캐나다 듀버네이 셰일 저류층의 이산화탄소 흡착량 예측 모델 개발 = Development of Prediction Models for CO2 Adsorption Capacity in Canadian Duvernay Shale

다국어 초록 (Multilingual Abstract)

Shale reservoirs possess excellent sealing capacity because of their low porosity and permeability, and they can therefore be utilized as long-term CO2 storage sites by repurposing hydraulically fractured horizontal wells after production ceases. Evaluating the applicability of CCS in shale reservoirs requires a quantitative determination of CO2 adsorption capacity, which can be obtained through direct measurement methods, such as the canister test, or through indirect methods based on the Langmuir isotherm. However, experimental approaches face physical and technical challenges in reproducing high-temperature and high-pressure reservoir conditions, and they entail substantial time and cost due to the use of specialized equipment and complex pretreatment procedures. These limitations highlight the need for predictive models capable of efficiently and reliably estimating CO2 adsorption capacity based on geological properties that influence adsorption. Such models play an important role in enabling more cost- and time-effective assessments of the applicability of shale-based Carbon Capture Storage–Enhanced Gas Recovery (CCS–EGR).
In this study, the adsorption behaviors of CO2 and CH4 as a function of pressure were quantitatively evaluated through laboratory experiments conducted on Duvernay shale collected from the Kaybob area in Canada. The experimental results demonstrated that CO2 exhibited higher adsorption capacity than CH4 across samples representative of each sub-formation, by a factor of 2.53–3.08. These results indicated that this shale reservoir has the potential to serve as a CCS site capable of CH4 displacement and long-term CO2 storage. Using the CO2 adsorption data obtained from these experiments, a data-driven framework was developed by constructing both an optimization-based nonlinear empirical model and a machine learning regression model that incorporate relevant geological properties.
Langmuir Volume (VL) data were measured from 12 Duvernay shale samples under reservoir temperature conditions. Using these data, a nonlinear empirical model that accounts for geological parameters such as TOC, SSA, micropore and mesopore SSA, and mineral composition was constructed with the MATLAB Optimization Toolbox. Among the evaluated empirical models, the model that used both TOC and mineral composition showed the best prediction performance, yielding an RMSE of 0.0594 m3/ton and an R2 of 0.9451. Additional tests conducted with independent sample data confirmed the robustness of this model by showing consistent agreement between the experimental and predicted values.
Regression models based on machine learning, including Random Forest, XGBoost, and SVR, were also developed to incorporate operating conditions such as pressure and temperature. Additional experiments were performed at 50 and 60℃, and ten pressure data points were obtained for each sample, resulting in a total of 360 data points. Of the full dataset, 80 percent was used for training and 20 percent for testing. 5-fold cross validation was performed to evaluate the generalization performance of the models. Among the three models, XGBoost showed the highest prediction accuracy, with an R2 of 0.9993 for the training data and 0.9914 for the test data. The 5-fold cross validation results also demonstrated strong consistency, with an average R2 of 0.9943.
By presenting an empirical model for VL prediction that uses geological properties and a machine learning model that incorporates operating conditions, this study establishes a framework that can comprehensively predict CO2 adsorption capacity in shale reservoirs. This framework contributes to the quantitative assessment of the CO2 storage potential of depleted shale gas reservoirs and is expected to serve as a fundamental reference for the design of CCS–EGR systems and for the development of injection strategies.
Keywords : Shale gas EGR-CCS, CO2 adsorption, Machine Learning, Total organic carbon, Specific surface area, Mineral composition

국문 초록 (Abstract)

