주의집중 메커니즘과 푸리에 분석 신경망을 활용한 양방향 게이트 순환 유닛 기반 셰일가스 생산량 예측 성능 향상

다국어 초록 (Multilingual Abstract)

Recurrent Neural Networks (RNNs) have been widely adopted as effective alternatives to conventional decline curve analysis for forecasting oil and gas production. However, these models often lose early training information and treat all time-series data as continuously periodic, which limits their ability to account for abrupt production changes in shale gas caused by sporadic non-periodic features. Previous studies have mitigated the uncertainty in RNNs-based shale gas production forecasting and evaluated their applicability across diverse development sites by incorporating operational parameters of production wells or integrating machine learning algorithms that complement data interpretation. However, few studies have evaluated optimal modeling strategies by introducing diverse machine learning techniques based on their inherent data-processing principles, or explored long-term shale gas production forecasting by learning the influence of factors associated with early production decline through the linkage between time-series feature extraction and information selection techniques.
This study aimed to overcome the limitations of RNNs-based shale gas production forecasting by improving the learning architecture to transform early production decline trends into a series-based time-series representations, while selectively incorporating key features. To achieve this, 24 months of production history, shut-in period and monthly well operation days were used to forecast production up to 60 months, enabling the applicability of Bidirectional Gated Recurrent Unit (BiGRU) to be evaluated against Long Short-Term Memory (LSTM). In addition, the incorporation of the attention mechanism (AM) and decline characteristics resulted in prediction errors gradually converging to lower levels. Furthermore, by integrating Fourier Analysis Networks (FAN), which required validation in specific domains, into the data processing stage, the proposed model reduced the deviations from the measured production data by approximately 3~7 MMcf and demonstrated advantages over Time2Vec, thereby enabling the effective application of FAN to shale gas production forecasting. The FAN-integrated forecasting model demonstrated excellent applicability to data with large fluctuations of approximately 5~10 MMcf, reducing the mean absolute percentage error (MAPE) on average from 35.7% to 14.5% and normalized root mean squared error (NRMSE) from 40.8% to 16.1%, compared with those of the conventional LSTM-based model. The proposed approach can serve as a reliable tool for the development and operational planning of shale gas wells.

국문 초록 (Abstract)

순환신경망(recurrent neural networks, RNNs)은 기존 생산감퇴곡선분석법의 효과적인 대안으로서 유․가스 생산량 예측에 널리 이용되고 있다. 그러나, 학습과정에서 초기 훈련정보가 소실될 가능성이 있고, 모든 시계열자료를 연속된 형태의 주기적(periodic) 특성으로만 처리하기에 산발적인 비주기적(non-periodic) 특징에 의한 셰일가스의 급격한 생산 변화 고려에는 한계가 있다. 기존의 연구에서는 생산정 운영 관련 인자를 활용하거나 자료 해석을 보완하는 기계학습 알고리즘을 통합함으로써 RNNs 기반 셰일가스 생산량 예측 결과의 불확실성을 완화하고 다양한 개발지에서의 적용 가능성을 판단하였다. 그러나, 다양한 기계학습 기법을 고유한 자료 처리 원리에 따라 도입하여 최적의 접근법을 판단하거나 생산 초기의 감퇴와 연관된 인자가 미치는 영향을 시계열 특성 추출과 정보 선별 기법 간의 연계를 통해 학습하여 장기의 셰일가스 생산량을 예측한 연구는 부족한 상황이다.
이 연구에서는 학습 구조의 개선을 통해 초기로부터 감퇴한 생산 추세를 급수 형태의 시계열 정보로 변환하고, 중요한 특성을 선택적으로 반영함으로써 RNNs의 셰일가스 생산량 예측 한계를 극복하고자 한다. 이를 위해 24개월까지의 생산이력, 생산중단 기간, 월별 생산정 운영 일수를 바탕으로 생산량을 60개월까지 예측하여 장단기기억(long short-term memory, LSTM)에 대비되는 양방향 게이트 순환 유닛(bidirectional gated recurrent unit, BiGRU)의 적용성을 파악하였으며, 주의집중 메커니즘(attention mechanism, AM)과 생산감퇴특성을 적용함에 따라 예측오차가 점차 낮은 수준으로 집중되었다. 또한, 특정 분야에서의 검증이 필요했던 푸리에 분석 신경망(fourier analysis networks, FAN)을 자료 처리 과정에 결합한 모델을 통해 실측치에서 벗어나는 정도를 약 3~7 MMcf 완화시키고 Time2Vec과 대비되는 강점을 입증하여 셰일가스 생산량 예측에 효과적으로 도입하였다. FAN을 통합한 예측모델은 약 5~10 MMcf의 큰 폭으로 변동한 자료에 우수한 적용성을 보여 기존 LSTM 기반 모델과 비교했을 때 평균절대백분율오차(mean absolute percentage error, MAPE)는 평균적으로 35.7%에서 14.5%로 감소하였고, 정규화된평균제곱근오차(normalized root mean squared error, NRMSE)의 경우 40.8%에서 16.1%로 하락하였다. 이 연구에서 제안한 접근법은 셰일가스 생산정의 개발 및 운영 계획 수립을 위한 신뢰성 있는 도구로 활용할 수 있을 것이다.

목차 (Table of Contents)

• 1. 서 론 1
• 2. RNNs를 활용한 생산량 예측 3
• 2.1 기계학습 알고리즘 3
• 2.2 연구 사례 분석 9
• 3. 셰일가스 생산량 예측모델 구축 16
• 3.1 연구대상 지역 16
• 3.2 현장자료 취득 및 자료 전처리 17
• 3.3 생산량 예측모델 설계 18
• 3.3.1 BiGRU-AM 모델 구축 19
• 3.3.2 BiGRU-AMDC 모델 구축 21
• 3.3.3 T2V-BiGRU-AMDC 모델 구축 22
• 3.3.4 FAN-BiGRU-AMDC 모델 구축 23
• 3.3.5 하이퍼파라미터 최적화 24
• 4. 셰일가스 생산량 예측 결과 비교 및 분석 28
• 4.1 AM과 생산감퇴특성에 의한 예측 개선 결과 31
• 4.1.1 LSTM과 BiGRU를 활용한 생산량 예측 31
• 4.1.2 BiGRU-AM을 활용한 생산량 예측 34
• 4.1.3 BiGRU-AMDC를 활용한 생산량 예측 37
• 4.2 시계열 특성 추출 기법에 의한 예측 개선 결과 41
• 4.2.1 T2V-BiGRU-AMDC를 활용한 생산량 예측 41
• 4.2.2 FAN-BiGRU-AMDC를 활용한 생산량 예측 45
• 4.2.3 최적의 시계열 특성 추출 기법 적용 방안 선정 49
• 4.3 예측 개선 효과 분석 52
• 4.3.1 성능평가지표 분석 52
• 4.3.2 통계적 지표를 활용한 성능 변화 분석 54
• 5. 결 론 57
• 참고문헌 59
• 국문초록 67