WO2020101128A1 - 딥러닝을 이용한 셰일가스 생산량 예측방법 - Google Patents

딥러닝을 이용한 셰일가스 생산량 예측방법 Download PDF

Info

Publication number
WO2020101128A1
WO2020101128A1 PCT/KR2019/004963 KR2019004963W WO2020101128A1 WO 2020101128 A1 WO2020101128 A1 WO 2020101128A1 KR 2019004963 W KR2019004963 W KR 2019004963W WO 2020101128 A1 WO2020101128 A1 WO 2020101128A1
Authority
WO
WIPO (PCT)
Prior art keywords
production
data
shale gas
well
learning
Prior art date
Application number
PCT/KR2019/004963
Other languages
English (en)
French (fr)
Inventor
이경북
임정택
Original Assignee
한국지질자원연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국지질자원연구원 filed Critical 한국지질자원연구원
Publication of WO2020101128A1 publication Critical patent/WO2020101128A1/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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Definitions

  • the present invention relates to a method for predicting shale gas production using deep learning. More specifically, deep learning with higher prediction accuracy is predicted by predicting future production by using geological and petroleum engineering features that affect production in addition to production. It relates to a method for predicting the production of shale gas used.
  • Shale gas is a natural gas present in the shale layer, which is a sedimentary rock layer made of mud and is a representative unconventional resource that has recently been made possible by technical and economical production by combining horizontal drilling and hydraulic fracturing technology. Only confirmed reserves of 1 trillion so far stands at 187.4 m 3 which the potential amount of resources that can be used in both 60 years around the world is estimated to be up to 635 trillion m3.
  • the shale gas is distributed continuously over a wide area and has a low porosity of about 2 to 7% and a low permeability of less than about 0.001 md.
  • DCA decline curve analysis
  • reservoir simulation are mainly used for forecasting the existing production.
  • DCA has many inefficiencies in the application of shale gas / oil resources that perform high-density drilling due to the large number of manual processes such as pre-processing production data and deriving DCA factors for each well.
  • the forecast of production is changed by the analyst's judgment.
  • DCA which requires a lot of such manual work, has a problem of inadequate cost reduction.
  • DCA is an empirical formula proposed in 1945, and it is known that the application of DCA is limited in consideration of low permeability, horizontal drilling, and hydraulic crushing, which are characteristics of shale gas, and is generally overestimated than actual production.
  • the present invention is to solve the above problems, the purpose of which is to not only have a higher prediction accuracy by predicting future production by using geological and petroleum engineering features in addition to shale gas production, but also affecting the production. It is intended to provide a method for predicting shale gas production using deep learning that uses only the published data and can predict the future production in seconds on a high density shale well without involving the analyst's judgment.
  • a process for predicting shale gas production through a built-in prediction model and constructing a shale gas production prediction model for predicting shale gas production using deep learning is a computer
  • the processing includes: a data collection step of collecting well data including a production history of a well; A pre-treatment step of pre-processing the well data collected in the data collection step; A learning step of learning a production prediction model using production data and feature data of the well data pre-processed in the pre-processing step using deep learning; And a prediction step of predicting a future production of a well using the production prediction model learned in the learning step using deep learning, and a shale gas production prediction method using deep learning is provided.
  • the pre-treatment step is characterized in that it is configured to disregard the starting point of production of all wells and to organize the well data according to the number of absolute production months.
  • the pre-processing step (a) excluding specific oil wells from the well data secured; (b) excluding the specific production section of each well after the step (a) from the production history; (c) excluding the well having a modified production history after the step (b) shorter than a predetermined reference value compared to other wells; (d) extracting feature data from oil wells remaining after step (c); (e) classifying each well into a training well and a test well after step (d); (f) normalizing production data and feature data of the training well classified after the step (e); And (g) sorting the data of the training well after the step (f) in descending order.
  • step (d) is characterized in that it is configured to extract characteristic data by analyzing well data including location information, horizontal well information, hydraulic fracturing information, production information, reservoir physical properties information, and geological information. do.
  • the learning step comprises: determining a network structure of the shale gas production prediction model; Setting a learning rule of the network determined in the determining step; Performing network learning according to the learning rules set in the setting step; And it characterized in that it comprises a step of determining whether the learning result performed in the step of performing the network learning is within a predetermined acceptable error range.
  • the network structure is composed of an input layer, a cyclic neural network layer, and an output layer, or, the network structure is an input layer, a cyclic neural network layer, an output layer, a plurality of cyclic neural network layers , Characterized in that it comprises a drop-out layer and a pre-bonding layer.
  • the prediction step normalizing the production data and feature data of the test well classified in the pre-processing step; Applying normalized production data and characteristic data of the test well to a predictive model learned by the training well; And predicting future shale gas production of the test well through the prediction model to which the production data and feature data of the normalized test well are applied.
  • the prediction step is characterized in that it is configured to predict the production of the future point of time according to the feature data used together for learning in the learning step.
  • the prediction step is characterized in that it is configured to repeatedly use the learned prediction model by using the previous output prediction result as input data for the next prediction model to predict the desired future time.
  • a computer-readable recording medium in which a program is configured to execute a method for predicting shale gas production using the deep learning described above on a computer.
  • an input unit for receiving various data from the outside;
  • a data processing unit that performs processing for predicting shale gas production based on the data received through the input unit;
  • an output unit for outputting the processing result performed by the data processing unit, wherein the data processing unit is configured to predict the production amount of shale gas using the shale gas production amount prediction method using deep learning described above.
  • a shale gas production prediction system is provided.
  • the method for predicting shale gas production using deep learning of the present invention has the effect of improving the reliability of predicting future production by using shale gas production and geological and petroleum engineering features extracted from the production.
  • the predictive model can be built using only the data that has been released to the public, which has a great effect.
  • the method for predicting shale gas production using the deep learning of the present invention is very fast because prediction of future production of a number of new wells is performed within a few seconds after the prediction model is learned, and real-time forecasting of production when obtaining a new monthly production. There is an effect that can be renewed.
  • the method for predicting shale gas production using deep learning of the present invention is effective in giving a result that is not biased because a user's judgment is excluded because the learned model can be used immediately.
  • the method for predicting shale gas production using deep learning of the present invention has an effect of analyzing a change in future production according to a change in characteristic data used together with the production during learning.
  • FIG. 1 is a view showing the location of a shale gas well for generating a shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • FIG. 2 is a graph showing the monthly gas production of a shale gas well for generating a shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • FIG. 3 is a diagram showing an example of a network configuration using a circular neural network for generating a shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • FIG. 4 is a graph showing actual production of some wells and predicted production of a learning model using a shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • FIG. 5 is a graph showing the actual production amount for the test well and the predicted production amount of the learning model using the shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • FIG. 6 is a graph showing a change in predicted production according to characteristic data for a test well using a shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • FIG. 7 is a graph showing a change in the predicted production volume according to the available production history for a test well using a shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • FIG. 8 is a flowchart illustrating a process of generating a shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • FIG. 9 is a flowchart illustrating in more detail the steps of pre-processing the secured well data of FIG. 8 according to an embodiment of the present invention.
  • FIG. 10 is a flowchart illustrating in more detail the steps of learning a production prediction model with production data and feature data of the pre-processed training well of FIG. 8 according to an embodiment of the present invention.
  • FIG. 11 is a flowchart illustrating in more detail the steps of predicting future production of a test well using the trained model of FIG. 8 according to one embodiment of the present invention.
  • FIG. 1 is a view showing the location of a shale gas well for generating a shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • shale gas wells of province of Alberta are shown.
  • a prediction model was generated by selecting a region having a high-density shale gas well in a specific region, and 332 shale gas wells are searched in Alberta, Canada.
  • FIG. 2 is a graph showing the monthly gas production of a shale gas well for generating a shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • the well data including production data of the wells of Alberta shown in FIG. 1 selected as above are pre-processed.
  • all oil wells were ignored at the start of production, and as shown in FIG. 2, they were arranged as absolute production according to the number of months of absolute production.
  • relative production using the maximum production value for each well may be used as needed instead of the absolute production.
  • Table 1 is a table showing the absolute production according to the number of months of absolute production.
  • 17 wells may be excluded according to the following cutoff criteria.
  • 331 wells produce shale gas in Duvernay formation, but only one well excludes one well that produced shale gas in Montney formation.
  • two re-fracturing wells that were subjected to production after the first hydraulic crushing of the remaining 331 wells were excluded.
  • the characteristics can also be reflected in the predictive model.
  • shut-in information is a feature that can be extracted from production data.
  • various well data that affect production prediction such as location information, horizontal well information, hydraulic fracturing information, production information, reservoir properties, geological information, etc., can be geological and petroleum engineering features.
  • FIG. 3 is a diagram showing an example of a network configuration using a circular neural network for generating a shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • the network structure in FIG. 3 may be composed of an input layer, a single circulating neural network layer, and an output layer, and a network structure may include a plurality of circulating neural network layers, a dropout layer, a pre-combined layer, and the like, if necessary.
