머신러닝을 활용한 셰일층 석유 생산 주요인자 기반 생산성 분석 연구

Abstract

대규모 연속체로 부존되어 있는 셰일 저류층은 불균질(heterogeneous)하고 낮은 유체투과도(permeability)를 가지므로 개발을 위해 수평시추(horizontal drilling), 수압파쇄(hydraulic fracturing) 기술을 적용한다. 이로 인하여 유동 메커니즘(mechanism)의 파악에 어려움이 있어 기존의 생산 예측 기법 적용에 한계가 존재하며, 생산 변동성이 큰 셰일층에서는 단일정을 이용한 생산량 예측보다 다수 생산정을 기반으로 생산거동 및 궁극가채량(estimated ultimate recovery)에 대한 추정이 이루어진다. 이와 더불어 석유 E&P 산업에 존재하는 다양하고 많은 양의 자료에 대한 효율적인 분석을 위해 데이터 기반 분석이 수행되고 있으며, 이를 활용하여 생산 운영에 필요한 자료를 도출할 수 있다. 생산 관련 인자에는 셰일층의 특성(native parameters), 수압파쇄 설계인자(design parameters), 동적인자(dynamic parameters)가 있으며, 생산성과 일정한 경향이 나타나지 않는 인자들의 복합적인 영향에 대한 분석이 필요하다. 따라서 다양한 변수와 생산량과의 관계를 파악하고 이로 인해 발생하는 생산특성을 파악하여야 한다. 이 연구에서는 머신러닝을 적용하여 셰일층의 석유 생산 주요인자(key factors)를 파악하고 이에 따른 생산특성을 기존 생산정에 대하여 분석하였으며, 그 결과를 활용하여 새로운 유정에서의 생산량을 예측하고자 하였다. 이를 위해 기존의 다수 오일 생산정의 제한된 현장 자료에서 유의미한 속성 값을 추출하고자 극단값 제거, 단위길이 당 인자 값 도출 등의 전처리 과정을 수행하였다. 취득한 다양한 인자에 대하여 차원 감소와 주요인자를 파악하고자 상관관계를 분석하였으며, 입력 속성에 따른 주성분분석을 수행함으로써 연구대상 지역에서 생산정 깊이와 수압파쇄 설계인자가 주요인자임을 파악하였다. 이를 바탕으로 하나의 개체가 여러 그룹에 속할 가능성으로 표현되는 퍼지군집분석을 적용하여 3개의 그룹으로 분류하였으며, 수압파쇄 설계 인자의 영향에 대한 생산특성을 분석하였다. 그 결과 생산성이 높은 그룹은 수압파쇄 간격이 좁으며 파쇄 시 단위길이 당 주입 프로판트 및 유체의 양이 생산정 중 많은 편에 속해 이와 같은 현장 조건에서 최적의 생산이 가능할 것으로 판단된다. 기존 생산정 분석으로 도출한 그룹을 바탕으로 분류 알고리즘을 통해 새로운 유정에 대한 그룹 예측을 수행하였으며, 제한된 주요인자를 활용하여 생산특성이 다른 그룹 분류가 가능함을 확인하였다. 또한, 새로운 유정의 생산량 예측 시 신뢰성을 향상시키고자 통계적 분석으로부터 각 그룹의 특징을 파악하였으며, 입력 인자에 대한 불확실성 고려를 위해 확률론적 입력값을 도출하였다. 이를 통해 생산정 깊이, 수압파쇄 설계인자, 감퇴곡선인자를 입력인자로 구축한 인공신경망 모델을 활용하여 생산 초기와 4년의 시점에서의 누적 생산량을 예측하였다. 이 연구에서 제시한 기존 및 새로운 셰일 수평정에 대한 생산량 예측은 머신러닝 기반의 시행착오를 통한 분석으로 새로운 현장 자료에 대해서도 적용가능성이 높으며, 광범위한 변수 속에서 자료 운용이 제한적인 경우에도 활용할 수 있다. 또한, 셰일층 개발 시 추가적인 자료 취득으로 인한 시간 및 비용 손실 없이 분석을 수행할 수 있으므로 보유하고 있는 자료를 활용하여 생산 운영에 필요한 자료를 도출할 수 있을 것으로 사료된다.|Shale reservoirs, which exist in large-scale continuum, are heterogeneous and have very low permeability, thus applying techniques such as horizontal drilling and hydraulic fracturing for development is needed. As a result, it is difficult to understand the flow mechanism, which limits the application of conventional techniques. In the shale formation with high production variability, the production behavior and estimated ultimate recovery is predicted based on multi-wells rather than a single well. As data-driven analytics is being conducted to analyze various and large amounts of data efficiently in the petroleum E&P industry, it can be used to obtain data for production operations. Production-related factors include native parameters, design parameters and dynamic parameters. An analysis of the complex influence is needed for factors that do not exhibit uniform trends with productivity. Therefore, it is necessary to understand the relationship between the various factors and productivity, and the production characteristics of results should be identified. In this study, machine learning was used to define key factors of the shale formation, to analyze the production characteristics according to the key factors and predict production in new wells based on the results of existing wells. For this purpose, the pre-processing was performed to extract data with high priority from the limited field data of existing oil wells, and to remove outlier and the normalized value per unit length. In order to identify the dimensional reduction and the key factors of the acquired data, correlations were analyzed, and principal component analysis depending on the input attributes was performed to determine the true vertical depth of production well and the fracturing design factor were the key factors in the study area. Based on this, fuzzy cluster analysis, which represents the possibility of one individual to be involved to several clusters, was applied to classify the data into three groups. As an analysis result of production characteristics on the influence of design factors, the group with high productivity had a narrow spacing, and a large amount of injection proppant and fluid per lateral length when fracturing. It is believed that optimal production will be possible under these field conditions of the group. Using the results of group analyzing the existing wells, the classification algorithm of machine learning was performed to predict group of the new wells. Limited key factors were used to identify groups with different production characteristics. In addition, the characteristics of each group were identified from the statistical analysis to improve the reliability of new well productivity prediction, and probabilistic inputs were derived to consider the uncertainty of the input factors. Using these values, the artificial neural network was constructed with the true vertical depth, fracturing design and decline curve factor as input attributes, and the cumulative production was predicted at the beginning of production and four years. The productivity prediction for the existing and new shale horizontal wells suggested in this study are applicable to new data based on machine learning through trial and error, and could be used even with the limited data among the inclusive data. As shale formation development can be performed without the time and cost loss for additional data acquisition, it could be possible to obtain the data for production operations from database.