KR102612959B1 - 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법 - Google Patents

딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법 Download PDF

Info

Publication number
KR102612959B1
KR102612959B1 KR1020230041254A KR20230041254A KR102612959B1 KR 102612959 B1 KR102612959 B1 KR 102612959B1 KR 1020230041254 A KR1020230041254 A KR 1020230041254A KR 20230041254 A KR20230041254 A KR 20230041254A KR 102612959 B1 KR102612959 B1 KR 102612959B1
Authority
KR
South Korea
Prior art keywords
gas production
shale gas
production
history data
time
Prior art date
Application number
KR1020230041254A
Other languages
English (en)
Inventor
김하영
이경북
Original Assignee
공주대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 공주대학교 산학협력단 filed Critical 공주대학교 산학협력단
Priority to KR1020230041254A priority Critical patent/KR102612959B1/ko
Application granted granted Critical
Publication of KR102612959B1 publication Critical patent/KR102612959B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)

Abstract

본 발명은 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법에 관한 것으로서, 특히 셰일가스 생산 이력 데이터 중 최대 일평균 가스 생산량 이전의 셰일가스 생산 이력 데이터를 제외시키는 전처리를 하고, 전처리된 데이터를 이용하여 순환신경망을 학습시켜 셰일가스 생산량 예측 모델을 생성하고, 생성된 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량을 예측하는 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법에 관한 것이다.

