생산량과 기존 천이 유동 영역의 셰일 가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 산출한 미래의 생산 거동 및 궁극 가채량을 나타낸 그래프이다.
도 4는 도 1의 인공신경망 모델 생성부에 의해 생성되는 데이터기반의 인공신경망 모델을 나타내는 도면이다.
이하, 본 발명의 실시예를 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 의한, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치의 블록 구성도이고, 도 3은 셰일 가스정의 생산 시간에 대한 생산량을 나타내는 그래프로서, (A)는 셰일 가스정의 생산자료 입력부에 의해 입력되는 1 ~ 2년의 천이 유동 영역의 셰일가스정에 대한 생산자료를 나타내는 그래프이고, (B)는 1 ~ 2년의 천이 유동 영역의 생산자료를 활용하여 미래생산 거동을 예측할 때, 과소 예측(YM-SEPD)하고 과대 예측(Duong)하는 것을 나타내는 그래프이며, (C)는 본 발명의 실시예에 의해 인공신경망 모델을 이용하여 산출된 미래 생산량과 기존 천이 유동 영역의 셰일 가스정에 대한 생산자료를 나타내는 그래프이며, (D)는 본 발명의 실시예에 의해 산출된 미래 생산량과 기존 천이 유동 영역의 셰일 가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 산출한 미래의 생산 거동 및 궁극 가채량을 나타낸 그래프이며, 도 4는 도 1의 인공신경망 모델 생성부에 의해 생성되는 데이터기반의 인공신경망 모델을 나타내는 도면이다.
본 발명의 실시예에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치는, 도 1에 도시된 바와 같이, 셰일가스정 생산자료 입력부(100), 인공신경망 모델 생성부(200) 및 생산 거동 및 궁극 가채량 산출부(300)를 포함한다.
셰일가스정 생산자료 입력부(100)는 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 생산 거동 및 궁극 가채량 산출부(300)에 입력하는 역할을 한다. 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료는 1년 내지 2년의 생산자료로서 도 3의 (A)에 도시되어 있다.
인공신경망 모델 생성부(200)는 데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출하여 생산 거동 및 궁극가채량 산출부(300)에 입력시키는 역할을 한다.
인공신경망 모델 생성부(200)는 학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하고, 인공신경망 모델의 입출력 변수를 선정하며, 중요도 분석을 통해 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하며, 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하며, 인공신경망 모델의 출력을 미래 생산량으로 산출하는 역할을 한다(도 4 참조).
여기서, 중요도 분석을 통해 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하고, 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하는 이유는 기존 기술의 문제점인 미래 생산 거동에 대한 과소 예측 및 과대 예측을 방지하고 인공신경망 모델의 정확한 예측성능(예측 속도, 예측 정확도)을 높이기 위함이다.
인공신경망 모델의 입력변수는, 예컨대 아래의 [표 1]에 도시된 바와 같이, 생산정 위치[좌표(동경), 좌표(북위)], 저류층 두께, 시추 깊이(측정 시추 깊이, 실제 시추 깊이) 및 가스 비중을 포함하는 네이티브(Native) 인자; 수평정 길이, 클러스터 수, 파쇄 유체 주입량 및 프로판트 주입량을 포함하는 설계 인자; 및 오일환산계수 피크, 닫힘 정두 압력, 가스 액체비, 초기 생산량, 튜빙 압력, 정두 압력, 시험 생산량, 감퇴율(1년), 및 물 생산량(초기 물 생산량, 3개월 생산량)을 포함하는 생산 운영 인자를 포함한다.
출력변수는 미래 시점의 생산량인 생산운영 인자를 포함한다.
[표 1]
Figure PCTKR2019008893-appb-I000001
도 4는 도 1의 인공신경망 모델 생성부에 의해 생성되는 데이터기반의 인공신경망 모델을 나타내는 도면으로서, 입력 자료로는 설계 인자, 네이티브 인자, 생산 운영 인자 및 셰일가스 개발 관련 인자가 포함되며, 출력자료로는 미래시점 생산량이 포함된다. 은닉층은 본 발명에 의한 데이터 기반의 미래 생산량 예측을 위한 알고리듬 인자들이다.
