본문 바로가기
KERD
논문

셰일가스 생산량 예측 모델의 성능개선을 위한 장단기기억 신경망 기반 생산감퇴특성 추출 및 활용 연구

Extraction and Application of Decline Characteristics Based on Long Short-Term Memory Neural Networks to Improve the Performance of Shale Gas Production Prediction Model

임종세|신효진|이대모
한국자원공학회 (The Korean Society of Mineral and Energy Resources Engineers)|2023.12|한국자원공학회지 (Journal of the Korean Society of Mineral and Energy Resources Engineers)|제60권 제6호|pp. 504-515

1

조회

0

다운로드

0

인용

0

참고문헌

키워드

셰일가스shale gas생산량 예측생산감퇴특성장단기기억 신경망long short-term memory neural networksdecline characteristicspredicting production
주제분류자원공학

초록

셰일가스 생산량을 예측하기 위해 생산감퇴곡선분석법을 이용한 다양한 연구가 진행되었으며, 최근에는 인공지능 기반의 머신러닝 기법이 제안되고 있다. 일반적으로 생산이력을 입력자료로 활용하여 미래의 생산량을 예측하는 방식이 적용되고 있지만, 주어진 자료에서 특정한 자료를 가공하여 예측성능을 개선하는 연구는 부족한 실정이다. 이 연구에서는 장단기기억 신경망을 이용하여셰일가스의 생산량을 예측하였으며, 생산이력으로부터 셰일가스의 감퇴경향을 반영할 수 있도록생산감퇴특성을 추출한 후 활용하여 예측성능을 개선하였다. 향후 장단기기억 신경망 기반의 셰일가스 생산량 예측 시 생산이력으로부터 생산감퇴특성에 관한 자료를 가공하고 입력자료로 이용함으로써 개선된 결과를 도출할 수 있을 것이다.

Abstract

Various studies have used decline curve analysis (DCA) to predict shale gas production, with recent proposals focusing on artificial intelligence-based machine learning techniques. Future production is generally predicted using production history as input data, but few studies have examined how to improve predictive performance by processing specific data from given data. This study used Long Short-Term Memory (LSTM) neural networks to predict the production of shale gas, and predictive performance was improved by extracting and using decline characteristics to reflect the decline trend of shale gas. Future predictions of shale gas production based on Long Short-Term Memory neural networks can be improved by processing data on decline characteristics from production history and using them as input data.

참고문헌 (35)