Description

딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법{SYSTEM AND METHOD FOR PREDICTING SHALE GAS PRODUCTION BASED ON DEEP LEARNING}
본 발명은 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법에 관한 것으로서, 특히 셰일가스 생산 이력 데이터 중 최대 일평균 가스 생산량 이전의 셰일가스 생산 이력 데이터를 제외시키는 전처리를 하고, 전처리된 데이터를 이용하여 순환신경망을 학습시켜 셰일가스 생산량 예측 모델을 생성하고, 생성된 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량을 예측하는 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법에 관한 것이다.
비전통 자원인 셰일가스는 기존 전통 자원에 비해 투수성이 매우 낮고(0.001 md 미만), 넓은 지역에 자원이 분포하여 수평 시추와 다단계수압파쇄를 통해 생산한다. 셰일 자산평가 초기 단계에서는 상용 데이터베이스에서 확보가능한 자료 수준인 월간 생산량과 수압파쇄 정보를 활용해 정밀자산평가를 수행할 유망자산을 일차적으로 판별한다. 이 단계의 잔존가치평가는 제한된 자료로 인해 저류층 시뮬레이션 대신 감퇴 곡선 기법(decline curve analysis,　DCA)으로 수행된다.
그러나, 셰일 자산은 낮은 투수율, 수압파쇄, 흡착 가스 생산으로 인해 기존의 전통 자원과 다른 생산 거동이 나타나고, 그에 따라 전통자원을 대상으로 1945년에 제안된 Arps의 DCA를 셰일 자산에 적용하여 평가하는 방식은 적합하지 않다. 셰일 자산의 특징을 반영한 DCA 개선기법이 제안되고 있지만, 기법 간 예측 결과의 차이가 크다.
따라서, 상용 데이터베이스에서 확보가능한 수준의 한정된 자료를 이용하여 딥러닝 기반 셰일가스 생산량 예측 모델을 개발할 필요가 있었다.
한국 등록특허공보 제10-1694994호(발명의 명칭 : 무기지화학적 지시자를 이용한 셰일가스 잠재성 평가 장치 및 그 방법)
따라서 본 발명은 상기와 같은 상황을 고려하여 이루어진 것으로서, 본 발명의 목적은 셰일가스 생산 이력 데이터를 전처리하여 셰일가스 생산량의 예측오차를 줄일 수 있는 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법을 제공하는 데에 있다.
상기 목적을 달성하기 위해, 본 발명의 일 실시형태에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템은 셰일가스 생산 이력 데이터를 수집하여 전처리함으로써 딥러닝 학습에 적합한 셰일가스 생산 이력 데이터를 선별하도록 구성된 전처리부; 전처리된 상기 셰일가스 생산 이력 데이터를 입력받아 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 선택하여 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하도록 구성된 예측 모델 생성부; 및 생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하도록 구성된 셰일가스 생산량 예측부;를 포함하는 것을 특징으로 한다.
상기 일 실시형태에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템은 상기 전처리부에 의해 전처리된 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 월간 가스 생산량 인자를 입력받아 다음의 [수학식 1]에 의해 계산하여 감퇴율을 산출하고, 산출된 감퇴율 데이터를 상기 순환신경망의 입력층에 추가로 입력시키도록 구성된 감퇴율 산출부를 더 포함하며, 이때, 상기 예측 모델 생성부는 상기 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자, 및 감퇴율 데이터를 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성할 수 있다.
[수학식 1]
[여기서, D는 감퇴율을 나타내며, q는 (t-n) ~ (t-1) 시점의 생산량 인자 중 최대 셰일가스 생산량을 나타내며, △t는 q에 해당하는 시점과 복수 개월 내 각 셰일가스 생산 시점의 변화량을 나타내며, △q는 q와 복수 개월 내 각 셰일가스 생산량의 변화량을 나타냄]