셰일 저류층은 낮은 공극률과 투과도로 인해 우수한 차폐성을 갖추고 있어 생산 종료 이후 수압파쇄 수평정을 활용한 CO2 장기 저장 부지로 활용될 수 있다. 셰일 저류층의 CCS 적용 가능성을 평가하기 위해서는 CO2 흡착량을 정량적으로 산출하는 것이 필수적이며, 이는 Canister test와 같은 직접 측정법 또는 Langmuir isotherm 기반의 간접 측정법을 통해 산정된다. 그러나 실험적 접근법은 고온, 고압 조건을 동일하게 재현하는 데 물리적, 기술적 제약이 따르고, 고가 장비 사용 및 복잡한 전처리 과정 등으로 인해 상당한 시간과 비용이 요구된다. 이와 같은 한계로 인해, 흡착에 영향을 미치는 지질학적 특성에 기반하여 CO2 흡착량을 효율적이고 신뢰성 있게 추정할 수 있는 예측 모델의 개발이 필요하며, 이는 셰일 기반 Carbon Capture Storage-Enhanced Gas Recovery(CCS–EGR) 적용성 평가를 보다 적은 시간과 비용으로 수행할 수 있게 하는 중요한 역할을 한다.
본 연구에서는 캐나다 Kaybob 지역의 Duvernay 셰일을 대상으로 CO2 및 CH4의 압력 변화에 따른 흡착 거동을 실험을 통해 정량적으로 도출하였다. 실험 결과, 각 sub-formation을 대표하는 시료에서 CO2가 CH4보다 2.53–3.08배 높은 흡착량으로 산출되었다. 이를 통해, 본 셰일 저류층이 CO2 주입에 따른 CH4 치환 및 장기 저장이 가능한 잠재적 CCS 부지임을 확인하였다. 또한 산출된 CO2 흡착 데이터를 기반으로, 지질학적 특성을 고려한 최적화 기반 비선형 경험식 모델과 머신러닝 기반 회귀 모델을 개발하여 CO2 흡착량을 예측하는 데이터 기반 접근법을 구축하였다.
저류층 온도 조건에서 측정된 12개 Duvernay 셰일 시료의 Langmuir Volume (VL) 데이터를 기반으로 MATLAB Optimization Toolbox를 활용하여 지질학적 특성 (TOC, SSA, micropore/mesopore SSA, 광물 조성)을 반영한 비선형 경험식 모델을 구축하였다. 경험식 모델 중 TOC와 광물 조성을 조합한 모델이 가장 우수한 예측 성능 (RMSE = 0.0594 m3/ton, R2 = 0.9451)을 보였으며, 추가 시료 데이터 테스트 결과 실험값과 예측값의 오차가 양호하여 가장 일관된 성능을 나타냈다.
또한, 압력과 온도 등 운영 조건 반영을 위해 머신러닝 기반 회귀 모델 (Random Forest, XGBoost, SVR)을 개발하였다. 이를 위해 50, 60℃ 조건에서 추가 실험을 수행하였으며, 각 시료당 10개의 압력 데이터를 추출하여 총 360개의 데이터를 산출하였다. 전체 데이터 중 80%를 학습 데이터, 20%를 테스트 데이터로 분류하였으며, 5-겹 교차검증을 통해 모델의 일반화 성능을 확보하였다. 세 알고리즘 모델 중XGBoost 모델이 가장 뛰어난 예측 정확도를 보였으며, 학습 데이터의 예측 성능은 R2 = 0.9993, 테스트 데이터는 R2 = 0.9914를 기록하였다. 또한 5-겹 교차검증 오차 성능은 평균 R2 = 0.9943으로 높은 일관성을 확인하였다.
본 연구는 지질학적 특성에 기반한 VL 예측 경험식 모델과, 압력, 온도 조건을 추가 반영한 머신러닝 기반 CO2 흡착량 예측 모델을 함께 제시함으로써, 셰일 저류층의 CO2 흡착량을 지질학적 요인과 운영 조건의 관점에서 종합적으로 예측할 수 있는 체계를 구축하였다. 이는 고갈된 셰일가스전의 CO2 저장 잠재성을 정량적으로 평가하는 데 기여하며, 향후 CCS–EGR 설계 및 주입 운영 전략 수립에 중요한 기초자료로 활용될 수 있을 것으로 기대된다.
주요어: 셰일가스 EGR-CCS, 이산화탄소 흡착, 머신러닝, 총유기탄소, 비표면적, 광물조성

목차 (Table of Contents)

• 1. Introduction 1
• 1.1. Background 1
• 1.2. Adsorption characteristics of shale 5
• 1.3. Research objectives and framework 8
• 2. Shale sample analysis 10
• 2.1. Overview of shale samples 10
• 2.2. Geochemical properties analysis 12
• 2.3. SSA and pore structure analysis 15
• 2.4. Mineral composition analysis 17
• 3. Gas adsorption experiments and isotherm analysis 21
• 3.1. Experimental equipment and measurement principle 21
• 3.2. Sample preparation and experimental procedure 26
• 3.3. Langmuir isotherm analysis and data correction 31
• 3.4. Adsorption results for CO2 and CH4 32
• 4. Optimization-based prediction model development 39
• 4.1. Methodology and model framework 39
• 4.2. TOC and SSA model 41
• 4.3. TOC and distinguished SSA model 46
• 4.4. TOC and Mineral composition model 52
• 5. Machine learning based prediction model development 61
• 5.1. Background and Model Development Strategy 61
• 5.2. Machine learning algorithms 63
• 5.2.1. Random Forest 63
• 5.2.2. XGBoost 65
• 5.2.3. Support Vector Regression (SVR) 66
• 5.3. Dataset construction and input feature definition 68
• 5.4. Hyperparameter tuning 71
• 5.5. Model evaluation and comparative performance 74
• 6. Comparative discussion of empirical and machine learning prediction models 83
• 7. Conclusions 87
• Reference 90
• 요약(국문초록) 96