딥러닝기반 캐나다 몬트니층 셰일가스 생산량 예측모델 개발 = Development of Deep Learning based Prediction Model on Shale Gas Production at Montney Formation, Canada

국문 초록 (Abstract)

비전통자원인 셰일가스는 기존 전통자원에 비해 투수성이 매우 낮고(0.001 md 미만), 넓은 지역에 자원이 분포하여 수평시추와 다단계수압파쇄를 통해 생산한다. 셰일자산평가 초기단계에서는 상용 데이터베이스에서 확보가능한 자료수준인 월간 생산량과 수압파쇄 정보를 활용해 정밀자산평가를 수행할 유망자산을 일차적으로 판별한다. 이 단계의 잔존가치평가는 제한된 자료로 인해 저류층시뮬레이션 대신 감퇴곡선기법(decline curve analysis,　DCA)으로 수행된다. 셰일자산은 낮은 투수율, 수압파쇄, 흡착가스 생산으로 인해 기존의 전통자원과 다른 생산거동이 나타나고, 그에 따라 기존의 DCA를 셰일자산에 적용하는 것은 적합하지 않다. 셰일자산의 특징을 반영한 DCA 개선기법이 제안되고 있지만, 기법 간 예측결과의 차이가 크다. 본 연구에서는 상용 데이터베이스에서 확보가능한 수준의 한정된 자료를 이용하여 딥러닝기반 셰일가스 생산량 예측모델을 개발하고자 한다. 연구지역은 캐나다 Montney 셰일플레이에 속한 Peace River 분지로, 5,408개 유정의 현장자료 중, 연구목적에 부합하는 1,005개 셰일가스정의 55,031개 월간 자료를 선별하였다. 자료 전처리는 도메인 지식에 근거하여 두 단계로 진행하였다. 1단계는 유정단위 전처리로, 수압파쇄디자인에 차이가 있는 10개 유정과 월간 생산량자료의 신뢰도가 낮은 53개 유정을 제외하였다. 2단계는 상세생산이력단위 전처리로, 셧인(shut-in)구간과 생산초기 유정의 생산성이 증가하는 구간을 제외하였다. 전처리 후, 선정된 941개 유정의 80%(752개)는 훈련과 검증에 사용하고 20%(189개)는 테스트자료로 활용하였다. 딥러닝 알고리즘은 시계열자료의 분석에 특화된 장단기기억(long short-term memory)을 사용하였다. 예측모델의 출력값은 입력된 시계열의 다음 달 월간 가스 생산량으로 설정하였다. 예측을 위한 입력층인자로 생산량인자(월간 가스 생산량, 일 평균 가스 생산량, 누적 가스 생산량)와 운영인자(월간 생산시간, 누적 생산시간, 셧인기간)가 활용되었다. 각 인자(9개 케이스)와 과거 생산이력 길이(3개월, 6개월 및 12개월)가 예측결과에 미치는 영향을 알아보기 위해 총 27개 케이스를 선정하였다. 학습된 27개 딥러닝모델에 테스트자료를 적용한 결과, 가장 최적화된 케이스는 월간 가스 생산량, 일 평균 가스 생산량, 누적 가스 생산량, 월간 생산시간, 누적 생산시간을 입력층인자로 사용하고 3개월의 과거이력을 사용하는 경우로 확인되었다. 최적 케이스의 테스트자료에 대한 평균제곱오차(mean squared error)는 0.035 이하, 결정계수(coefficient of determination)는 0.97 이상, 평균절대비오차(mean absolute percentage error)는 약 10.5%로 확인되었다. 최적모델을 캐나다 타 셰일가스플레이(Muskwa)에 적용해본 결과, 신뢰할 수 있는 수준의 결과를 얻을 수 있었다. 본 연구를 통해 개발된 모델은 DCA 대비 신속한 미래 생산량 예측이 가능하며, 전문가 의존도가 낮은 셰일자산평가 모델로 활용할 수 있다.

목차 (Table of Contents)

• 1. 서론 1
• 2. 연구지역 개요 4
• 2.1. 지질특성분석 4
• 2.1.1. 일반환경 4
• 2.1.2. 암상조성분석 5
• 2.1.3. 퇴적환경 5
• 2.2. 부존특성분석 7
• 2.2.1. 일반현황 7
• 2.2.2. 부존량 8
• 2.2.3. 생산특성 10
• 3. 연구자료 12
• 3.1. 유정자료 확보 12
• 3.1.1. 생산되는 유체에 따른 유정선별 12
• 3.1.2. 분지에 따른 유정선별 12
• 3.1.3. 재수압파쇄 유정제외 13
• 3.2. 기초통계분석 15
• 4. 연구방법 19
• 4.1. 생산자료 전처리 19
• 4.1.1. 유정단위 전처리 19
• 4.1.1.1. 단일수압파쇄 유정 전처리 19
• 4.1.1.2. 완결연도에 따른 전처리 20
• 4.1.1.3. 노이즈 유정 전처리 21
• 4.1.2. 상세생산이력단위 전처리 21
• 4.1.2.1. 셧인이력 전처리 21
• 4.1.2.2. 피크 이전 생산이력 전처리 23
• 4.2. 딥러닝 핵심인자 추출 25
• 4.2.1. 인자 간의 상관계수 25
• 4.2.2. 자료 시계열분리 28
• 4.2.3. 시계열에 따른 상관계수 변화분석 29
• 4.3. 예측모델 설계 및 최적화 34
• 4.3.1. 알고리즘 선정 34
• 4.3.2. 자료 분리 35
• 4.3.3. 케이스 선정 37
• 4.3.3.1. 생산시간 관련 인자 37
• 4.3.3.2. 최종 케이스 41
• 5. 연구결과 43
• 5.1. 케이스결과 비교 및 분석 43
• 5.1.1. 과거이력 길이에 따른 오차경향분석 43
• 5.1.2. 사용된 입력층인자에 따른 오차경향분석 45
• 5.1.2.1. Monthly Gas 45
• 5.1.2.2. Avg Dly Gas 45
• 5.1.2.3. Cum Prd Gas 46
• 5.1.2.4. Cum Prd Hours 46
• 5.1.2.5. Shut-in Hours, Shut-in Months 47
• 5.2. 피크 이전 생산이력제거 결과분석 51
• 5.3. DCA 예측결과 비교 54
• 5.4. 타 셰일플레이 적용결과 56
• 6. 결론 58
• 7. 참고문헌 60
• ABSTRACT 62