상기 일 실시형태에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템에 있어서, 상기 전처리부는 수집된 셰일가스 생산 이력 데이터에서 최대 일평균 가스 생산량 이전의 생산 이력 데이터를 제외시키도록 구성될 수 있다.
상기 일 실시형태에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템에 있어서, 상기 예측 모델 생성부의 입력층에 입력되는 셰일가스 생산 이력 데이터의 인자는 월간 가스 생산량, 일 평균 가스 생산량 및 누적 가스 생산량을 포함하는 (t-n) ~ (t-1) 시점의 생산량 인자와, 월간 생산시간 및 누적 생산시간을 포함하는 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 포함하거나, 또는 월간 가스 생산량, 일 평균 가스 생산량, 누적 가스 생산량 및 감퇴율을 포함하는 (t-n) ~ (t-1) 시점의 생산량 인자와, 월간 생산시간 및 누적 생산시간을 포함하는 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 포함할 수 있다.
상기 목적을 달성하기 위해, 본 발명의 다른 실시형태에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템을 이용한 딥러닝 기반 셰일가스 생산량 예측 방법은 전처리부가 셰일가스 생산 이력 데이터를 수집하여 전처리함으로써 딥러닝 학습에 적합한 셰일가스 생산 이력 데이터를 선별하는 단계; 예측 모델 생성부가 전처리된 상기 셰일가스 생산 이력 데이터를 입력받아 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 선택하여 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하는 단계; 및 셰일가스 생산량 예측부가 생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하는 단계;를 포함하는 것을 특징으로 한다.
상기 목적을 달성하기 위해, 본 발명의 또 다른 실시형태에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템을 이용한 딥러닝 기반 셰일가스 생산량 예측 방법은 전처리부가 셰일가스 생산 이력 데이터를 수집하여 전처리함으로써 딥러닝 학습에 적합한 셰일가스 생산 이력 데이터를 선별하는 단계; 감퇴율 산출부가 전처리된 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 월간 가스 생산량 인자를 입력받아 다음의 [수학식 1]에 의해 계산하여 감퇴율을 산출하는 단계; 예측 모델 생성부가 전처리된 상기 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자, 및 감퇴율 데이터를 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하는 단계; 및 셰일가스 생산량 예측부가 생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하는 단계;를 포함하는 것을 특징으로 한다.
[수학식 1]
[여기서, D는 감퇴율을 나타내며, q는 (t-n) ~ (t-1) 시점의 생산량 인자 중 최대 셰일가스 생산량을 나타내며, △t는 q에 해당하는 시점과 복수 개월 내 각 셰일가스 생산 시점의 변화량을 나타내며, △q는 q와 복수 개월 내 각 셰일가스 생산량의 변화량을 나타냄]
본 발명의 실시형태에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법에 의하면, 셰일가스 생산 이력 데이터를 수집하여 전처리함으로써 딥러닝 학습에 적합한 셰일가스 생산 이력 데이터를 선별하고; 전처리된 상기 셰일가스 생산 이력 데이터를 입력받아 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 선택하여 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하고; 생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하도록 구성됨으로써, 셰일가스 생산 이력 데이터를 전처리하여 셰일가스 생산량의 예측오차를 줄일 수 있다는 뛰어난 효과가 있다.
도 1은 본 발명의 실시예에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템의 블록 구성도이다.
도 2는 본 발명의 실시예에 의한 딥러닝 기반 셰일가스 생산량 예측 방법을 설명하기 위한 플로우챠트이다.
도 3은 도 1의 예측 모델 생성부의 순환신경망 입력층에 입력되는 입력 데이터의 인자를 나타낸 도면이다.