생산 거동 및 궁극 가채량 산출부(300)는 인공신경망 모델 생성부(200)에서 산출된 미래의 천이 유동 셰일가스정에 대한 생산량[도 3의 (C)에서 4개의 원으로 표시됨]과 셰일가스정 생산자료 입력부(100)에서 입력된 기존의 1 ~ 2년의 천이 유동 영역의 셰일가스정에 대한 생산자료[도 3의 (C)에서 붉은 점으로 표시됨]를 감퇴 곡선법(DCA analysis)을 이용하여 미래의 생산 거동 및 궁극 가채량[도 3의 (D)에 표시됨]을 산출하는 역할을 한다.
도 3의 (D)에서 알 수 있는 바와 같이 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료와 인공신경망 모델을 이용하여 산출된 미래의 천이 유동 셰일 가스정에 대한 생산량을 가지고 감퇴 곡선법을 수행할 경우 과대 예측 또는 과소 예측이 이루어지지 않고 과거 생산자료와 거의 수렴하는 정확한 미래 생산 거동 예측 성능을 나타내는 것을 알 수 있다.
이하, 상기한 바와 같이 구성된 본 발명의 실시예에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치를 이용한 생산성 예측 방법을 설명하기로 한다.
도 2는 본 발명의 실시예에 의한, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 방법을 나타내는 플로우챠트로서, 여기서 S는 스텝(step)을 나타낸다.
먼저, 셰일 가스정 생산자료 입력부(100)에 의해 기존(1년 내지 2년)의 천이 유동 영역의 셰일가스정에 대한 생산자료[도 3의 (A) 참조]가 생산 거동 및 궁극 가채량 산출부(300)에 입력된다(S100).
이어서, 인공신경망 모델 생성부(200)가 데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출한다(S200).
좀 더 상세하게는, 인공신경망 모델 생성부(200)가 학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하고(S210), 인공신경망 모델의 입출력 변수를 선정하며(S220), 중요도 분석을 통해 스텝(S220)에서 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하며(S230), 스텝(S230)에서 구성된 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하며(S240), 인공신경망 모델의 출력을 미래의 천이 유동 셰일가스정에 대한 생산량으로 산출한다(S250).
이어서, 생산 거동 및 궁극 가채량 산출부(300)가 스텝(S250)에서 산출된 미래의 천이 유동 셰일가스정에 대한 생산량과 스텝(S100)에서 입력된 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출한다(S300).
본 발명의 실시예에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법에 의하면, 셰일 가스정 생산자료 입력부에 의해 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료가 입력되고, 인공신경망 모델 생성부가 데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출하며, 생산 거동 및 궁극 가채량 산출부가 상기 미래의 천이 유동 셰일가스정에 대한 생산량과 상기 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출하도록 구성됨으로써 천이유동 셰일가스정에서 미래 생산 거동 및 궁극 가채량을 오차가 적게 정확히 예측할 수 있다.
또한, 본 발명의 실시예에 의한 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법에 의하면, 인경 신경망 모델 생성부가 학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하고, 상기 인공신경망 모델의 입출력 변수를 선정하며, 중요도 분석을 통해 상기 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하며, 상기 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하며, 상기 인공신경망 모델의 출력을 미래 생산량으로 산출하도록 구성됨으로써, 인공신경망 모델의 예측성능 및 학습성능을 보다 향상시킬 수 있다.
도면과 명세서에는 최적의 실시예가 개시되었으며, 특정한 용어들이 사용되었으나 이는 단지 본 발명의 실시형태를 설명하기 위한 목적으로 사용된 것이지 의미를 한정하거나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (6)

