본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

표제지

목차

초록 9

Abstract 11

제1장 서론 13

제2장 셰일 저류층에서의 생산성 예측 22

2.1. 셰일 저류층 평가방법 22

2.2. 셰일 저류층에서의 생산 예측 기법 25

2.3. 확률론적 기법을 적용한 생산량 예측 33

제3장 데이터 기반 분석을 이용한 생산성 예측 36

3.1. 머신러닝 기법 36

3.1.1. 자료 특징 파악 39

3.1.2. 비지도학습 42

3.1.3. 지도학습 46

3.1.4. 인공신경망 기법 52

3.2. 석유 생산 관련 인자 55

3.3. 연구 사례 분석 60

제4장 기존 생산정의 주요인자를 활용한 생산특성 분석 67

4.1. 연구대상 지역 67

4.2. 셰일층의 석유 생산 주요인자 파악 70

4.2.1. 자료 전처리 과정 70

4.2.2. 생산량 자료 분석 73

4.2.3. 생산 관련 인자 간 관계 파악 78

4.2.4. 차원 감소 및 주요인자 파악 82

4.3. 주요인자를 활용한 생산특성 분석 91

4.3.1. 그룹 분류를 위한 군집분석 93

4.3.2. 그룹별 생산특성 및 특징 분석 97

4.4. 분류된 그룹을 활용한 누적 생산량 추정 101

제5장 새로운 유정의 생산량 예측 105

5.1. 그룹별 특징 및 확률론적 입력값 추출 106

5.2. 새로운 유정에 대한 그룹 분류 110

5.3. 새로운 유정의 누적 생산량 예측 114

5.3.1. 누적 생산량 예측을 위한 인공신경망 모델 개발 114

5.3.2. 생산량 예측 모델의 검증 116

5.3.3. 확률론적 값을 이용한 생산량 예측 117

제6장 결론 123

참고문헌 126

표목차

Table 1. Tools used to estimate reserves 24

Table 2. Flow rate decline analysis 25

Table 3. Comparison of the original and modified RTA methods 27

Table 4. Arps equation 29

Table 5. Research on productivity prediction of existing wells in shale reservoir 63

Table 6. Research on productivity prediction of new wells in shale reservoir 66

Table 7. List of input attributes in this study 78

Table 8. Results of PCA in Case 1 83

Table 9. Results of PCA in Case 2 85

Table 10. Results of PCA in Case 3 87

Table 11. Results of PCA in Case 4 88

Table 12. Summary of fuzzy c-means clustering 94

Table 13. Mean value of key factors for each group 99

Table 14. Mean value of production on the effect of key factors by group 99

Table 15. AAPE of estimated production results by group 104

Table 16. Probability value of DCA parameters by group 109

Table 17. Case study for input attributes 111

그림목차

Fig. 1. Primary energy consumption by fuel 13

Fig. 2. Worldwide map of unconventional resources 14

Fig. 3. U.S. oil and gas production from 2018 to 2050 14

Fig. 4. Average production profiles for shale wells 15

Fig. 5. 2-D schematic of multi stage hydraulically fractured horizontal well in shale reservoir 16

Fig. 6. U.S. tight oil and shale gas production and well counts 17

Fig. 7. Global hydraulic fracturing market size and forecast 17

Fig. 8. U.S. shale average breakeven oil price 18

Fig. 9. Data-driven analytics workflow 18

Fig. 10. Workflow of this study 21

Fig. 11. Flow chart and generalized division of resource and reserve categories 23

Fig. 12. Flow regime in multi-fractured horizontal wells 26

Fig. 13. Variation of production behavior depending on Arps parameters 30

Fig. 14. Changing decline exponent in Arps hyperbolic 31

Fig. 15. Effect of increasing data in Pinedale horizontal wells production forecast 32

Fig. 16. Monte Carlo simulation 34

Fig. 17. Example of machine learning process 36

Fig. 18. Machine learning algorithm 38

Fig. 19. Example of applying PCA 41

Fig. 20. Membership function for clustering of a one dimensional dataset 43

Fig. 21. Example of incorrect cluster analysis 45

Fig. 22. Data classification using discriminant analysis 47

Fig. 23. Illustrative example of distance 49

Fig. 24. Example of separating class using SVM 50

Fig. 25. Typical neural network representation of neuron 52

Fig. 26. The sigmoid function defined 53

Fig. 27. List of native, design and dynamic parameters in shale reservoir 56

Fig. 28. Impact of lateral length and stage count 57

Fig. 29. Effect of reservoir and fracture conditions 58

Fig. 30. Cross plot of 30 days cumulative production in Marcellus shale 59

Fig. 31. Monthly count of DUCs 64

Fig. 32. Monthly U.S. oil and gas production 68

Fig. 33. Well permitted and completed in the Eagle Ford Shale 69

Fig. 34. Data pre-processing for machine learning 71

Fig. 35. Example of histogram to remove data 72

Fig. 36. Production history in study area 74

Fig. 37. Change of decline curve factors according to production period 75

Fig. 38. Example of production behavior when applying Arps hyperbolic 76

Fig. 39. Histogram of DCA parameters after pre-processing 77

Fig. 40. Highly correlated input attributes 79

Fig. 41. Scatter plot of input attributes 80

Fig. 42. Correlation coefficient between input attributes 81

Fig. 43. Scree plot of 16 attributes in Case 1 84

Fig. 44. Scree plot of 12 attributes in Case 2 86

Fig. 45. Scree plot of 8 attributes in Case 3 87

Fig. 46. Scree plot of 5 attributes in Case 4 89

Fig. 47. Visualization of PCs in 3D plot in Case 4 90

Fig. 48. Variable distribution of the five clusters based on 6months production 91