도 4는 도 2의 스텝(S200)에 대한 상세 플로우챠트이다.
도 5는 도 4의 스텝(S260)을 설명하기 위한 그래프이다.
도 6은 도 4의 스텝(S260)에 의한 효과를 설명하기 위한 그래프이다.
도 7은 도 1의 예측 모델 생성부에서 순환신경망의 출력층에 사용되는 데이터의 인자를 선정하기 위해 사용되는 상관 관계도이다.
도 8은 도 1의 예측 모델 생성부에서 순환신경망의 입력층에 감퇴율 데이터를 사용했을 때의 예측 신뢰도 개선 효과를 나타낸 도면이다.
본 발명의 실시예를 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예를 기술하기 위한 것이며, 결코 제한적으로 해석되어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하는 것으로 해석되어서는 안 된다.
도면에서 도시된 각 시스템에서, 몇몇 경우에서의 요소는 각각 동일한 참조 번호 또는 상이한 참조 번호를 가져서 표현된 요소가 상이하거나 유사할 수가 있음을 시사할 수 있다. 그러나 요소는 상이한 구현을 가지고 본 명세서에서 보여지거나 기술된 시스템 중 몇몇 또는 전부와 작동할 수 있다. 도면에서 도시된 다양한 요소는 동일하거나 상이할 수 있다. 어느 것이 제1 요소로 지칭되는지 및 어느 것이 제2 요소로 불리는지는 임의적이다.
본 명세서에서 어느 하나의 구성요소가 다른 구성요소로 자료 또는 신호를 '전송', '전달' 또는 '제공'한다 함은 어느 한 구성요소가 다른 구성요소로 직접 자료 또는 신호를 전송하는 것은 물론, 적어도 하나의 또 다른 구성요소를 통하여 자료 또는 신호를 다른 구성요소로 전송하는 것을 포함한다.
이하, 본 발명의 실시예를 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템의 블록 구성도이다.
본 발명의 실시예에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템은, 도 1에 도시된 바와 같이, 전처리부(100), 감퇴율 산출부(200), 예측 모델 생성부(300), 및 셰일가스 생산량 예측부(400)를 포함한다.
전처리부(100)는 셰일가스 생산 이력 데이터를 수집하고 수집된 셰일가스 생산 이력 데이터를 전처리하여 셰일가스 생산 이력 데이터의 수를 감소시키는 역할을 한다.
전처리부(100)에 의한 전처리 과정에 대해 도 4를 참조하여 설명하기로 한다.
스텝(S220 ~ S260) 각각은 개별적으로 수행되거나, 함께 수행될 수 있다.
스텝(S260)은 필수적인 과정이며, 스텝(S220 ~ S250)은 선택적인 과정이다. 모든 스텝(S220 ~ S260)을 함께 수행할 경우, 딥러닝 학습에 적합한 셰일가스 생산이력 데이터를 효과적으로 선별할 수 있다.
먼저, 전처리부(100)는 수집된 셰일가스 생산 이력 데이터에서 다단계 수압 파쇄를 수행하지 않은 단일 스테이지 유정의 데이터를 제외시킨다(S220).
다음, 전처리부(100)가 스텝(S220)에 의해 단일 스테이지 유정 데이터가 제외된 셰일가스 생산 이력 데이터에서 완결 연도가 설정 기간 이전 유정의 데이터를 제외시킨다(S230).
다음, 전처리부(100)가 스텝(S230)에 의해 설정 기간 이전 유정의 데이터가 제외된 셰일가스 생산 이력 데이터에서 생산시간이 "0"인데 생산량이 존재하는 유정의 데이터(노이즈 데이터)를 제외시킨다(S240).
다음, 전처리부(100)가 스텝(S240)에 의해 생산시간이 "0"인데 생산량이 존재하는 유정의 데이터가 제외된 셰일가스 생산 이력 데이터에서 일시적으로 생산을 중단하는 기간(예컨대, 월 생산시간이 24시간 미만 또는 월간 생산량이 100E3m3 인 기간)인 셧인 구간(shut in)의 생산이력 데이터를 제외시킨다(S250).
다음, 전처리부(100)가 스텝(S250)에 의해 셧인 구간의 생산이력 데이터가 제외된 셰일가스 생산 이력 데이터에서 최대 일평균 가스 생산량(Peak Avg Gas) 이전의 생산 이력 데이터를 제외시킨다(S260)(도 5 참조). 최대 일평균 가스 생산량은 일평균 가스 생산량(Avg Dly Gas) 중 피크값을 의미한다.
도 6은 스텝(S260)에 의한 효과를 설명하기 위한 그래프로서, 세로축은 셰일가스 생산량 예측 평균제곱오차(mean squared error, MSE)이며, 가로축은 케이스를 나타낸다.
스텝(S260)의 전처리 과정을 수행했을 경우, 스텝(S260)의 전처리 과정을 처리하기 전의 그래프에 비해 케이스 1에서는 14.5%의 오차 감소를 확인할 수 있고, 케이스 6에서는 13.7%의 오차 감소를 확인할 수 있다.