  1. 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 입력하도록 구성된 셰일가스정 생산자료 입력부;
    데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출하도록 구성된 인공신경망 모델 생성부; 및
    상기 미래의 천이 유동 셰일가스정에 대한 생산량과 상기 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출하도록 구성된 생산 거동 및 궁극 가채량 산출부를 포함하는, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치.
  2. 제 1 항에 있어서,
    상기 인공신경망 모델 생성부는
    학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하고,
    상기 인공신경망 모델의 입출력 변수를 선정하며,
    중요도 분석을 통해 상기 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하며,
    상기 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하며,
    상기 인공신경망 모델의 출력을 미래 생산량으로 산출하도록 더욱 구성된, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치.
  3. 제 2 항에 있어서,
    상기 입력변수는
    생산정 위치, 저류층 두께, 시추 깊이 및 가스 비중을 포함하는 네이티브(Native) 인자,
    수평정 길이, 클러스터 수, 파쇄 유체 주입량 및 프로판트 주입량을 포함하는 설계 인자, 및
    오일환산계수 피크, 닫힘 정두 압력, 가스 액체비, 초기 생산량, 튜빙 압력, 정두 압력, 시험 생산량, 감퇴율(1년), 및 물 생산량을 포함하는 생산 운영 인자를 포함하며;
    상기 출력변수는 미래 시점의 생산량인, 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치.
  4. 제 1 항에 기재된 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치를 이용한 생산성 예측 방법으로서:
    셰일 가스정 생산자료 입력부에 의해 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료가 입력되는 단계;
    인공신경망 모델 생성부가 데이터기반의 인공신경망 모델을 생성하여 미래의 천이 유동 셰일가스정에 대한 생산량을 산출하는 단계; 및
    생산 거동 및 궁극 가채량 산출부가 상기 미래의 천이 유동 셰일가스정에 대한 생산량과 상기 기존의 천이 유동 영역의 셰일가스정에 대한 생산자료를 감퇴 곡선법을 이용하여 미래의 생산 거동 및 궁극 가채량을 산출하는 단계를 포함하는 생산성 예측 방법.
  5. 제 4 항에 있어서,
    상기 생산량을 산출하는 단계는
    학습에 활용할 인근 셰일가스정에 대한 생산 관련 자료를 수집하는 단계;
    상기 인공신경망 모델의 입출력 변수를 선정하는 단계;
    중요도 분석을 통해 상기 선정된 입출력 변수 중 출력변수와 상관성이 높은 입력변수를 선정하여 입출력 변수의 데이터집합을 구성하는 단계;
    상기 입출력 변수의 데이터집합에 대한 군집분석을 통해 데이터 집합 내 유사성을 가지는 군집별 인공신경망 모델을 생성하는 단계; 및
    상기 인공신경망 모델의 출력을 미래 생산량으로 산출하는 단계를 포함하는 생산성 예측 방법.
  6. 제 5 항에 있어서,
    상기 입력변수는
    생산정 위치, 저류층 두께, 시추 깊이 및 가스 비중을 포함하는 네이티브(Native) 인자,
    수평정 길이, 클러스터 수, 파쇄 유체 주입량 및 프로판트 주입량을 포함하는 설계 인자, 및
    오일환산계수 피크, 닫힘 정두 압력, 가스 액체비, 초기 생산량, 튜빙 압력, 정두 압력, 시험 생산량, 감퇴율(1년), 및 물 생산량을 포함하는 생산 운영 인자를 포함하며;
    상기 출력변수는 미래 시점의 생산량인 생산성 예측 방법.
PCT/KR2019/008893 2018-10-25 2019-07-18 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법 WO2020085617A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0127977 2018-10-25
KR1020180127977A KR101975436B1 (ko) 2018-10-25 2018-10-25 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2020085617A1 true WO2020085617A1 (ko) 2020-04-30