  • the cyclic neural network layer is a deep learning algorithm that shows excellent performance in learning and predicting time series data such as a production history, and a long-short term memory (LSTM) algorithm that is effective for long time series data among cyclic neural networks can be used.
  • LSTM long-short term memory
  • the generalized prediction model can be generated by controlling the number of circulatory neural network layers and precombined layers and the number of neurons in each layer. In other words, if a lot of layers and neurons are set, the predicted accuracy for a training well increases, but the calculation time increases as well as an over-fitting problem, which is a learning result optimized only for the training well, is not used for learning. The predictive performance for untested wells will decrease. Therefore, it is necessary to generate a generalized prediction model that can be used to predict the production of other wells while reducing the prediction error for training wells by properly adjusting the complexity of the network structure. A dropout layer can be added to alleviate the overfitting problem and generalize the predictive model.
  • model learned in the embodiment of the present invention can predict the monthly gas production amount after one month for the input production data and the feature data, which can be applied to other similar prediction models as needed.
  • FIG. 4 is a graph showing actual production of some wells and predicted production of a learning model using a shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • FIG. 4 it shows the results of predicting the production of six wells out of 300 training wells.
  • the horizontal axis represents time
  • the vertical axis represents monthly average shale gas production.
  • the dotted line represents the actual production
  • the predicted production by the predictive model in which the point (circle) display is learned. For example, if there is 1 ⁇ 30 months of data in one training well, 30 months are compared by comparing the production of 30 months and actual 30 months produced by inputting 1 ⁇ 29 months of production information and feature data into the trained model. It was confirmed whether future production forecast at the time point is appropriate. As a result, the predicted future output value and the actual output value matched or showed a slight difference.
  • FIG. 5 is a graph showing the actual production amount for the test well and the predicted production amount of the learning model using the shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • FIG. 5 15 wells were randomly set out of 315 wells in the pre-treatment process of FIG. 9.
  • FIG. 4 is a prediction result for a training well used for learning a predictive model
  • FIG. 5 is a prediction result for a test well not used for learning.
  • FIG. 5 has the same legend as in FIG. 4, but the cross (+) sign is a prediction result when the predictive model is learned using both production and shut-in information (2 well information), and x is predicted using only production information
  • the difference is that the prediction result is obtained when the model is trained (1 well information). That is, the results of the two prediction models were compared to confirm the effect obtained by additionally using the feature data.
  • FIG. 6 is a graph showing a change in predicted production according to characteristic data for a test well using a shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • each of the indications has a shut-off period of 1 month, 2 months, and 3 months, respectively. It is different in that it is a prediction result for.
  • the same point is that the production data and characteristic data of 1 ⁇ 29 months are input to the learning model, but the shut-off value at month 29 is set differently to 0 ⁇ 3 months 30
  • the difference in forecasting production for months is different. Through this, it is possible to predict the future production volume according to the field operating conditions, which cannot be analyzed by the DCA technique using only production volume. As a result of predicting the production of 30 months according to the shut-in, it was confirmed that the longer the shut-in period, the higher the production at 30 months.
  • FIG. 7 is a graph showing a change in the predicted production volume according to the available production history for a test well using a shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • FIG. 7 it is a result of comparing predicted performance according to available production history for wells having a production history of 1 to 27 months among 15 test wells.
  • the predicted value and actual value at 27 months are compared using data for 1 to 26 months.
  • FIG. 7 it is assumed that there is data from 1 month to 6 to 26 months, and the production volume up to 27 months each is predicted.
  • model trained with 300 training wells can only predict the output of one month in advance, using the predicted data from the previous month as input data can predict the output from two months in advance. By repeating this process, it is possible to predict production in the far future rather than a month ago.
  • FIG. 8 is a flowchart illustrating a process of generating a shale gas production prediction model using deep learning according to an embodiment of the present invention.
  • the method of the present invention may be evaluated by a computer or processor (not shown), or may be processed in the form of a network in which multiple computers are connected. Therefore, in the following method, the subject of processing will not be separately indicated.
  • step S202 well-level data disclosed to the public are secured.
  • the well data may be location information, horizontal well information, hydraulic fracturing information, production information, reservoir physical properties information, geological information, and the like.
  • step S204 the well data is pre-processed. As illustrated in FIG. 9, various pre-treatment procedures are performed as necessary, and if necessary, the production start time of the well can be ignored and pre-treatment is performed according to the number of absolute production months.
  • a shale gas production prediction model is trained using the pre-processed training well.
  • the prediction model may be represented by a network structure of the type shown in FIG. 3, and the complexity of the structure may be determined in consideration of generalization.
  • step S208 the learned model is used to predict shale gas production of a test well.
  • the detailed process of evaluating the performance of the trained model is described above in the processes of FIGS. 4 to 7 described above.
  • FIG. 9 is a flowchart illustrating in more detail the steps of pre-processing the secured well data of FIG. 8 according to an embodiment of the present invention.
  • a specific well is excluded from the secured well in step S302.
  • the wells to be excluded may vary depending on the case, but as described above, the target geological layer may be another well or a well where a re-fracturing operation has been performed.
  • step S304 the specific production section of the selected individual well is excluded from the production history.
  • the specific production section may vary depending on the case, but as described in Table 1, the monthly production amount is excluded, and non-negligible production amount can be set as a reference value.
  • step S306 the modified oil well having a short production history is excluded.
  • the reference value of the production history may vary depending on the case, but as described above, it may be set to a well having a production history of 6 months or less, and a data length suitable for use as time series data may be set as a reference value.
  • step S308 feature data is extracted from the selected well.
  • Feature data extraction can be factors influencing production forecasts from a geological and petroleum engineering perspective, including production target forecast factors. For example, location information, horizontal correction information, hydraulic fracturing information, production information, reservoir physical properties information, geological information, and the like may be targeted.
  • step S310 the selected well is classified into a training well and a test well.
  • the training well is used to train the network structure shown in FIG. 3 and generate an optimized prediction model.
  • the test well can be used to predict future production using a trained predictive model and evaluate the performance of the predictive model.
  • step S312 the production data and feature data of the separated training well are normalized. Normalization prevents learning errors that occur when using multiple types of well information. Since the test well data are assumed to be absent during learning, the statistical values necessary for normalizing the training well should be calculated using only the information of the training well.
  • step S314 the training wells are sorted in descending order.
  • the criteria for descending order may differ depending on the case, but the length of the production history may be the standard.
  • FIG. 10 is a flowchart illustrating in more detail the steps of learning a production prediction model with production data and feature data of the pre-processed training well of FIG. 8 according to an embodiment of the present invention.
  • a network structure of a shale gas production prediction model is determined.
  • the network structure may be simply composed of an input layer, a circulating neural network layer, and an output layer.
  • a plurality of circulating neural network layers, a dropout layer, a pre-combined layer, etc. may be added as necessary.
  • the number of circulatory neural network layers and precombined layers and the number of neurons in each layer should be appropriately adjusted to create a generalized predictive model to prevent overfitting problems. Dropout layers can also be added for generalized predictive models.
  • step S404 a learning rule of the determined network is set.
  • optimal learning can be achieved by adjusting the learning algorithm, the number of mini-batch, and the number of epochs.
  • step S406 network learning is performed according to the determined learning rule.
  • the trained model can predict monthly gas production after one month of the inputted production history, and can also be applied to changes in predicted values according to feature data and prediction of far more future production as described above in FIGS. 6 to 7.
  • step S408 it is determined whether the performed learning result is an acceptable error. That is, it is determined whether the error between the predicted production amount and the actual production amount for the training well is within an acceptable range. As a result of the determination in step S408, if the error between the predicted production amount and the actual production amount is within an acceptable range, it is accepted and terminated. If the error between the predicted production amount and the actual production amount exceeds the acceptable range, the process returns to step S402.
  • FIG. 11 is a flowchart illustrating in more detail the steps of predicting future production of a test well using the trained model of FIG. 8 according to one embodiment of the present invention.
  • step S502 production data and characteristic data of the separated test well are normalized. At this time, it is necessary to normalize the test well using the statistical values used for normalizing the training data.
  • step S504 the normalized test well is applied to the predictive model learned with the training well. Since the prediction model of FIG. 3 is already built through the training well, the prediction value is calculated within a few seconds, and when obtaining a new monthly production amount, it is possible to update the prediction value in real time. In addition, the user's judgment is excluded, and as shown in FIG. 6, there is an effect that can analyze the pattern of future production change according to the change in the characteristic data used together with the output during learning.
  • step S506 the application of the test well predicts future shale gas production.
  • the predictive model can predict the output of a month in advance, repeating the method of using the predicted value as an input value again as shown in FIG. 7 can also predict a far distant future output.