감퇴율 산출부(200)는 전처리부(100)에 의해 전처리된 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 월간 가스 생산량 인자를 입력받아 다음의 [수학식 1]에 의해 계산하여 감퇴율을 산출하는 역할을 한다.
[수학식 1]
[여기서, D는 감퇴율을 나타내며, q는 (t-n) ~ (t-1) 시점의 생산량 인자 중 최대 셰일가스 생산량을 나타내며, △t는 q에 해당하는 시점과 복수 개월 내 각 셰일가스 생산 시점의 변화량을 나타내며, △q는 q와 복수 개월 내 각 셰일가스 생산량의 변화량을 나타냄]
도 8에 도시된 바와 같이, 166개의 테스트 유정을 통해 검증해본 결과, 예측 모델 생성부(300)에서 순환신경망의 입력층에 감퇴율 데이터를 사용했을 경우는 감퇴율 데이터를 사용하지 않은 경우에 비해, 최종 누적 생산량 상대오차의 평균이 11.73% 감소하고, 오차 분산은 15.93% 감소함을 알 수 있다. 즉, 감퇴율 데이터를 순환신경망의 입력데이터로 사용할 경우, 예측 신뢰도 개선 효과를 얻을 수 있음을 알 수 있다.
예측 모델 생성부(300)는 전처리부(100)에 의해 전처리된 셰일가스 생산 이력 데이터를 입력받아 이 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자(예컨대, 3월, 4월 및 5월의 3개월의 생산량 인자와 4월, 5월 및 6월의 3개월의 생산정 운영인자)를 선택하여 순환신경망의 입력층에 입력하고, 셰일가스 생산 이력 데이터 중 t 시점(예컨대, 6월)의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성할 수 있다.
한편, 예측 모델 생성부(300)는 전처리부(100)에 의해 전처리된 이 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자(예컨대, 3월, 4월 및 5월의 3개월의 생산량 인자와 4월, 5월 및 6월의 3개월의 생산정 운영인자) 및 감퇴율 산출부(200)에 의해 산출된 감퇴율 데이터를 순환신경망의 입력층에 입력하고, 셰일가스 생산 이력 데이터 중 t 시점(예컨대, 6월)의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성할 수 있다. 위에서 설명한 바와 같이, 감퇴율 데이터를 순환신경망의 입력데이터로 사용할 경우, 사용하지 않을 경우에 비해 예측 신뢰도 개선 효과를 얻을 수 있다.
예측 모델 생성부(300)의 순환신경망 입력층에 입력되는 셰일가스 생산 이력 데이터의 인자는, 도 3에 도시된 바와 같이, (t-n) ~ (t-1) 시점의 생산량 인자로서, 월간 가스 생산량, 일 평균 가스 생산량 및 누적 가스 생산량이 포함되며, (t-(n-1)) ~ (t) 시점의 생산정 운영 인자로서 월간 생산시간 및 누적 생산시간이 포함될 수 있다(케이스 6).
한편, 예측 모델 생성부(300)의 순환신경망 입력층에 입력되는 셰일가스 생산 이력 데이터의 인자는, 또한 (t-n) ~ (t-1) 시점의 생산량 인자로서 월간 가스 생산량, 일 평균 가스 생산량, 누적 가스 생산량 및 감퇴율이 포함될 수 있으며, (t-(n-1)) ~ (t) 시점의 생산정 운영 인자로서 월간 생산시간 및 누적 생산시간이 포함될 수 있다(케이스 6+D).
예측 모델 생성부(300)의 순환신경망 출력층에 입력되는 셰일가스 생산 이력 데이터의 인자는, 도 7에 도시된 바와 같이, 셰일가스 생산 이력 데이터의 인자 중 모든 인자와 상관관계가 가장 높은 인자[예컨대, 월간 가스 생산량(Monthly Gas]를 선택함을 알 수 있다. 이 경우, 순환신경망에서 입, 출력 데이터 간의 상관관계가 높기 때문에 예측 정확도가 우수한 셰일가스 생산량 예측 모델을 얻을 수 있다.
셰일가스 생산량 예측부(400)는 예측 모델 생성부(300)에 의해 생성된 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자[전처리부(100)와 동일한 방식으로 전처리된 셰일가스 생산 이력 데이터의 인자]를 입력시켜 셰일가스 생산량 예측값을 산출하는 역할을 한다.
한편, 셰일가스 생산량 예측부(400)는 예측 모델 생성부(300)에 의해 생성된 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자[전처리부(100)와 동일한 방식으로 전처리된 셰일가스 생산 이력 데이터의 인자]와 감퇴율을 입력시켜 t 시점의 셰일가스 생산량 예측값을 산출할 수 있다.
