주의집중 메커니즘을 결합한 양방향 게이트 순환 유닛 기반 셰일가스 생산량 예측 개선 연구
Improving Shale Gas Production Forecasting through the Integration of Bidirectional Gated Recurrent Unit and Attention Mechanism
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
순환신경망(RNN)은 유․가스 생산량 예측에 널리 이용되나, 훈련정보 소실 가능성으로 인해 셰일가스의 생산 감퇴경향 해석에 한계가 존재한다. 이에 양방향 게이트 순환 유닛(BiGRU)의 학습 성능과 셰일가스 생산량 예측 정확도를 향상시키고자 하였으며, 이를 위해 장단기기억(LSTM) 신경망과의 비교를 통해 BiGRU의 한계와 적용성을 분석하였다. 이 연구에서는 BiGRU의 성능을 개선하기 위해 주의집중 메커니즘과 생산감퇴특성을 적용한 결과 예측 오차가 점차 낮은 수준으로 집중되어 최종적으로 LSTM 대비 평균적인 평균절대백분율오차(MAPE) 및 정규화된평균제곱근오차(NRMSE)를 각각 35.7%, 40.8%에서 16.2%, 18.2%로 감소시켰다. 이 연구는 셰일가스 생산량자료의 다양한 특성을 효과적으로 반영함으로써 신뢰성 있는 생산량 예측의 가능성을 제시하였다.
Abstract
Recurrent neural networks (RNN) are widely used for predicting oil and gas production. However, in the analysis of shale gas production, these models often suffer from the loss of training information. This study aimed to enhance the learning performance of a bidirectional gated recurrent unit (BiGRU) and improve the accuracy of shale gas production forecasting. To achieve this, we evaluated the limitations and applicability of BiGRU by comparing its performance with that of long short-term memory (LSTM). To enhance the performance of BiGRU, the decline characteristics were considered using the attention mechanism. This resulted in the prediction errors clustering tightly at lower levels, reducing the average mean absolute percentage error (MAPE) and normalized root mean squared error (NRMSE) from 35.7% and 40.8% to 16.2% and 18.2%, respectively, compared with those of the LSTM-based model. This study demonstrated that reliable production forecasting can be achieved by effectively reflecting the characteristics of various types of shale gas production data.