Family

ID=66656346

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/008893 WO2020085617A1 (ko) 2018-10-25 2019-07-18 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법

Country Status (2)

Country Link
KR (1) KR101975436B1 (ko)
WO (1) WO2020085617A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112392478A (zh) * 2020-12-15 2021-02-23 西南石油大学 一种快速预测低渗致密油藏经济可采储量的方法
CN113553724A (zh) * 2021-07-30 2021-10-26 中国石油化工股份有限公司 一种页岩气井生产过程井筒异常分析及处理系统
CN115929289A (zh) * 2022-12-05 2023-04-07 西南石油大学 基于时间顺序的页岩气产量预测方法及装置
CN116128162A (zh) * 2023-04-13 2023-05-16 中国石油大学(华东) 基于小样本的压裂井初期产能预测方法、系统及存储介质
WO2024091137A1 (en) * 2022-10-26 2024-05-02 Saudi Arabian Oil Company A performance-focused similarity analysis process utilizing geological and production data

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101975436B1 (ko) * 2018-10-25 2019-05-07 동아대학교 산학협력단 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법
CN110163442A (zh) * 2019-05-27 2019-08-23 华北理工大学 一种基于集成学习的气井积液预测方法
KR102392750B1 (ko) * 2020-05-19 2022-04-28 동아대학교 산학협력단 순환신경망을 이용한 생산거동 예측 장치 및 방법
CN112101625B (zh) * 2020-08-13 2024-03-15 重庆地质矿产研究院 一种页岩气井生产动态预测方法及系统
KR20220149060A (ko) 2021-04-30 2022-11-08 에스케이인천석유화학 주식회사 개질설비의 원료 성상 및 제품 성상 예측 방법 및 장치
KR20220149062A (ko) 2021-04-30 2022-11-08 에스케이인천석유화학 주식회사 개질설비의 반응기 제어 방법 및 장치
KR20220149065A (ko) 2021-04-30 2022-11-08 에스케이인천석유화학 주식회사 납사분리설비의 제품 성상 예측 방법 및 장치
CN115345378B (zh) * 2022-08-29 2023-04-18 西南石油大学 一种基于机器学习的页岩气井产量评价方法
KR102612959B1 (ko) * 2023-03-29 2023-12-12 공주대학교 산학협력단 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법
CN117272841B (zh) * 2023-11-21 2024-01-26 西南石油大学 一种基于混合神经网络的页岩气甜点预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140297235A1 (en) * 2013-01-31 2014-10-02 Betazi, Llc Production analysis and/or forecasting methods, apparatus, and systems
KR101647921B1 (ko) * 2015-03-27 2016-08-12 서울대학교산학협력단 유·가스 저류층의 실제 가스 생산량에 유사한 저류층 모델을 선정하는 방법 및 이를 이용한 생산량 예측 방법
US20180202264A1 (en) * 2016-02-08 2018-07-19 Rs Energy Group Topco, Inc. Method for estimating oil/gas production using statistical learning models
KR101904278B1 (ko) * 2016-09-05 2018-10-04 동아대학교 산학협력단 비전통가스전에서 누적생산량증가율 지표에 따른 감퇴곡선법 선정 방법
KR101975436B1 (ko) * 2018-10-25 2019-05-07 동아대학교 산학협력단 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140297235A1 (en) * 2013-01-31 2014-10-02 Betazi, Llc Production analysis and/or forecasting methods, apparatus, and systems
KR101647921B1 (ko) * 2015-03-27 2016-08-12 서울대학교산학협력단 유·가스 저류층의 실제 가스 생산량에 유사한 저류층 모델을 선정하는 방법 및 이를 이용한 생산량 예측 방법
US20180202264A1 (en) * 2016-02-08 2018-07-19 Rs Energy Group Topco, Inc. Method for estimating oil/gas production using statistical learning models
KR101904278B1 (ko) * 2016-09-05 2018-10-04 동아대학교 산학협력단 비전통가스전에서 누적생산량증가율 지표에 따른 감퇴곡선법 선정 방법
KR101975436B1 (ko) * 2018-10-25 2019-05-07 동아대학교 산학협력단 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAN DONG KWON: "Production forecasting for shale gas well in transcient flow using machine learning method graduate school of Dong-a University", DOCTORAL THESIS IN ENGINEERING, 21 August 2018 (2018-08-21) *
YUNAN LI ET AL.: "Decline Curve Analysis for Production Forecasting Based on Machine Learning", SOCIETY OF PETROLEUM ENGINEERS SYMPOSIUM: PRODUCTION ENHANCEMENT AND COST OPTIMISATION, 8 November 2017 (2017-11-08) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112392478A (zh) * 2020-12-15 2021-02-23 西南石油大学 一种快速预测低渗致密油藏经济可采储量的方法
CN113553724A (zh) * 2021-07-30 2021-10-26 中国石油化工股份有限公司 一种页岩气井生产过程井筒异常分析及处理系统
WO2024091137A1 (en) * 2022-10-26 2024-05-02 Saudi Arabian Oil Company A performance-focused similarity analysis process utilizing geological and production data
CN115929289A (zh) * 2022-12-05 2023-04-07 西南石油大学 基于时间顺序的页岩气产量预测方法及装置
CN115929289B (zh) * 2022-12-05 2024-05-28 西南石油大学 基于时间顺序的页岩气产量预测方法及装置
CN116128162A (zh) * 2023-04-13 2023-05-16 中国石油大学(华东) 基于小样本的压裂井初期产能预测方法、系统及存储介质