상기와 같이 구성된 본 발명의 실시예에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템을 이용한 딥러닝 기반 셰일가스 생산량 예측 방법을 설명하기로 한다.
도 2는 본 발명의 실시예에 의한 딥러닝 기반 셰일가스 생산량 예측 방법을 설명하기 위한 플로우챠트로서, 여기서 S는 스텝(step)을 나타낸다.
[제 1 실시예]
먼저, 전처리부(100)가 셰일가스 생산 이력 데이터를 수집하고(S100), 수집된 셰일가스 생산 이력 데이터를 전처리함으로써 딥러닝 학습에 적합한 셰일가스 생산 이력 데이터를 선별한다(S200). 전처리 과정에 대해서는 위에 설명되어 있다.
다음, 예측 모델 생성부(300)가 스텝(S200)에서 전처리된 셰일가스 생산 이력 데이터를 입력받아 이 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자(예컨대, 3월, 4월 및 5월의 3개월의 생산량 인자와 4월, 5월 및 6월의 3개월의 생산정 운영인자)를 선택하여 순환신경망의 입력층에 입력하고, 셰일가스 생산 이력 데이터 중 t 시점(예컨대, 6월)의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성한다(S400).
다음, 셰일가스 생산량 예측부(400)가 스텝(S400)에서 생성된 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 셰일가스 생산량 예측값을 산출한다(S500).
[제 2 실시예]
먼저, 전처리부(100)가 셰일가스 생산 이력 데이터를 수집하고(S100), 수집된 셰일가스 생산 이력 데이터를 전처리함으로써 딥러닝 학습에 적합한 셰일가스 생산 이력 데이터를 선별한다(S200). 전처리 과정에 대해서는 위에 설명되어 있다.
다음, 감퇴율 산출부(200)가 스텝(S200)에서 전처리된 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 월간 가스 생산량 인자를 입력받아 다음의 [수학식 1]에 의해 계산하여 감퇴율을 산출한다(S300).
[수학식 1]
[여기서, D는 감퇴율을 나타내며, q는 (t-n) ~ (t-1) 시점의 생산량 인자 중 최대 셰일가스 생산량을 나타내며, △t는 q에 해당하는 시점과 복수 개월 내 각 셰일가스 생산 시점의 변화량을 나타내며, △q는 q와 복수 개월 내 각 셰일가스 생산량의 변화량을 나타냄]
다음, 예측 모델 생성부(300)가 스텝(S200)에서 전처리된 셰일가스 생산 이력 데이터를 입력받아 이 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자(예컨대, 3월, 4월 및 5월의 3개월의 생산량 인자와 4월, 5월 및 6월의 3개월의 생산정 운영인자) 및 상기 스텝(S300)에서 산출된 감퇴율 데이터를 순환신경망의 입력층에 입력하고, 셰일가스 생산 이력 데이터 중 t 시점(예컨대, 6월)의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성한다(S400).
다음, 셰일가스 생산량 예측부(400)가 스텝(S400)에서 생성된 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자, 및 감퇴율 데이터를 입력시켜 셰일가스 생산량 예측값을 산출한다(S500).
본 발명의 실시예에 의한 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법에 의하면, 셰일가스 생산 이력 데이터를 수집하여 전처리함으로써 딥러닝 학습에 적합한 셰일가스 생산 이력 데이터를 선별하고; 전처리된 상기 셰일가스 생산 이력 데이터를 입력받아 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 선택하여 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하고; 생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하도록 구성됨으로써, 셰일가스 생산 이력 데이터를 전처리하여 셰일가스 생산량의 예측오차를 줄일 수 있다.
도면과 명세서에는 최적의 실시예가 개시되었으며, 특정한 용어들이 사용되었으나 이는 단지 본 발명의 실시형태를 설명하기 위한 목적으로 사용된 것이지 의미를 한정하거나 특허 청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.
100: 전처리부
200: 감퇴율 산출부
300: 예측 모델 생성부
400: 셰일가스 생산량 예측부