  1. Alakeely, A., "Simulating the behavior of reservoirs with convolutional and recurrent neural networks", SPE Reservoir Evaluation and Engineering, 23(3), pp.992~1005 (2020)
  2. Alom, M. Z., "A state-of-the-art survey on deep learning theory and architectures", Electronics, 8(3), pp.1~66 (2019)
  3. Arps, J. J., "Analysis of decline curves", Transactions of the AIME, 160(1), pp.228~247 (1945)
  4. Botchkarev, A., "A new typology design of performance metrics to measure errors in machine learning regression algorithms", Interdisciplinary Journal of Information, Knowledge, and Management, 14, pp.45~76 (2019)
  5. 최용욱, "베이지안 최적화를 이용한 암상 분류 모델의 하이퍼 파라미터 탐색", 지구물리와 물리탐사, 23(3), pp.157~167 (2020), 한국지구물리.물리탐사학회
  6. De Gooijer, J. G., "25 Years of time series forecasting", International Journal of Forecasting, 22(3), pp.443~473 (2006)
  7. Duong, A. N., "Rate-decline analysis for fracture-dominated shale reservoirs", SPE Reservoir Evaluation Engineering, 22(3), pp.377~387 (2011)
  8. Engelder, T., "Marcellus Shale play’s Vast Resource Potential Creating Stir in Appalachia", American Oil and Gas Reporter, 51, pp.76~87 (2008)
  9. 김용식, "마르셀러스 셰일의 지질학적 특징 및 셰일가스 개발전략", 한국자원공학회지, 48(3), pp.371~382 (2011), 한국자원공학회
  10. Graves, A., "Speech recognition with deep recurrent neural networks", IEEE International Conference on Acoustics, Speech and Signal Processing, pp.6645~6649 (2013), IEEE
  11. Han, D. K., "Production Forecasting for Shale Gas Well in Transient Flow using Machine Learning Method", Ph.D., pp.2018
  12. Hochreiter, S., "Long short-term memory", Neural Computation, 9(8), pp.1735~1780 (1997)
  13. Ilk, D., "Exponential vs. Hyperbolic Decline in Tight Gas Sands-Understanding the Origin and Implications for Reserve Estimates Using Arp’s Decline Curves", SPE Annual Technical Conference and Exhibition, pp.1~23 (2008), SPE
  14. 전병기, "건물 예측 제어용 LSTM 기반 일사 예측 모델", 한국태양에너지학회 논문집, 39(5), pp.41~52 (2019), 한국태양에너지학회[DOI]
  15. 지민수, "물리검층자료를 활용한 딥러닝 기반 수포화도 예측", 한국자원공학회지, 58(3), pp.215~226 (2021), 한국자원공학회
  16. Kanfar, M., "Comparison of Empirical Decline Curve Methods for Shale Wells", Paper presented at the SPE Canadian Unconventional Resources Conference, pp.1~12 (2012), SPE
  17. 기세일, "순환신경망을 이용한 미측정 정두압 데이터 예측", 한국자원공학회지, 56(5), pp.416~426 (2019), 한국자원공학회
  18. 김지수, "확률론적 생산감퇴곡선분석법을 이용한 셰일가스 궁극가채량 추정", 한국자원공학회지, 51(6), pp.808~819 (2014), 한국자원공학회
  19. Kocoglu, Y., "Application of Bayesian Optimized Deep Bi-LSTM Neural Networks for Production Forecasting of Gas Wells in Unconventional Shale Gas Reservoirs", Unconventional Resources Technology Conference, pp.1~21 (2021), URTeC
  20. 이대모, "셰일가스 생산량 예측 시 생산관련인자를 활용한 장단기기억 신경망 적용 연구", 한국자원공학회지, 59(6), pp.673~683 (2022), 한국자원공학회
  21. Lee, K. B., "Prediction of shale-gas production at duvernay formation using deep-learning algorithm", SPE Journal, 24(6), pp.2423~2437 (2019)
  22. Li, X., "Application of gated recurrent unit (GRU) neural network for smart batch production prediction", Energies, 13(22), pp.1~22 (2020)
  23. Li, X., "A well rate prediction method based on LSTM algorithm considering manual operations", Journal of Petroleum Science and Engineering, pp.1~9 (2022)
  24. Luo, G., "Production-strategy insights using machine learning:Application for bakken shale", SPE Reservoir Evaluation and Engineering, 22(3), pp.800~816 (2019)
  25. Luo, S., "Study on the production decline characteristics of shale oil: case study of jimusar field", Frontiers in Energy Research, 10, pp.1~13 (2022)
  26. Ng, C. S. W., "Well production forecast in Volve field: Application of rigorous machine learning techniques and metaheuristic algorithm", Journal of Petroleum Science and Engineering, 208, pp.1~13 (2022)
  27. Ochella, S., "Performance Metrics for Artificial Intelligence (AI) Algorithms Adopted in Prognostics and Health Management (PHM) of Mechanical Systems", Journal of Physics: Conference Series, 2020 International Symposium on Automation, Information and Computing, pp.1~10 (2021)
  28. 오현택, "머신러닝 기반 생산기간에 따른 셰일가스 궁극가채량 예측의 불확실성 추이 분석", 한국자원공학회지, 58(5), pp.475~490 (2021), 한국자원공학회
  29. Paryani, M., "Using Improved Decline Curve Models for Production Forecasts in Unconventional Reservoirs", SPE Eastern Regional Meeting, pp.1~15 (2016), SPE
  30. Shin, H. J., "Probabilistic prediction of multi-wells production based on production characteristics analysis using key factors in shale formations", Energies, 14, pp.1~30 (2021)
  31. Song, X., "Time-series well performance prediction based on long short-term memory (LSTM) neural network model", Journal of Petroleum Science and Engineering, 186, pp.1~11 (2020)
  32. Tan, L., "Methods of decline curve analysis for shale gas reservoirs", Energies, 11(3), pp.1~18 (2018)
  33. "U.S. Energy Information Administration (EIA)" (2022)[URL]
  34. Valko, P., "A Better Way to Forecast Production From Unconventional Gas Wells", SPE Annual Technical Conference and Exhibition, pp.1~16 (2010), SPE
  35. Wang, S., "Applicability of deep neural networks on production forecasting in Bakken shale reservoirs", Journal of Petroleum Science and Engineering, 179, pp.112~125 (2019)

관련 논문AI추천

셰일가스 생산량 예측 시 생산관련인자를 활용한 장단기기억 신경망 적용 연구신효진, 이대모, 임종세한국자원공학회 · 한국자원공학회지2022 · 제59권 제6호주의집중 메커니즘을 결합한 양방향 게이트 순환 유닛 기반 셰일가스 생산량 예측 개선 연구신효진, 임종세, 최웅규한국자원공학회 · 한국자원공학회지2025 · 제62권 제4호거리기반 후보군 선정과 인공신경망을 결합한 가스생산량 히스토리매칭강주명, 김재준, 민배현, 박창협, 안성인한국자원공학회 · 한국자원공학회지2017 · 제54권 제4호순환신경망을 이용한 미측정 정두압 데이터 예측권오광, 기세일, 서정규, 장일식한국자원공학회 · 한국자원공학회지2019 · 제56권 제5호생산성 영향인자를 활용한 기계학습 기반 셰일가스 생산량 예측모델 분석신효진, 이다영, 임종세한국자원공학회 · 한국자원공학회지2024 · 제61권 제2호머신러닝 기반 생산기간에 따른 셰일가스 궁극가채량 예측의 불확실성 추이 분석기세일, 박창협, 오현택, 장일식한국자원공학회 · 한국자원공학회지2021 · 제58권 제5호

이 간행물의 다른 논문 (8건)

삼보 연-아연 광산 주변 불소 오염 농경지 안정화 효율 연구박상현, 박형민, 정명채, 정아림, 김정욱, 권지철, 전순원, 오세종, 여인홍pp. 469-479광해방지사업 표준품셈 기반 탄소배출원단위 적용에 관한 연구이한솔, 곽인호, 위대형, 김수로, 박관인pp. 480-489달에서의 현지자원활용(ISRU)을 위한 정전선별기술 연구 동향박승수, 신휴성, 유병현pp. 490-503폐금속광산 광물찌꺼기의 지구화학적 원소 함량 평가최의규, 김정욱, 황인호, 정명채, 권요셉pp. 516-528자원순환 분야에서의 수치해석 기반 단위 공정 연구 방안 고찰이돈우, 제진영pp. 529-536
원문 보기