Landscapes

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

Abstract

본 발명은 셰일가스의 생산량을 예측하기 위한 방법에 관한 것으로, 본 발명에 따르면, 유정의 생산이력을 포함하는 유정자료를 수집하고, 수집된 유정자료를 전처리하며, 딥러닝을 이용하여, 전처리된 유정자료의 생산자료 및 특징자료를 이용하여 생산량 예측모델을 학습하고, 학습된 생산량 예측모델을 이용하여 유정의 미래 생산량을 예측하는 일련의 처리단계를 포함하여 구성됨으로써, 셰일가스 생산량 이외에도 생산량에 영향을 미치는 지질학, 석유공학적 특징을 함께 이용하여 미래 생산량을 예측하는 것에 의해 보다 높은 예측 정확도를 가질 뿐만 아니라, 대중에게 공개된 수준의 자료만을 이용하여 분석이 가능하며, 분석자의 판단이 개입되지 않고 고밀도의 셰일가스 유정에 대해 수초 단위의 빠른 미래 생산량 예측이 가능하도록 구성되는 딥러닝을 이용한 셰일가스 생산량 예측방법이 제공된다.

Description

딥러닝을 이용한 셰일가스 생산량 예측방법
본 발명은 딥러닝을 이용한 셰일가스 생산량 예측방법에 관한 것으로서, 보다 상세하게는 생산량 이외에도 생산량에 영향을 미치는 지질학, 석유공학적 특징을 함께 이용하여 미래 생산량을 예측함으로써 보다 높은 예측 정확도를 갖는 딥러닝을 이용한 셰일가스 생산량 예측방법에 관한 것이다.
셰일가스(shale gas)는 진흙이 쌓여 만들어진 퇴적암층인 셰일층에 존재하는 천연가스로써 최근 수평시추 및 수압파쇄 기술을 접목하여 기술적, 경제적 생산이 가능해진 대표적인 신석유자원(unconventional resources)이다. 지금까지 확인된 매장량만 187.4조m3에 이르며 이는 전 세계가 60년간 사용할 수 있는 양으로 잠재 자원량은 최대 635조㎥로 추정된다. 이러한 셰일가스는 넓은 지역에 걸쳐 연속적인 형태로 분포하며 약 2~7%의 낮은 공극율과 약 0.001 md 이하의 저투과도 특성을 갖고 있다.
선진국과 다수의 대기업 회사들은 현재 셰일가스 개발을 위해 대규모 투자를 진행하고 있다. 중국의 경우 국영기업인 SINOPEC은 대략 22억 달러를 들여 2012년 수압 파쇄 기술 회사인 FracTech의 지분 30% 인수를 추진하였으며, CNPC는 2010년 대기업 석유회사인 Shell과 향후 30년간 중국의 셰일가스를 공동 개발하는 제휴를 맺었다. 우리나라 또한 셰일가스 개발을 위한 연구가 진행 중이며, 국내에서도 한국석유공사 및 한국가스공사 등 공기업과 SK이노베이션 등 사기업 모두 북미 셰일자원개발에 참여중이다.
한편, 셰일가스의 개발 계획을 수립하거나 매장량을 평가하기 위해서는 셰일가스 생산량 예측이 필요하다. 기존 생산량 예측은 DCA(decline curve analysis) 및 저류층시뮬레이션이 주로 활용되고 있다. DCA는 유정별로 생산자료 전처리와 DCA 인자도출 등 수작업이 많아 고밀도의 시추를 진행하는 셰일가스/오일 자원의 적용에는 비효율성이 크다. 많은 수작업동안 분석자의 판단에 의해 생산량 예측이 달라지는 문제도 있다. 전통자원(conventional resources)에 비해 생산단가가 높은 셰일자원 개발시, 이와 같은 수작업이 많이 요구되는 DCA는 비용절감에 부적합하다는 문제점이 있다. 또한, DCA는 1945년 제안된 경험식으로 셰일가스의 특징인 저투과도, 수평시추 및 수압파쇄 등을 고려하면 DCA의 적용에 한계가 있으며, 일반적으로 실제 생산량보다 과대평가한다고 알려져 있다.
저류층시뮬레이션의 경우, 3차원 정적모델과 이를 기반으로 한 동적모델을 구축하기 위해 필요되는 자료가 매우 방대하며, 운영사(operator)가 아닌 경우 필요한 자료를 확보하는 것이 사실상 불가능하다. 한정된 자료로 여러 가정을 통해 저류층시뮬레이션을 수행하면, 불확실성이 커져 생산량 예측에 대한 신뢰성이 낮아진다. 또한 복잡한 자연균열 및 수압파쇄 모델링과 유체거동 메커니즘 모델링에 기술적 한계도 존재한다.
[선행기술문헌]
1. 한국 등록특허공보 제10-1694994호 (2017.01.04.)
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로, 그 목적은 셰일가스 생산량 이외에도 생산량에 영향을 미치는 지질학, 석유공학적 특징을 함께 이용하여 미래 생산량을 예측함으로써 보다 높은 예측 정확도를 갖을 뿐만 아니라, 대중에게 공개된 수준의 자료만을 이용하며, 분석자의 판단이 개입되지 않고 고밀도의 셰일가스 유정에 대해 수초 단위의 빠른 미래 생산량 예측이 가능한 딥러닝을 이용한 셰일가스 생산량 예측방법을 제공하기 위한 것이다.
상기한 바와 같은 목적을 달성하기 위해, 본 발명에 따르면, 딥러닝을 이용하여 셰일가스 생산량을 예측하기 위한 셰일가스 생산량 예측모델을 구축하고 구축된 예측모델을 통해 셰일가스 생산량을 예측하는 처리가 컴퓨터나 전용의 하드웨어에 의해 수행되도록 구성되는 딥러닝을 이용한 셰일가스 생산량 예측방법에 있어서, 상기 처리는, 유정의 생산이력을 포함하는 유정자료를 수집하는 자료수집단계; 상기 자료수집단계에서 수집된 상기 유정자료를 전처리하는 전처리단계; 딥러닝을 이용하여, 상기 전처리단계에서 전처리된 상기 유정자료의 생산자료 및 특징자료를 이용하여 생산량 예측모델을 학습하는 학습단계; 및 딥러닝을 이용하여, 상기 학습단계에서 학습된 상기 생산량 예측모델을 이용하여 유정의 미래 생산량을 예측하는 예측단계를 포함하여 구성되는 것을 특징으로 하는 딥러닝을 이용한 셰일가스 생산량 예측방법이 제공된다.
여기서, 상기 전처리단계는, 모든 유정의 생산시작시점은 무시하고 절대생산개월 수에 따라 상기 유정자료를 정리하도록 구성되는 것을 특징으로 한다.
또한, 상기 전처리단계는, (a) 확보된 상기 유정자료 중 특이 유정을 제외시키는 단계; (b) 상기 (a) 단계 후 개별 유정의 특이 생산구간을 생산이력에서 제외시키는 단계; (c) 상기 (b) 단계 후 수정된 생산이력이 타 유정에 대비하여 미리 정해진 기준값보다 짧은 유정을 제외시키는 단계; (d) 상기 (c) 단계 후 남아있는 유정들로부터 특징자료를 추출하는 단계; (e) 상기 (d) 단계 후 각각의 유정을 트레이닝 유정과 테스트 유정으로 분류하는 단계; (f) 상기 (e) 단계 후 분류된 트레이닝 유정의 생산자료 및 특징자료를 정규화하는 단계; 및 (g) 상기 (f) 단계 후 트레이닝 유정의 자료를 내림차순으로 정렬하는 단계를 포함하여 구성되는 것을 특징으로 한다.
아울러, 상기 (d) 단계는, 위치정보, 수평정정보, 수압파쇄정보, 생산정보, 저류층 물성정보, 지질학적 정보를 포함하는 유정자료를 분석하여 특징이 되는 자료를 추출하도록 구성되는 것을 특징으로 한다.
더욱이, 상기 학습단계는, 상기 셰일가스 생산량 예측모델의 네트워크 구조를 결정하는 단계; 상기 결정하는 단계에서 결정된 네트워크의 학습규칙을 설정하는 단계; 상기 설정하는 단계에서 설정된 학습규칙에 따라 네트워크 학습을 수행하는 단계; 및 상기 네트워크 학습을 수행하는 단계에서 수행된 학습결과가 미리 정해진 수용 가능한 오차 범위 내에 있는지의 여부를 판단하는 단계를 포함하여 구성되는 것을 특징으로 한다.
또한, 상기 학습단계는, 상기 네트워크 구조가 입력층, 한 개의 순환신경망층 및 출력층을 포함하여 구성되거나, 또는, 상기 네트워크 구조는, 입력층, 한 개의 순환신경망층, 출력층, 다수의 순환신경망층, 드롭아웃층 및 전결합층을 포함하여 구성되는 것을 특징으로 한다.