Claims (8)

  1. 셰일가스 생산 이력 데이터를 수집하여 전처리함으로써 딥러닝 학습에 사용하기 위한 셰일가스 생산 이력 데이터를 선별하도록 구성된 전처리부(100);
    전처리된 상기 셰일가스 생산 이력 데이터를 입력받아 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 선택하여 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하도록 구성된 예측 모델 생성부(300); 및
    생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하도록 구성된 셰일가스 생산량 예측부(400);를 포함하는 딥러닝 기반 셰일가스 생산량 예측 시스템.
  2. 제1 항에 있어서,
    상기 전처리부(100)에 의해 전처리된 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 월간 가스 생산량 인자를 입력받아 다음의 [수학식 1]에 의해 계산하여 감퇴율을 산출하고, 산출된 감퇴율 데이터를 상기 순환신경망의 입력층에 추가로 입력시키도록 구성된 감퇴율 산출부(200)를 더 포함하며,
    이때, 상기 예측 모델 생성부(300)는 상기 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자, 및 감퇴율 데이터를 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하는 딥러닝 기반 셰일가스 생산량 예측 시스템.

    [수학식 1]

    [여기서, D는 감퇴율을 나타내며, q는 (t-n) ~ (t-1) 시점의 생산량 인자 중 최대 셰일가스 생산량을 나타내며, △t는 q에 해당하는 시점과 복수 개월 내 각 셰일가스 생산 시점의 변화량을 나타내며, △q는 q와 복수 개월 내 각 셰일가스 생산량의 변화량을 나타냄]
  3. 제1 항에 있어서,
    상기 전처리부(100)는
    수집된 셰일가스 생산 이력 데이터에서 최대 일평균 가스 생산량 이전의 생산 이력 데이터를 제외시키도록 구성된 딥러닝 기반 셰일가스 생산량 예측 시스템.
  4. 제1 항에 있어서,
    상기 예측 모델 생성부(300)의 입력층에 입력되는 셰일가스 생산 이력 데이터의 인자는
    월간 가스 생산량, 일 평균 가스 생산량 및 누적 가스 생산량을 포함하는 (t-n) ~ (t-1) 시점의 생산량 인자와, 월간 생산시간 및 누적 생산시간을 포함하는 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 포함하거나, 또는
    월간 가스 생산량, 일 평균 가스 생산량, 누적 가스 생산량 및 감퇴율을 포함하는 (t-n) ~ (t-1) 시점의 생산량 인자와, 월간 생산시간 및 누적 생산시간을 포함하는 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 포함하는 딥러닝 기반 셰일가스 생산량 예측 시스템.
  5. 딥러닝 기반 셰일가스 생산량 예측 시스템을 이용한 딥러닝 기반 셰일가스 생산량 예측 방법으로서,
    전처리부(100)가 셰일가스 생산 이력 데이터를 수집하여 전처리함으로써 딥러닝 학습에 사용하기 위한 셰일가스 생산 이력 데이터를 선별하는 단계;
    예측 모델 생성부(300)가 전처리된 상기 셰일가스 생산 이력 데이터를 입력받아 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 선택하여 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하는 단계; 및
    셰일가스 생산량 예측부(400)가 생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하는 단계;를 포함하는 딥러닝 기반 셰일가스 생산량 예측 방법.
  6. 딥러닝 기반 셰일가스 생산량 예측 시스템을 이용한 딥러닝 기반 셰일가스 생산량 예측 방법으로서,
    전처리부(100)가 셰일가스 생산 이력 데이터를 수집하여 전처리함으로써 딥러닝 학습에 사용하기 위한 셰일가스 생산 이력 데이터를 선별하는 단계;
    감퇴율 산출부(200)가 전처리된 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 월간 가스 생산량 인자를 입력받아 다음의 [수학식 1]에 의해 계산하여 감퇴율을 산출하는 단계;
    예측 모델 생성부(300)가 전처리된 상기 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자와 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자, 및 감퇴율 데이터를 순환신경망의 입력층에 입력하고, 상기 셰일가스 생산 이력 데이터 중 t 시점의 월간 가스 생산량 인자를 순환신경망의 출력층에 입력하여 학습시킴으로써 셰일가스 생산량 예측 모델을 생성하는 단계; 및
    셰일가스 생산량 예측부(400)가 생성된 상기 셰일가스 생산량 예측 모델에 셰일가스 생산 이력 데이터 중 (t-n) ~ (t-1) 시점의 생산량 인자 및 (t-(n-1)) ~ (t) 시점의 생산정 운영 인자를 입력시켜 t 시점의 월간 가스 생산량 예측값을 산출하는 단계;를 포함하는 딥러닝 기반 셰일가스 생산량 예측 방법.

    [수학식 1]