Fig. 49. Variable distribution of the four clusters based on quartile 92

Fig. 50. Convergence of objective functions in fuzzy c-means clustering 94

Fig. 51. Cluster analysis results 95

Fig. 52. Location map by cluster 96

Fig. 53. Normalized Production of each group 98

Fig. 54. Box plot of key factors and production by group 100

Fig. 55. Estimated production results of the total wells using Arps hyperbolic with 12 months data 102

Fig. 56. Relationship between NP 6 and NP 48 by group 103

Fig. 57. Relationship between NP 12 and NP 48 by group 104

Fig. 58. Box plot of key factors by group 107

Fig. 59. Cumulative probability of DCA parameters by group 108

Fig. 60. Accuracy for testing wells by methods 111

Fig. 61. Accuracy for new wells by methods 113

Fig. 62. Classification results of group by methods 113

Fig. 63. Structure of ANN model in this study 115

Fig. 64. Comparison of measured and predicted production for testing wells 116

Fig. 65. Comparison of measured and predicted production for new wells 118

Fig. 66. Comparison of measured data and probabilistic prediction for new wells 119

Fig. 67. Probability distribution of DCA parameters with 48 months data 121

Fig. 68. Estimation results of total wells 122

초록보기

 대규모 연속체로 부존되어 있는 셰일 저류층은 불균질(heterogeneous)하고 낮은 유체투과도(permeability)를 가지므로 개발을 위해 수평시추(horizontal drilling), 수압파쇄(hydraulic fracturing) 기술을 적용한다. 이로 인하여 유동 메커니즘(mechanism)의 파악에 어려움이 있어 기존의 생산 예측 기법 적용에 한계가 존재하며, 생산 변동성이 큰 셰일층에서는 단일정을 이용한 생산량 예측보다 다수 생산정을 기반으로 생산거동 및 궁극가채량(estimated ultimate recovery)에 대한 추정이 이루어진다. 이와 더불어 석유 E&P 산업에 존재하는 다양하고 많은 양의 자료에 대한 효율적인 분석을 위해 데이터 기반 분석이 수행되고 있으며, 이를 활용하여 생산 운영에 필요한 자료를 도출할 수 있다. 생산 관련 인자에는 셰일층의 특성(native parameters), 수압파쇄 설계인자(design parameters), 동적인자(dynamic parameters)가 있으며, 생산성과 일정한 경향이 나타나지 않는 인자들의 복합적인 영향에 대한 분석이 필요하다. 따라서 다양한 변수와 생산량과의 관계를 파악하고 이로 인해 발생하는 생산특성을 파악하여야 한다. 이 연구에서는 머신러닝을 적용하여 셰일층의 석유 생산 주요인자(key factors)를 파악하고 이에 따른 생산특성을 기존 생산정에 대하여 분석하였으며, 그 결과를 활용하여 새로운 유정에서의 생산량을 예측하고자 하였다. 이를 위해 기존의 다수 오일 생산정의 제한된 현장 자료에서 유의미한 속성 값을 추출하고자 극단값 제거, 단위길이 당 인자 값 도출 등의 전처리 과정을 수행하였다. 취득한 다양한 인자에 대하여 차원 감소와 주요인자를 파악하고자 상관관계를 분석하였으며, 입력 속성에 따른 주성분분석을 수행함으로써 연구대상 지역에서 생산정 깊이와 수압파쇄 설계인자가 주요인자임을 파악하였다. 이를 바탕으로 하나의 개체가 여러 그룹에 속할 가능성으로 표현되는 퍼지군집분석을 적용하여 3개의 그룹으로 분류하였으며, 수압파쇄 설계 인자의 영향에 대한 생산특성을 분석하였다. 그 결과 생산성이 높은 그룹은 수압파쇄 간격이 좁으며 파쇄 시 단위길이 당 주입 프로판트 및 유체의 양이 생산정 중 많은 편에 속해 이와 같은 현장 조건에서 최적의 생산이 가능할 것으로 판단된다. 기존 생산정 분석으로 도출한 그룹을 바탕으로 분류 알고리즘을 통해 새로운 유정에 대한 그룹 예측을 수행하였으며, 제한된 주요인자를 활용하여 생산특성이 다른 그룹 분류가 가능함을 확인하였다. 또한, 새로운 유정의 생산량 예측 시 신뢰성을 향상시키고자 통계적 분석으로부터 각 그룹의 특징을 파악하였으며, 입력 인자에 대한 불확실성 고려를 위해 확률론적 입력값을 도출하였다. 이를 통해 생산정 깊이, 수압파쇄 설계인자, 감퇴곡선인자를 입력인자로 구축한 인공신경망 모델을 활용하여 생산 초기와 4년의 시점에서의 누적 생산량을 예측하였다. 이 연구에서 제시한 기존 및 새로운 셰일 수평정에 대한 생산량 예측은 머신러닝 기반의 시행착오를 통한 분석으로 새로운 현장 자료에 대해서도 적용가능성이 높으며, 광범위한 변수 속에서 자료 운용이 제한적인 경우에도 활용할 수 있다. 또한, 셰일층 개발 시 추가적인 자료 취득으로 인한 시간 및 비용 손실 없이 분석을 수행할 수 있으므로 보유하고 있는 자료를 활용하여 생산 운영에 필요한 자료를 도출할 수 있을 것으로 사료된다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기