아울러, 상기 예측단계는, 상기 전처리단계에서 분류된 테스트 유정의 생산자료 및 특징자료를 정규화시키는 단계; 정규화된 상기 테스트 유정의 생산자료 및 특징자료를 상기 트레이닝 유정으로 학습된 예측모델에 적용시키는 단계; 및 정규화된 상기 테스트 유정의 생산자료 및 특징자료가 적용된 상기 예측모델을 통하여 상기 테스트 유정의 미래 셰일가스 생산량을 예측하는 단계를 포함하여 구성되는 것을 특징으로 한다.
더욱이, 상기 예측단계는, 상기 학습단계에서 학습에 함께 사용된 특징자료에 따라 미래시점의 생산량을 예측하도록 구성되는 것을 특징으로 한다.
또한, 상기 예측단계는, 원하는 미래시점까지 예측하기 위해, 이전의 생산량 예측결과를 다음의 예측모델에 대한 입력자료로 활용하여 학습된 예측모델을 반복적으로 사용하도록 구성되는 것을 특징으로 한다.
아울러, 본 발명에 따르면, 상기에 기재된 딥러닝을 이용한 셰일가스 생산량 예측방법을 컴퓨터에 실행시키도록 구성되는 프로그램이 기록된 컴퓨터에서 판독 가능한 기록매체가 제공된다.
더욱이, 본 발명에 따르면, 셰일가스 생산량 예측시스템에 있어서, 외부로부터 각종 데이터를 입력받기 위한 입력부; 상기 입력부를 통해 수신된 데이터에 근거하여 셰일가스 생산량을 예측하는 처리가 수행되는 데이터처리부; 및 상기 데이터처리부에 의해 수행된 처리결과를 출력하는 출력부를 포함하여 구성되고, 상기 데이터처리부는, 상기에 기재된 딥러닝을 이용한 셰일가스 생산량 예측방법을 이용하여 셰일가스의 생산량을 예측하도록 구성되는 것을 특징으로 하는 셰일가스 생산량 예측시스템이 제공된다.
본 발명의 딥러닝을 이용한 셰일가스 생산량 예측방법은, 셰일가스 생산량과 생산량으로부터 추출된 지질학, 석유공학적 특징을 함께 사용해 미래 생산량 예측 신뢰도를 향상시킬 수 있는 효과가 있다. 또한, 대중에게 공개된 자료만을 이용해 예측모델을 구축할 수 있어 활용성이 큰 효과가 있다.
또한, 본 발명의 딥러닝을 이용한 셰일가스 생산량 예측방법은, 예측모델이 학습된 후, 다수의 신규 유정의 미래 생산량 예측이 수초 단위 내로 이루어지므로 매우 빠르며, 신규 월간 생산량 획득시에는 생산량 예측을 실시간으로 갱신할 수 있는 효과가 있다.
또한, 본 발명의 딥러닝을 이용한 셰일가스 생산량 예측방법은, 학습된 모델을 바로 활용하면 되므로 사용자의 판단이 배제되어 편향(bias)되지 않는 결과를 주는 효과가 있다.
또한, 본 발명의 딥러닝을 이용한 셰일가스 생산량 예측방법은, 학습시 생산량과 함께 사용한 특징자료의 변화에 따른 미래 생산량 변화양상을 분석할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하기 위한 셰일가스 유정의 위치를 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하기 위한 셰일가스 유정의 월간 가스생산량을 나타낸 그래프이다.
도 3은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하기 위한 순환신경망을 이용한 네트워크 구성의 예를 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 트레이닝 유정 중 일부 유정의 실제 생산량과 학습모델의 예측 생산량을 나타낸 그래프이다.
도 5는 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 테스트 유정에 대한 실제 생산량과 학습모델의 예측 생산량을 나타낸 그래프이다.
도 6은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 테스트 유정에 대한 특징자료에 따른 예측 생산량의 변화를 나타낸 그래프이다.
도 7은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 테스트 유정에 대한 가용 생산이력에 따른 예측 생산량의 변화를 나타낸 그래프이다.
도 8은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하는 과정을 나타낸 순서도이다.
도 9는 본 발명의 일 실시예에 따른 도 8의 확보된 유정자료를 전처리하는 단계를 보다 상세하게 나타낸 순서도이다.
도 10은 본 발명의 일 실시예에 따른 도 8의 전처리된 트레이닝 유정의 생산자료 및 특징자료로 생산량 예측모델을 학습하는 단계를 보다 상세하게 나타낸 순서도이다.
도 11은 본 발명의 일 실시예에 따른 도 8의 학습된 모델을 활용하여 테스트 유정의 미래 생산량을 예측하는 단계를 보다 상세하게 나타낸 순서도이다.
이하, 본 발명의 실시예를 나타내는 첨부 도면을 참조하여 본 발명을 더욱 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하기 위한 셰일가스 유정의 위치를 나타낸 도면이다.
도 1을 참조하면, 캐나타 알버타주(Province of Alberta)의 셰일가스 유정들을 나타낸 도면이다. 본 발명에서는 특정 지역에 고밀도의 셰일가스 유정이 있는 지역을 선정하여 예측모델을 생성하였으며, 이를 만족하는 캐나타 알버타주에는 332개의 셰일가스 유정이 검색된다.
도 2는 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하기 위한 셰일가스 유정의 월간 가스생산량을 나타낸 그래프이다.
이와 같이 선정된 도 1에 나타낸 알버타주의 유정의 생산자료를 비롯한 유정자료를 전처리한다. 전처리에 있어서 모든 유정의 생산시작시점은 무시하고 도 2에서와 같이 절대생산개월 수에 따른 절대생산량으로 정리하였다. 한편, 전술한 예에서 절대생산량 대신에 필요에 따라 유정별 최대생산량값을 이용한 상대생산량을 사용할 수도 있다.
표 1은 절대생산개월 수에 따른 절대생산량을 나타낸 표이다.
[표 1]
Figure PCTKR2019004963-appb-I000001
[표 1]과 같이 월간 가스생산량이 0인 경우 제외하고 전처리된 생산량을 활용할 수 있다. 표 1에서 0이 포함되면 총 12개월 생산이력을 가지지만 0을 가진 4개월째 및 11개월째 자료를 제외하면 10개월의 절대생산개월 수에 따른 생산이력을 가진 유정으로 바뀐다. 전술한 실시예에서는 0으로 설명하였지만, 필요에 따라 0이 아닌 무시 가능한 작은 값을 0을 대체하는 기준값으로 설정하여 설정된 값 이내의 작은 값을 제외시킬 수도 있다.
한편, 전술한 332개의 유정 중에서 다음의 컷오프 기준에 따라 17개 유정은 제외시킬 수도 있다. 먼저, 332개의 유정 중 대상 지질층이 다른 1개의 유정을 제외시켰다. 여기서 331개의 유정은 Duvernay formation에서 셰일가스를 생산하지만, 1개의 유정만 Montney formation에서 셰일가스를 생산한 해당 유정 1개를 제외시켰다. 또한 남은 331개 유정 중 첫 수압파쇄 이후 생산을 진행하다가 추가의 수압파쇄를 수행하는 re-fracturing 유정 2개를 제외시켰다. 여기서, Monteny formation을 대상으로 하는 유정이나 re-fracturing 작업이 수행된 유정이 다수 확보되면 해당 특징도 예측모델에 반영될 수 있으므로 유정을 제외하지 않고 함께 사용하여 예측모델을 학습할 수 있다.
