생산특성인자를 고려한 장단기기억 신경망 기반 셰일가스 생산량 예측 연구 :Prediction of Shale Gas Production based on Long Short-Term Memory Neural Networks considering Production Characteristics

이대모

추천

검색

자료유형: 학위논문

저자정보: 이대모 (한국해양대학교, 한국해양대학교 대학원)

지도교수: 임종세

발행연도: 2023

저작권: 한국해양대학교 논문은 저작권에 의해 보호받습니다.

이용수8

이 논문의 연구 히스토리 (3)

2023

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

이대모 , 신효진 , 임종세 한국자원공학회지 2023.12 학술저널

생산특성인자를 고려한 장단기기억 신경망 기반 셰일가스 생산량 예측 연구

이대모 해양에너지자원공학과 2023.01 학위논문

2022

[연구논문] 셰일가스 생산량 예측 시 생산관련인자를 활용한 장단기기억 신경망 적용 연구

이대모 , 신효진 , 임종세 한국자원공학회지 2022.12 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

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.

#셰일가스(Shale Gas) #생산량 예측(Predicting Production) #생산이력(Production History) #생산특성인자(Production Characteristics) #장단기기억(Long Short-Term Memory)

1. 서 론 1
2. 셰일 저류층에서의 생산량 예측 3
2.1 셰일 저류층의 특징 4
2.2 인공지능 기반 생산량 예측 6
2.3 연구 사례 분석 10
3. 생산이력 기반의 셰일가스 생산량 예측 16
3.1 연구대상 지역 16
3.2 현장자료 취득 및 자료 전처리 17
3.3 LSTM 예측모델 설계 20
3.3.1 예측 방법 및 입‧출력자료 구성 20
3.3.2 Hyperparameter 설정 및 최적화 21
3.4 생산이력을 활용한 생산량 예측 26
3.4.1 생산량 예측결과 27
3.4.2 초기 생산량에 따른 예측성능의 경향 파악 29
4. 생산특성인자를 고려한 셰일가스 생산량 예측 31
4.1 셰일층 특성 반영을 위한 추가 입력자료 31
4.2 생산관련인자를 이용한 생산량 예측 33
4.2.1 생산관련인자 선정 및 예측모델 설계 33
4.2.2 생산량 예측결과 37
4.3 생산감퇴특성을 활용한 생산량 예측 40
4.3.1 생산감퇴특성 선정 및 예측모델 설계 40
4.3.2 생산량 예측결과 42
4.4 LSTM 모델별 생산량 예측결과 분석 45
5. 결 론 48
참고문헌 50

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)