지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 권순일
- 발행연도
- 2018
- 저작권
- 동아대학교 논문은 저작권에 의해 보호받습니다.
이용수1
이 논문의 연구 히스토리 (4)
2018
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
천이유동영역 셰일가스정에서 미래 생산성 예측 시 감퇴곡선법이 널리 활용된다. 그러나 하나의 식으로 생산거동 및 생산성을 예측하기에는 적절한 감퇴곡선법 선정과 생산예측 정확성 문제가 존재한다. 적절한 감퇴곡선법 선정 문제에서 기존의 제안된 저류층 투과도는 물성자료가 없거나 자료의 불확실성이 크므로 용의치 않으며 감퇴율한계지수는 개발 현장의 유정 유지보수로 인한 생산중단 이유로 변동성이 발생하여 감퇴율이 일정하지 않은 한계점이 있다. 또한, 생산예측 정확도 문제는 천이유동영역에서 미래 생산거동을 예측할 때 기존의 제안된 감퇴곡선법은 천이유동에서 생산거동을 비교적 정확히 모사하나 경계영향유동은 과소, 과대예측되는 경향을 나타낸다. 이는 셰일가스정의 유동특성이 경계영향유동에서 변화하기 때문이다. 또한 천이유동자료 내 에서도 생산자료가 많을수록 생산 후기 거동의 오차가 작다.
이에 본 연구에서는 천이유동 영역에서 감퇴곡선법을 이용하여 미래 생산거동 및 생산성을 보다 정확하게 예측하기 위해 미래 생산시점의 생산량을 예측하는 인공신경망 모델을 개발하였다. 또한 생산성 예측에 필요한 적절한 감퇴곡선법을 선택하기 위해 저류층 특성 및 생산량 변동에 민감하지 않은 정량적인 지표인 누적생산량 증가율 지표를 제안하였으며 그 타당성을 검증하였다. 생산량 예측 모델의 경우 예측성능을 향상시키기 위해 머신러닝 기법을 활용하여 최적의 입출력변수 설계를 하였고 데이터집합 내 유사성을 도출하는 군집분석을 통해 모델의 효용성을 검증하였다.
개발 모델은 데이터기반의 인공신경망 모델이며 입출력변수는 실제 미국 텍사스주 이글포드 셰일가스정 자료를 활용하였으며 생산특성인자로 정적, 동적 물성과 더불어 수압파쇄 및 유정완결인자, 생산운영자료 등으로 구성하였다. 모델의 예측성능을 향상시키기 위해 두 가지 머신러닝기법을 적용하였다. 첫째 모델의 예측성능을 향상시키기 위해서는 입출력변수 설계가 중요한데 개발모델은 랜덤포레스트, 피어슨상관계수 기반의 중요도분석을 통해 상대적으로 상관성이 낮은 하위 입력변수를 제외하여 모델을 재생성하였으며, 분석 결과 변수중요도 분석 전 모델과 비교해 우수한 학습성능을 보이는 것으로 확인되었다. 둘째 테이터집합 내 유사성을 비교하여 군집을 형성하는 군집분석을 수행하였고 군집 별 검증분석을 통해 최적의 군집 방법과 개수를 산출하고 군집 별 인공신경망 모델을 재생성하였다. 개발모델을 실제 현장자료에 적용하여 분석한 결과 기존생산량과 예측한 미래생산시점 자료를 이용하여 감퇴곡선법 분석 시 기존생산량 자료만 활용하는 경우보다 정확한 생산후기 거동 및 누적생산량을 산출할 수 있는 것으로 확인되었다.
이에 본 연구에서는 천이유동 영역에서 감퇴곡선법을 이용하여 미래 생산거동 및 생산성을 보다 정확하게 예측하기 위해 미래 생산시점의 생산량을 예측하는 인공신경망 모델을 개발하였다. 또한 생산성 예측에 필요한 적절한 감퇴곡선법을 선택하기 위해 저류층 특성 및 생산량 변동에 민감하지 않은 정량적인 지표인 누적생산량 증가율 지표를 제안하였으며 그 타당성을 검증하였다. 생산량 예측 모델의 경우 예측성능을 향상시키기 위해 머신러닝 기법을 활용하여 최적의 입출력변수 설계를 하였고 데이터집합 내 유사성을 도출하는 군집분석을 통해 모델의 효용성을 검증하였다.
개발 모델은 데이터기반의 인공신경망 모델이며 입출력변수는 실제 미국 텍사스주 이글포드 셰일가스정 자료를 활용하였으며 생산특성인자로 정적, 동적 물성과 더불어 수압파쇄 및 유정완결인자, 생산운영자료 등으로 구성하였다. 모델의 예측성능을 향상시키기 위해 두 가지 머신러닝기법을 적용하였다. 첫째 모델의 예측성능을 향상시키기 위해서는 입출력변수 설계가 중요한데 개발모델은 랜덤포레스트, 피어슨상관계수 기반의 중요도분석을 통해 상대적으로 상관성이 낮은 하위 입력변수를 제외하여 모델을 재생성하였으며, 분석 결과 변수중요도 분석 전 모델과 비교해 우수한 학습성능을 보이는 것으로 확인되었다. 둘째 테이터집합 내 유사성을 비교하여 군집을 형성하는 군집분석을 수행하였고 군집 별 검증분석을 통해 최적의 군집 방법과 개수를 산출하고 군집 별 인공신경망 모델을 재생성하였다. 개발모델을 실제 현장자료에 적용하여 분석한 결과 기존생산량과 예측한 미래생산시점 자료를 이용하여 감퇴곡선법 분석 시 기존생산량 자료만 활용하는 경우보다 정확한 생산후기 거동 및 누적생산량을 산출할 수 있는 것으로 확인되었다.
목차
1. 서론 12. 이론적 고찰 72.1. 감퇴곡선법 72.1.1. Superbolic method 72.1.2. PLE method 82.1.3. Duong method 92.1.4. YM-SEPD method 102.2. 머신러닝 112.3. 인공신경망 132.3.1. 퍼셉트론 132.3.2. 역전파 알고리즘 162.4. 군집분석 182.4.1. 계층적 군집분석 182.4.2. K-평균 군집분석 232.4.3. K-대표개체 군집분석 232.4.4. 분할적 군집분석 K 개수 결정기법 242.4.5. 군집분석 타당성 검증 243. 누적생산량 증가율 지표 283.1. 누적생산량 증가율 지표 이론 283.2. 누적생산량 증가율 지표 검증 분석결과 314. 생산성 예측 모델 절차 374.1. 생산성 예측 모델 분석 절차 374.2. 대상광구 및 입출력변수 설계 404.3. 인공신경망 모델 구성 474.4. 변수중요도 분석 485. 결과 분석 505.1. 생산성 예측 인공신경망 모델 515.1.1. 데이터 전처리 535.1.2. 변수중요도 분석을 통한 입력변수 선정 535.2. 군집분석 이용한 인공신경망 모델 예측성능 향상 625.2.1. 군집분석 검증 및 군집개수 선정 625.2.2. 군집분석을 통한 인공신경망 모델 재생성 685.3. 현장자료 생산성 예측 비교결과 735.3.1. Case 1(Cluster 1 model ? Webb(#41870)) 735.3.2 Case 2(Cluster 1 model ? Webb(#41863)) 785.3.3. Case 3(Cluster 2 model ? LA Salle(#33225)) 825.3.4. Case 4(Cluster 2 model ? LA Salle(#32199)) 866. 결론 90참 고 문 헌 93Abstract 99
최근 본 자료
댓글(0)
0