남은 329개 유정 중 생산이력이 다른 유정들에 대비하여 짧은 유정 14개를 제외하였다. 여기서 생산이력의 기준값은 6개월을 사용하였으며, 상황에 따라 다른 합리적인 기준을 사용할 수 있다. 또한 표 1과 같이 0의 생산량을 보인 생산구간을 제외한 전처리된 생산이력과 기준값을 비교할 수 있다. 이와 같이 332개의 유정 중에 17개의 유정을 제외시키고 315개의 유정만 활용하였다.
추려진 315개의 유정에 대한 월간 가스생산량 정보로부터 생산량에 큰 영향을 미치며 생산량자료로부터 추출가능한 특징인 셧인(shut-in) 정보를 획득한다. 여기서 생산량 예측에 영향을 미치는 다양한 유정자료, 예컨대 위치정보, 수평정정보, 수압파쇄정보, 생산정보, 저류층 물성정보, 지질학적 정보 등이 지질학, 석유공학적 특징이 될 수 있다. 이후 남은 315개 유정을 300개 트레이닝 유정과 15개 테스트 유정으로 분류하였다. 이후 필요에 따라 다양한 방법으로 트레이닝 자료를 정규화하고 필요에 따라 생산기간이 상이한 트레이닝 유정을 내림차순으로 정렬하였다.
도 3은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하기 위한 순환신경망을 이용한 네트워크 구성의 예를 나타낸 도면이다.
도 3을 참조하면, 300개 트레이닝 유정의 월간 가스생산량(Qt)과 셧인정보(SIt)를 입력층에 사용하고 순환신경망을 이용한 셰일가스 생산량 예측값이 출력층에 제시된다. 도 3에서의 네트워크 구조는 입력층, 한 개의 순환신경망층 및 출력층으로 구성될 수 있으며, 네트워크 구조는 필요에 따라 다수의 순환신경망층, 드롭아웃층, 전결합층 등이 추가될 수 있다. 여기서, 순환신경망층은 생산이력과 같이 시계열자료의 학습과 예측에 탁월한 성능을 보이는 딥러닝 알고리즘으로, 순환신경망 중에서도 긴 시계열자료에 효과적인 LSTM(long-short term memory) 알고리즘을 사용할 수 있다.
순환신경망층 및 전결합층의 수와 각 층 마다의 뉴런 수를 조절하여 일반화된 예측모델을 생성할 수 있다. 즉, 각 층과 뉴런을 많이 설정하면 트레이닝 유정에 대한 예측정확도는 증가하지만, 계산시간 증가가 클 뿐만 아니라 트레이닝 유정에만 최적화된 학습결과인 오버피팅(over-fitting) 문제가 발생해 학습에 사용되지않은 테스트 유정에 대한 예측성능은 감소하게 된다. 따라서, 네트워크 구조의 복잡도를 적절히 조절하여 트레이닝 유정에 대한 예측오차를 줄이면서도, 다른 유정의 생산량 예측에도 사용될 수 있는 일반화된 예측모델을 생성해야 한다. 드롭아웃층은 오버피팅 문제를 완화시키고 예측모델을 일반화시키기 위해 추가될 수 있다.
또한, 네트워크의 학습에 있어, 필요에 따라 학습하는 알고리즘, 미니배치(mini-batch) 수, 에포크(epoch) 수 등의 학습규칙을 조절할 수 있다. 본 발명의 실시예에서 학습된 모델은 입력된 생산자료 및 특징자료에 대해 한달 후 월간 가스생산량을 예측할 수 있으며 이는 필요에 따라 유사한 다른 예측모델에 적용 가능하다.
도 4는 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 트레이닝 유정 중 일부 유정의 실제 생산량과 학습모델의 예측 생산량을 나타낸 그래프이다.
도 4를 참조하면, 300개 트레이닝 유정 중 6개 유정의 생산량 예측결과를 나타내고 있다. 그래프에서 가로축은 시간, 세로축은 월간 평균 셰일가스 생산량을 나타낸다. 그래프에서 점선은 실제 생산량이며, 점(원) 표시가 학습된 예측모델에 의한 예측생산량을 나타낸다. 예를 들어 한 트레이닝 유정에 1~30개월의 자료가 있는 경우, 1~29개월의 생산정보 및 특징자료를 학습된 모델에 입력하여 얻어진 30개월의 생산량과 실제 30개월의 생산량을 비교하여 30개월 시점에서의 미래 생산량 예측이 적합한 지의 여부를 확인하였다. 그 결과 미래 생산량 예측값과 실제 생산량값이 일치하거나 미세한 차이를 나타내었다.
도 5는 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 테스트 유정에 대한 실제 생산량과 학습모델의 예측 생산량을 나타낸 그래프이다.
도 5를 참조하면, 테스트 유정은 도 9의 전처리과정에서 315개 유정 중 무작위로 15개의 유정을 설정하였다. 도 5와 도 4의 차이는 도 4는 예측모델 학습에 사용된 트레이닝 유정에 대한 예측결과이고, 도 5는 학습시 사용되지 않은 테스트 유정에 대한 예측결과이다. 도 5는 도 4와 동일한 범례를 가지며 다만 십자(+) 표시는 생산량과 셧인정보를 모두 사용하여 예측모델을 학습한 경우(2 유정정보)의 예측결과이며, x 표시는 생산량정보만 사용하여 예측모델을 학습한 경우(1 유정정보)의 예측결과인 점이 다르다. 즉, 특징자료를 추가로 활용함에 따라 얻게 되는 효과를 확인하기 위해 두 예측모델의 결과를 비교하였다.
예를 들어 한 테스트 유정에 1~30개월의 자료가 있는 경우, 두 학습모델이 각각 필요로 하는 1~29개월의 정보를 입력하고 각 학습모델에서 예측된 30개월의 생산량과 실제 30개월의 생산량을 비교하여 30개월 시점에서의 미래 생산량 예측이 적합한지 여부를 확인하였다. 두 개의 학습모델로부터 얻어진 미래 생산량 예측값과 실제 생산량값이 일치하거나 미세한 차이를 나타내었다. 두 개의 학습모델의 예측결과를 비교하면 두 개의 유정정보(생산량과 셧인)을 함께 학습에 사용한 경우(2 유정정보)가 생산량을 단독으로 학습한 경우(1 유정정보)보다 예측정확도가 우월하다. 15개 테스트 유정에 대한 예측값의 평균제곱근오차(root mean squre error)는 두 개의 유정정보일 때 4.5226, 한 개의 유정정보일 때 7.1781의 값을 보였다. 이는 최신 기계학습기술을 타분야에 적용할 때 예측하려는 인자뿐만 아니라 해당분야의 지식에 근거한 추가적인 특징자료를 함께 사용하는 것이 예측결과를 향상시킴을 보여준다.
도 6은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 테스트 유정에 대한 특징자료에 따른 예측 생산량의 변화를 나타낸 그래프이다.
도 6을 참조하면, 15개 테스트 유정에 대한 예측결과를 나타내며 도 4 및 5와 동일한 범례를 가지며, 다만 각각의 표시들은 각각 셧인이 없는 경우, 1개월, 2개월 및 3개월의 셧인이 있는 경우에 대한 예측결과인 점이 다르다. 이 때 도 5와 같이 1~30개월의 자료가 있는 경우, 1~29개월의 생산자료 및 특징자료를 학습모델에 입력하는 점은 같으나 29개월째 셧인값을 0~3개월로 다르게 설정하여 30개월의 생산량을 예측하는 점이 다르다. 이를 통해 현장운영조건에 따른 미래 생산량 예측이 가능하며, 이는 생산량만 이용하는 DCA기법에서는 분석할 수 없는 사항이다. 셧인에 따라 30개월의 생산량을 예측한 결과, 셧인기간이 길수록 30개월에서의 생산량이 증가하는 경향을 확인했으며, 이는 석유공학적으로 합리적인 예측이다.
도 7은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 이용해 테스트 유정에 대한 가용 생산이력에 따른 예측 생산량의 변화를 나타낸 그래프이다.
도 7을 참조하면, 15개 테스트 유정 중 1~27개월의 생산이력이 있는 유정에 대해 가용한 생산이력에 따른 예측성능을 비교한 결과이다. 도 4 내지 도 6에서는 1~27개월의 자료가 있다면, 1~26개월의 자료를 이용해 27개월에서의 예측값과 실제값을 비교하였다. 하지만 도 7에서는 1개월부터 6~26개월까지 자료가 있을 때를 가정해서 각각 27개월까지의 생산량을 예측한 것이다.
