유가스정 생산추이 예측을 위한 머신러닝 모델 구축 연구

Abstract

4차 산업혁명의 핵심 기술인 머신러닝은 다양한 산업분야에서 활발이 활용되고 있다. 석유개발분야에서도 많은 연구가 진행되고 있으며, 특히 유가스정 생산의 감퇴경향 및 궁극가채량 등을 예측하기 위해 인공신경망(artificial neural network), 랜덤 포레스트(random forest), 서포트 벡터 머신(support vector machine), 딥러닝(deep learning) 등의 기술이 활용되고 있다. 석유·가스 저류층에서 생산 프로파일(production profile)과 궁극가채량(estimated ultimate recovery, EUR) 예측은 생산 계획 수립에 있어 매우 중요하다. 생산 프로파일과 궁극가채량을 예측하는 기본적인 방법은 생산감퇴곡선법(decine curve analysis, DCA)이다. 전통적으로 많이 사용되는 방법인 Arp's 감퇴곡선법를 셰일가스 데이터에 적용할 경우 셰일 가스의 감퇴지수가 일반적으로 1을 초과하기 때문에 실제 생산 프로파일과 궁극가채량을 예측하는데 한계가 있다. 따라서 이 연구에서는 수정된쌍곡선법(modified hyperbolic)을 사용하여 생산감퇴곡선 변수를 계산하였다. 랜덤포레스트 모델에 학습시키기 위해 셰일가스 데이터의 전처리를 수행하였다. 이 연구에서는 최소 60개월 이상의 생산량 자료가 있는 생산정, 월 생산량이 최소 1,000 Mscf 이상인 생산정, Lower Barnett 저류층에서 생산하는 생산정, 주 생산유체가 가스인 생산정, 수평정(horizontal well)을 통해 생산되는 생산정을 선별하였다. 선별된 데이터를 수정된 쌍곡선법에 적용하여 감퇴율, 감퇴지수, 궁극가채량의 생산감퇴곡선법 변수를 취득하였다. 저류층 데이터, 유정완결 데이터, 초기 12개월간의 생산량 데이터를 입력 데이터 세트로, 출력 데이터세트로 각각 감퇴지수, 감퇴율, 궁극가채량을 설정하여 랜덤 포레스트 모델을 학습시켰다. 랜덤 포레스트 모델에 학습한 후 모델의 불확실성을 분석하기 위해 예측값을 사용하여 신뢰구간을 계산하였다. 또한 예측된 생산감퇴곡선 변수를 사용하여 누적생산프로파일 및 궁극가채량을 계산한 뒤 실제 궁극가채량과 비교하였다. 이 연구 결과로부터 셰일 가스 생산정의 궁극가채량 추정을 위한 생산감퇴곡선법 변수를 예측하고 예측된 변수를 사용하여 궁극가채량을 추정할 수 있었다. 향후 입력 데이터의 수정을 통해 보다 신뢰성 있는 결과를 얻을 수 있을 것으로 예상되며, 연구 결과를 통해 현장에서도 쉽게 궁극가채량을 예측하는 모델 개발의 기초자료로 활용 될 수 있다.|Machine learning that is the core technology of the fourth industrial revolution is widely used in various industry. In petroleum industry, there are a lot of trials for various analyse. Especially, many technologies are used for forecasting decline trends and estimated ultimate recovery (EUR) such as convolution neural network (CNN), recurrent neural network (RNN), random forest, support vector machine (SVM) etc. Prediction of production profile and EUR are important to make production plan. One of methods to predict production profile and EUR is Arp’s decline curve analysis (Arp’s DCA). However, when applying shale gas production data to Arp’s DCA which assumes decline exponent () is not over 1, there are limits to reflect real production profile and EUR because the decline exponent of shale gas is generally over 1. Therefore, in this study modified hyperbolic DCA was used to calculate DCA parameters. Data preprocessing has to be done before training a model. In this study, wells were selected with the following criteria: over 60 month, same production formation, gas production as the main fluid. Selected data was applied to modified hyperbolic DCA to get DCA parameters such as decline rate, decline exponent and EUR. Random forest models were trained using input and output data set. Input data set for random forest consists of static data such as reservoir properties, well completion, and initial 12 months production rate. Output data set were EUR, decline rate, and decline exponent respectively. After training random forest model, confidence interval were calculated using predicted value to analyze uncertainty of the models. Also, cumulative production profile and EUR can be calculated using predicted and . and compared with real EUR. From the result of this study, it was possible to predict DCA parameters for estimation EUR of shale gas wells and to estimate EUR using predicted DCA parameters. It is expected that more reliable result can be obtained by improving input data. The results in this study it can be used as the basis for developing EUR prediction model with the production profile.