생산특성인자를 고려한 장단기기억 신경망 기반 셰일가스 생산량 예측 연구

Abstract

현장에서는 셰일가스의 생산량 예측을 위하여 일반적으로 생산감퇴곡선분석법을 활용하고 있지만, 이는 생산정 정보, 수압파쇄 인자 등의 생산관련인자나 생산량을 좌우하는 생산운영조건을 고려할 수 없다는 한계가 존재한다. 또한, 생산감퇴곡선분석법 적용 시 생산이력이 충분하지 않을 경우에는 결과에 대한 불확실성이 존재한다. 이러한 어려움을 극복하기 위해 최근에는 딥러닝의 일종인 순환신경망 기반의 장단기기억을 이용하여 시간에 따라 변화하는 생산량 및 생산거동을 예측하는 연구가 이루어지고 있다. 기존의 연구에서는 장단기기억 모델에 생산이력만을 이용하여 생산량을 예측하거나, 생산운영조건을 함께 활용하여 예측결과를 개선한 바 있다. 그러나 셰일층의 생산성에 복합적인 영향을 미치는 생산관련인자를 반영하거나 주어진 생산이력으로부터 생산감퇴특성을 추출하여 활용하는 방법에 관해서는 연구가 부족한 상황이다. 이 연구에서는 셰일가스의 생산량을 예측하기 위하여 장단기기억 기반의 예측모델을 구축하고, 생산이력과 더불어 각 생산정의 특성을 반영할 수 있도록 생산관련인자, 생산감퇴특성과 같은 생산특성인자를 추가 입력자료로 이용하여 생산량을 예측하고자 하였다. 생산 초기의 생산이력을 바탕으로 48개월까지의 생산량을 장기적으로 예측할 수 있는 장단기기억 신경망을 구축하였으며, 생산량 예측모델로써 장단기기억 모델의 활용 가능성을 파악하였다. 또한, 각 생산정의 생산관련인자 또는 생산감퇴특성을 고려할 수 있는 장단기기억 기반 예측모델을 구축하였으며, 생산특성인자를 고려한 모델과 생산이력만을 이용한 모델 간 생산량 예측결과의 비교를 통해 생산이력과 더불어 생산특성인자를 추가 입력자료로 활용함으로써 예측성능을 개선할 수 있음을 확인하였다. 이러한 연구 결과를 통하여 생산감퇴곡선분석법의 적용이 어려운 생산 초기에도 생산특성인자를 고려한 장단기기억 신경망을 바탕으로 신뢰성 있는 셰일가스 생산량 예측이 가능할 것으로 사료된다.|Decline curve analysis (DCA) has been widely employed to predict shale gas production. Unfortunately, DCA has limitations that negate production-related factors such as well information, hydraulic fracturing conditions, or operating conditions that influence production. If production history is insufficient when applying a DCA, there is a degree of uncertainty in the results. To address these difficulties, recent research has been conducted to predict production and production behavior over time using Long Short-Term Memory (LSTM) based on recurrent neural networks, a type of deep learning. In previous studies, production has been predicted using only the production history in LSTM models, or prediction results have been improved by incorporating operating conditions along with production history. In this study, a prediction model based on LSTM was established to predict shale gas production, and production characteristics such as production-related factors and decline characteristics were added as input data to reflect the characteristics of each well. LSTM neural networks were built using the production history in the early stages of production, enabling predictions of production in the long term up to 48 months, and the potential use of LSTM as a prediction model was identified. Additionally, LSTM-based prediction models that take into account production-related factors or decline characteristics of each well were established. The comparison of results between the model considering production characteristics and the model using only production history confirmed that prediction performance can be improved by incorporating production characteristics as additional input data. Based on the results of this study, it is believed that reliable shale gas production can be predicted using LSTM neural networks, taking into account production characteristics, even in the early stages of production when DCA is difficult to apply.