비록 300개 트레이닝 유정으로 학습한 모델은 1개월 앞의 생산량만 예측할 수 있지만, 예측된 1개월 앞의 자료를 다시 입력자료로 활용하면 2개월 앞의 생산량을 예측할 수 있다. 이 과정을 반복하면 1개월 앞이 아닌 훨씬 먼 미래의 생산량까지 예측가능하다.
도 7은 각각 1~6개월, 1~12개월, 1~18개월, 1~24개월의 자료로 27개월까지 예측한 결과를 보여주며, 점선이 실제값, 실선이 예측값이다. 활용가능한 생산이력이 길어짐에 따라 27개월 시점의 예측정확도가 높아짐을 알 수 있다. 하지만 우수한 예측성능으로 인해 6개월 또는 12개월까지의 생산이력만으로도 27개월까지의 우수한 예측성능을 보인다.
도 8은 본 발명의 일 실시예에 따른 딥러닝을 이용한 셰일가스 생산량 예측모델을 생성하는 과정을 나타낸 순서도이다.
도 8을 참조하면, 본 발명의 방법은 미도시된 컴퓨터 또는 프로세서에 의해 평가될 수 있으며 또는 다수의 컴퓨터가 연결된 네트워트 형태로 처리될 수 있다. 따라서, 하기의 방법에서는 처리의 주체를 별도로 표시하기 않을 것이다.
S202단계에서 대중에 공개된 수준의 유정자료를 확보한다. 이때 유정자료는 위치정보, 수평정정보, 수압파쇄정보, 생산정보, 저류층 물성정보, 지질학적 정보 등이 될 수 있다.
S204단계에서 유정자료를 전처리한다. 도 9에 도시된 바와 같이 필요에 따라 다양한 전처리절차를 거치며, 필요에 따라 유정의 생산시작시점은 무시하고 절대생산개월 수에 따라 전처리할 수 있다.
S206단계에서 상기 전처리된 트레이닝 유정을 이용하여 셰일가스 생산량 예측 모델 학습한다. 예측모델은 도 3에 도시된 바와 같은 형태의 네트워크 구조로 나타낼 수 있으며, 일반화를 고려하여 구조의 복잡도를 결정할 수 있다.
S208단계에서 상기 학습된 모델을 테스트 유정의 셰일가스 생산량 예측에 활용한다. 학습된 모델의 성능을 평가하는 상세한 과정은 전술한 도 4 내지 도 7의 과정에서 전술하여 설명되어 있다.
도 9는 본 발명의 일 실시예에 따른 도 8의 확보된 유정자료를 전처리하는 단계를 보다 상세하게 나타낸 순서도이다.
도 9를 참조하면, S302단계에서 상기 확보된 유정 중 특이 유정을 제외한다. 제외시키는 유정은 사안에 따라 다를 수 있으나, 전술한 바와 같이 대상 지질층이 다른 유정이나 re-fracturing 작업이 수행된 유정 등이 될 수 있다.
S304단계에서 상기 추려진 개별 유정의 특이 생산구간을 생산이력에서 제외한다. 특이 생산구간은 사안에 따라 다를 수 있으나, 표 1에서 전술한 바와 같이 월간 생산량이 0인 경우 제외하며 0이 아닌 무시가능한 생산량을 기준값으로 설정할 수 있다.
S306단계에서 상기 수정된 생산이력이 짧은 유정을 제외한다. 생산이력의 기준값은 사안에 따라 다를 수 있으나, 전술한 바와 같이 6개월 이하의 생산이력을 가진 유정으로 설정될 수 있으며, 시계열자료로 사용하기에 적합한 자료길이를 기준값으로 설정할 수 있다.
S308단계에서 상기 추려진 유정으로부터 특징자료를 추출한다. 특징자료 추출은 예측 목표인자인 생산량을 포함하여, 지질학, 석유공학적 관점에서 생산량 예측에 영향을 미치는 인자들이 될 수 있다. 예컨대 위치정보, 수평정정보, 수압파쇄정보, 생산정보, 저류층 물성정보, 지질학적 정보 등이 대상이 될 수 있다.
S310단계에서 상기 추려진 유정을 트레이닝 유정과 테스트 유정으로 분류한다. 트레이닝 유정은 도 3에 도시된 네트워크 구조를 학습시키고 최적화된 예측모델을 생성하는 데 사용된다. 테스트 유정은 학습된 예측모델을 이용해 미래 생산량을 예측하고 예측모델의 성능을 평가하는 데 활용될 수 있다.
S312단계에서 상기 분리된 트레이닝 유정의 생산자료 및 특징자료를 정규화한다. 정규화를 통해 다종의 유정정보를 사용함에 있어 발생하는 학습오류를 방지한다. 테스트 유정자료는 학습 시 없다고 가정되므로 트레이닝 유정의 정규화에 필요한 통계값은 트레이닝 유정의 정보만 이용하여 계산해야 한다.
S314단계에서 상기 트레이닝 유정의 자료를 내림차순으로 정렬한다. 내림차순의 기준은 사안에 따라 다를 수 있으나, 생산이력의 길이가 기준이 될 수 있다.
도 10은 본 발명의 일 실시예에 따른 도 8의 전처리된 트레이닝 유정의 생산자료 및 특징자료로 생산량 예측모델을 학습하는 단계를 보다 상세하게 나타낸 순서도이다.
도 10을 참조하면, S402단계에서 셰일가스 생산량 예측 모델의 네트워크 구조를 결정한다. 네크워크 구조는 도 3과 같이 입력층, 한 개의 순환신경망층, 출력층으로 단순하게 구성할 수 있다. 전술한 바와 같이 네트워크 구조는 필요에 따라 다수의 순환신경망층, 드롭아웃층, 전결합층 등이 추가될 수 있다. 순환신경망층 및 전결합층의 수와 각 층 마다의 뉴런 수는 오버피팅 문제가 발생지 않도록 복잡도를 적절히 조절해 일반화된 예측모델을 생성해야한다. 일반화된 예측모델을 위해 드롭아웃층을 추가할 수도 있다.
S404단계에서 상기 결정된 네트워크의 학습규칙을 설정한다. 학습규칙에는 학습알고리즘, 미니배치 수, 에포크 수 등을 조절해 최적의 학습이 이뤄질 수 있도록 할 수 있다.
S406단계에서 상기 결정된 학습규칙에 따라 네트워크 학습을 수행한다. 학습된 모델은 입력된 생산이력의 한달 후 월간 가스생산량을 예측할 수 있으며, 도 6 내지 도 7에서 전술한 바와 같이 특징자료에 따른 예측값 변화와 훨씬 더 먼 미래의 생산량 예측 등에도 응용될 수 있다.
S408단계에서 상기 수행된 학습결과가 수용 가능한 오차인지의 여부를 판단한다. 즉, 트레이닝 유정에 대한 예측 생산량과 실제 생산량의 오차가 수용 가능한 범위 내에 있는 지의 여부를 판단한다. S408단계에서의 판단결과 예측 생산량과 실제 생산량의 오차가 수용 가능한 범위 내에 있는 경우에는 이를 수용하고 종료하며, 예측 생산량과 실제 생산량의 오차가 수용 가능한 범위를 초과하는 경우에는 S402단계로 리턴한다.
도 11은 본 발명의 일 실시예에 따른 도 8의 학습된 모델을 활용하여 테스트 유정의 미래 생산량을 예측하는 단계를 보다 상세하게 나타낸 순서도이다.
도 11을 참조하면, S502단계에서 상기 분리된 테스트 유정의 생산자료 및 특징자료를 정규화한다. 이 때 트레이닝 자료의 정규화에 사용된 통계값을 활용해 테스트 유정의 정규화를 진행해야 한다.
S504단계에서 상기 정규화된 테스트 유정을 상기 트레이닝 유정으로 학습된 예측모델에 적용한다. 이미 트레이닝 유정을 통해 도 3의 예측모델이 구축되어 있으므로 수초 단위내로 예측값이 계산되며, 신규 월간 생산량 획득 시에는 실시간으로 예측값을 갱신할 수 있는 효과가 있다. 또한, 사용자의 판단이 배제되는 점과 도 6과 같이 학습시 생산량과 함께 사용한 특징자료의 변화에 따른 미래 생산량 변화 양상을 분석할 수 있는 효과가 있다.
S506단계에서 상기 적용을 통해 테스트 유정의 미래 셰일가스 생산량을 예측한다. 예측모델은 한달 앞의 생산량을 예측할 수 있지만, 도 7과 같이 예측값을 다시 입력값으로 사용하는 방식을 반복하면 훨씬 먼 미래의 생산량까지 예측할 수도 있다.
상기 본 발명의 내용은 도면에 도식된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (11)