Also Published As

Publication number Publication date
KR101975436B1 (ko) 2019-05-07

Similar Documents

Publication Publication Date Title
WO2020085617A1 (ko) 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법
AU2011283109B2 (en) Systems and methods for predicting well performance
US20210350208A1 (en) Method and device for predicting production performance of oil reservoir
EP1982046B1 (en) Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator
CA2823710C (en) Methods and systems regarding models of underground formations
NO20110986A1 (no) System og fremgangsmate for a forutsi fluidstromningsegenskaper i frakturerte reservoarer under overflaten
EP2612177A2 (en) Iterative method and system to construct robust proxy models for reservoir simulation
CA2880497C (en) Methods and systems related to hydrocarbon recovery strategy development
CN110348059A (zh) 一种基于结构化网格的通道内流场重构方法
CN112523750B (zh) 砂体的尖灭位置的确定方法、装置及存储介质
CN110717270B (zh) 一种基于数据的油气藏仿真模拟方法
CN109143337B (zh) 一种浊积砂体储层建模方法
CN114912364B (zh) 天然气井流量预测方法、装置、设备及计算机可读介质
WO2020219057A1 (en) Systems and methods for determining grid cell count for reservoir simulation
CN114638401A (zh) 一种基于历史及预测油藏知识的剩余油分布预测方法及装置
CN115481565A (zh) 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法
CN114488311A (zh) 基于ssa-elm算法的横波时差预测方法
Hou et al. Data-driven optimization of brittleness index for hydraulic fracturing
CN113077091A (zh) 一种基于机器学习的漏速概率分布预测方法和系统
Liu et al. A high-resolution numerical well-test model for pressure transient analysis of multistage fractured horizontal wells in naturally fractured reservoirs
CN114764546A (zh) 基于生成对抗神经网络的断块油藏剩余油预测方法
Liao et al. Predictive Analytics and Statistical Learning for Waterflooding Operations in Reservoir Simulations
CN111274736A (zh) 一种基于有导师学习神经网络算法的导水裂隙带预测方法
Kistak Development of an Artificial Neural Network for dual lateral horizontal wells in gas reservoirs
CN114526052B (zh) 一种钻完井工程风险预测方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19876000

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19876000

Country of ref document: EP

Kind code of ref document: A1