  1. 딥러닝을 이용하여 셰일가스 생산량을 예측하기 위한 셰일가스 생산량 예측모델을 구축하고 구축된 예측모델을 통해 셰일가스 생산량을 예측하는 처리가 컴퓨터나 전용의 하드웨어에 의해 수행되도록 구성되는 딥러닝을 이용한 셰일가스 생산량 예측방법에 있어서,
    상기 처리는,
    유정의 생산이력을 포함하는 유정자료를 수집하는 자료수집단계;
    상기 자료수집단계에서 수집된 상기 유정자료를 전처리하는 전처리단계;
    딥러닝을 이용하여, 상기 전처리단계에서 전처리된 상기 유정자료의 생산자료 및 특징자료를 이용하여 생산량 예측모델을 학습하는 학습단계; 및
    딥러닝을 이용하여, 상기 학습단계에서 학습된 상기 생산량 예측모델을 이용하여 유정의 미래 생산량을 예측하는 예측단계를 포함하여 구성되는 것을 특징으로 하는 딥러닝을 이용한 셰일가스 생산량 예측방법.
  2. 제 1항에 있어서,
    상기 전처리단계는,
    모든 유정의 생산시작시점은 무시하고 절대생산개월 수에 따라 상기 유정자료를 정리하도록 구성되는 것을 특징으로 하는 딥러닝을 이용한 셰일가스 생산량 예측방법.
  3. 제 2항에 있어서,
    상기 전처리단계는,
    (a) 확보된 상기 유정자료 중 특이 유정을 제외시키는 단계;
    (b) 상기 (a) 단계 후 개별 유정의 특이 생산구간을 생산이력에서 제외시키는 단계;
    (c) 상기 (b) 단계 후 수정된 생산이력이 타 유정에 대비하여 미리 정해진 기준값보다 짧은 유정을 제외시키는 단계;
    (d) 상기 (c) 단계 후 남아있는 유정들로부터 특징자료를 추출하는 단계;
    (e) 상기 (d) 단계 후 각각의 유정을 트레이닝 유정과 테스트 유정으로 분류하는 단계;
    (f) 상기 (e) 단계 후 분류된 트레이닝 유정의 생산자료 및 특징자료를 정규화하는 단계; 및
    (g) 상기 (f) 단계 후 트레이닝 유정의 자료를 내림차순으로 정렬하는 단계를 포함하여 구성되는 것을 특징으로 하는 딥러닝을 이용한 셰일가스 생산량 예측방법.
  4. 제 3항에 있어서,
    상기 (d) 단계는,
    위치정보, 수평정정보, 수압파쇄정보, 생산정보, 저류층 물성정보, 지질학적 정보를 포함하는 유정자료를 분석하여 특징이 되는 자료를 추출하도록 구성되는 것을 특징으로 하는 딥러닝을 이용한 셰일가스 생산량 예측방법.
  5. 제 1항에 있어서,
    상기 학습단계는,
    상기 셰일가스 생산량 예측모델의 네트워크 구조를 결정하는 단계;
    상기 결정하는 단계에서 결정된 네트워크의 학습규칙을 설정하는 단계;
    상기 설정하는 단계에서 설정된 학습규칙에 따라 네트워크 학습을 수행하는 단계; 및
    상기 네트워크 학습을 수행하는 단계에서 수행된 학습결과가 미리 정해진 수용 가능한 오차 범위 내에 있는지의 여부를 판단하는 단계를 포함하여 구성되는 것을 특징으로 하는 딥러닝을 이용한 셰일가스 생산량 예측방법.
  6. 제 5항에 있어서,
    상기 학습단계는,
    상기 네트워크 구조가 입력층, 한 개의 순환신경망층 및 출력층을 포함하여 구성되거나,
    또는, 상기 네트워크 구조는, 입력층, 한 개의 순환신경망층, 출력층, 다수의 순환신경망층, 드롭아웃층 및 전결합층을 포함하여 구성되는 것을 특징으로 하는 딥러닝을 이용한 셰일가스 생산량 예측방법.
  7. 제 1항에 있어서,
    상기 예측단계는,
    상기 전처리단계에서 분류된 테스트 유정의 생산자료 및 특징자료를 정규화시키는 단계;
    정규화된 상기 테스트 유정의 생산자료 및 특징자료를 상기 트레이닝 유정으로 학습된 예측모델에 적용시키는 단계; 및
    정규화된 상기 테스트 유정의 생산자료 및 특징자료가 적용된 상기 예측모델을 통하여 상기 테스트 유정의 미래 셰일가스 생산량을 예측하는 단계를 포함하여 구성되는 것을 특징으로 하는 딥러닝을 이용한 셰일가스 생산량 예측방법.
  8. 제 7항에 있어서,
    상기 예측단계는,
    상기 학습단계에서 학습에 함께 사용된 특징자료에 따라 미래시점의 생산량을 예측하도록 구성되는 것을 특징으로 하는 딥러닝을 이용한 셰일가스 생산량 예측방법.
  9. 제 8항에 있어서,
    상기 예측단계는,
    원하는 미래시점까지 예측하기 위해, 이전의 생산량 예측결과를 다음의 예측모델에 대한 입력자료로 활용하여 학습된 예측모델을 반복적으로 사용하도록 구성되는 것을 특징으로 하는 딥러닝을 이용한 셰일가스 생산량 예측방법.
  10. 청구항 1항 내지 청구항 9항 중 어느 한 항에 기재된 딥러닝을 이용한 셰일가스 생산량 예측방법을 컴퓨터에 실행시키도록 구성되는 프로그램이 기록된 컴퓨터에서 판독 가능한 기록매체.
  11. 셰일가스 생산량 예측시스템에 있어서,
    외부로부터 각종 데이터를 입력받기 위한 입력부;
    상기 입력부를 통해 수신된 데이터에 근거하여 셰일가스 생산량을 예측하는 처리가 수행되는 데이터처리부; 및
    상기 데이터처리부에 의해 수행된 처리결과를 출력하는 출력부를 포함하여 구성되고,
    상기 데이터처리부는,
    청구항 1항 내지 청구항 9항 중 어느 한 항에 기재된 딥러닝을 이용한 셰일가스 생산량 예측방법을 이용하여 셰일가스의 생산량을 예측하도록 구성되는 것을 특징으로 하는 셰일가스 생산량 예측시스템.
PCT/KR2019/004963 2018-11-15 2019-04-24 딥러닝을 이용한 셰일가스 생산량 예측방법 WO2020101128A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180140858 2018-11-15
KR10-2018-0140858 2018-11-15

Publications (1)

Publication Number Publication Date
WO2020101128A1 true WO2020101128A1 (ko) 2020-05-22

Family

ID=70731569

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/004963 WO2020101128A1 (ko) 2018-11-15 2019-04-24 딥러닝을 이용한 셰일가스 생산량 예측방법

Country Status (1)

Country Link
WO (1) WO2020101128A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784065A (zh) * 2020-07-09 2020-10-16 东北石油大学 一种基于灰关联的油井产能智能预测方法
CN115017827A (zh) * 2022-06-30 2022-09-06 中国科学院力学研究所 一种基于深度学习的气藏开发规律预测方法及系统
CN115199240A (zh) * 2022-08-25 2022-10-18 西南石油大学 一种页岩气井产量预测方法、装置及存储介质
CN116451877A (zh) * 2023-06-16 2023-07-18 中国石油大学(华东) 一种基于可计算语义网络的管网停开井产量预测方法
CN116882639A (zh) * 2023-09-08 2023-10-13 山东立鑫石油机械制造有限公司 基于大数据分析的石油钻采设备管理方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150039544A1 (en) * 2013-07-31 2015-02-05 Schlumberger Technology Corporation Resource production forecasting
KR101657889B1 (ko) * 2015-03-31 2016-09-20 서울대학교산학협력단 유·가스 저류층의 확률론적 궁극가채량 예측 방법
KR101864286B1 (ko) * 2017-11-10 2018-07-04 주식회사 한컴엠디에스 머신 러닝 알고리즘을 이용하는 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150039544A1 (en) * 2013-07-31 2015-02-05 Schlumberger Technology Corporation Resource production forecasting
KR101657889B1 (ko) * 2015-03-31 2016-09-20 서울대학교산학협력단 유·가스 저류층의 확률론적 궁극가채량 예측 방법
KR101864286B1 (ko) * 2017-11-10 2018-07-04 주식회사 한컴엠디에스 머신 러닝 알고리즘을 이용하는 방법 및 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KO, KYUNGNAM ET AL.: "A Study of Shale Gas Field Sweet Spot Determination Process", JOURNAL OF THE GEOLOGICAL SOCIETY OF KOREA THE GEOLOGICAL SOCIETY OF KOREA, vol. 52, no. 6, December 2016 (2016-12-01), pages 799 - 814 *
SUNG, MIN CHUL.: "The Development of Production Data Analysis Model and Its Application for Production Forecast", MASTER'S THESIS, February 2014 (2014-02-01), pages 1 - 81 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784065A (zh) * 2020-07-09 2020-10-16 东北石油大学 一种基于灰关联的油井产能智能预测方法
CN115017827A (zh) * 2022-06-30 2022-09-06 中国科学院力学研究所 一种基于深度学习的气藏开发规律预测方法及系统
CN115199240A (zh) * 2022-08-25 2022-10-18 西南石油大学 一种页岩气井产量预测方法、装置及存储介质
CN116451877A (zh) * 2023-06-16 2023-07-18 中国石油大学(华东) 一种基于可计算语义网络的管网停开井产量预测方法
CN116451877B (zh) * 2023-06-16 2023-09-01 中国石油大学(华东) 一种基于可计算语义网络的管网停开井产量预测方法
CN116882639A (zh) * 2023-09-08 2023-10-13 山东立鑫石油机械制造有限公司 基于大数据分析的石油钻采设备管理方法及系统
CN116882639B (zh) * 2023-09-08 2023-12-08 山东立鑫石油机械制造有限公司 基于大数据分析的石油钻采设备管理方法及系统

Similar Documents

Publication Publication Date Title
WO2020101128A1 (ko) 딥러닝을 이용한 셰일가스 생산량 예측방법
CN110674841B (zh) 一种基于聚类算法的测井曲线识别方法
CN109034194B (zh) 基于特征分化的交易欺诈行为深度检测方法
KR102170765B1 (ko) 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법
CN110619353B (zh) 一种基于深度学习的多尺度测井曲线自动识别方法
CN107463878A (zh) 基于深度学习的人体行为识别系统
Miranda et al. Geomechanical characterization of volcanic rocks using empirical systems and data mining techniques
CN111767674B (zh) 一种基于主动域适应的测井岩性识别方法
CN112761628B (zh) 基于长短期记忆神经网络的页岩气产量确定方法、装置
CN107463879A (zh) 基于深度学习的人体行为识别方法
Bashari et al. Estimation of deformation modulus of rock masses by using fuzzy clustering-based modeling
CN115329657B (zh) 钻井参数优化方法及装置
CN113792936A (zh) 一种随钻岩性智能识别方法、系统、设备和存储介质
CN109635244A (zh) 岩石可钻性预测方法、系统、存储介质及电子终端
CN113065279A (zh) 预测总有机碳含量的方法、装置、设备及存储介质
Noureldien et al. Using Artificial Intelligence in Estimating Oil Recovery Factor
Qin et al. Evaluation of goaf stability based on transfer learning theory of artificial intelligence
CN106951466A (zh) 基于knn‑svm的领域文本特征提取方法和系统
CN107589466A (zh) 一种用于评价待发现资源量空间分布特征的方法
Sarkheil et al. The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements
CN111626377A (zh) 一种岩相识别方法、装置、设备及存储介质
He et al. A review of soft computing techniques in predicting overbreak induced by tunnel blasting
Shen et al. Applications of Deep Learning Methodology in Real-Time Completion Event Recognition
CN113090249B (zh) 样本数据提取、套管损坏预测方法、装置、设备和介质
Munagala et al. An Integrated Federated Learning and Meta-Learning Approach for Mining Operations

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: 19883781

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: 19883781

Country of ref document: EP

Kind code of ref document: A1