    [여기서, D는 감퇴율을 나타내며, q는 (t-n) ~ (t-1) 시점의 생산량 인자 중 최대 셰일가스 생산량을 나타내며, △t는 q에 해당하는 시점과 복수 개월 내 각 셰일가스 생산 시점의 변화량을 나타내며, △q는 q와 복수 개월 내 각 셰일가스 생산량의 변화량을 나타냄]
  7. 제5 항 또는 제6항에 있어서,
    상기 전처리함으로써 딥러닝 학습에 사용하기 위한 셰일가스 생산 이력 데이터를 선별하는 단계는
    상기 전처리부(100)가 수집된 셰일가스 생산 이력 데이터에서 최대 일평균 가스 생산량 이전의 생산 이력 데이터를 제외시키는 단계를 포함하는 딥러닝 기반 셰일가스 생산량 예측 방법.
  8. 제5 항 또는 제6항에 있어서,
    상기 전처리함으로써 딥러닝 학습에 사용하기 위한 셰일가스 생산 이력 데이터를 선별하는 단계는
    상기 전처리부(100)가 수집된 셰일가스 생산 이력 데이터에서 단일 스테이지 유정의 데이터를 제외시키는 단계;
    상기 전처리부(100)가 상기 단일 스테이지 유정 데이터가 제외된 셰일가스 생산 이력 데이터에서 설정기간 이전 유정의 데이터를 제외시키는 단계;
    상기 전처리부(100)가 상기 설정기간 이전 유전의 데이터가 제외된 셰일가스 생산 이력 데이터에서 생산시간이 "0"인데 생산량이 존재하는 유정의 데이터를 제외시키는 단계;
    상기 전처리부(100)가 상기 생산시간이 "0"인데 생산량이 존재하는 유정의 데이터가 제외된 셰일가스 생산 이력 데이터에서 일시적으로 생산을 중단하는 기간인 셧인 구간(shut in)의 생산이력 데이터를 제외시키는 단계; 및
    상기 전처리부가 셧인 구간의 생산이력 데이터가 제외된 셰일가스 생산 이력 데이터에서 최대 일평균 가스 생산량 이전의 생산 이력 데이터를 제외시키는 단계;를 포함하는 딥러닝 기반 셰일가스 생산량 예측 방법.


KR1020230041254A 2023-03-29 2023-03-29 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법 KR102612959B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230041254A KR102612959B1 (ko) 2023-03-29 2023-03-29 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230041254A KR102612959B1 (ko) 2023-03-29 2023-03-29 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102612959B1 true KR102612959B1 (ko) 2023-12-12

Family

ID=89159557

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230041254A KR102612959B1 (ko) 2023-03-29 2023-03-29 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102612959B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101694994B1 (ko) 2016-10-27 2017-01-11 한국지질자원연구원 무기지화학적 지시자를 이용한 셰일 가스 잠재성 평가 장치 및 그 방법
KR20180026842A (ko) * 2016-09-05 2018-03-14 동아대학교 산학협력단 비전통가스전에서 누적생산량증가율 지표에 따른 감퇴곡선법 선정 방법
KR101975436B1 (ko) * 2018-10-25 2019-05-07 동아대학교 산학협력단 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법
KR20200056910A (ko) * 2019-09-26 2020-05-25 한국지질자원연구원 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180026842A (ko) * 2016-09-05 2018-03-14 동아대학교 산학협력단 비전통가스전에서 누적생산량증가율 지표에 따른 감퇴곡선법 선정 방법
KR101694994B1 (ko) 2016-10-27 2017-01-11 한국지질자원연구원 무기지화학적 지시자를 이용한 셰일 가스 잠재성 평가 장치 및 그 방법
KR101975436B1 (ko) * 2018-10-25 2019-05-07 동아대학교 산학협력단 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법
KR20200056910A (ko) * 2019-09-26 2020-05-25 한국지질자원연구원 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
머신러닝 기반 생산기반에 따른 세일가스 예측의 불확실성 추이 분석, 오현택 외3인, KSMER V01. 58, No. 5(2021) pp. 475-490. (2021.10.26.)* *

Similar Documents

Publication Publication Date Title
KR101975436B1 (ko) 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법
Wu et al. A data mining approach for spatial modeling in small area load forecast
AbouRizk et al. Estimating labor production rates for industrial construction activities
Coccia et al. Recent developments in predictive uncertainty assessment based on the model conditional processor approach
US20070124236A1 (en) Credit risk profiling method and system
US10822923B2 (en) Resource identification using historic well data
CN105452598B (zh) 选择和优化用于产量平台的油田控制的方法
US11603740B2 (en) Method for real-time interpretation of pressure transient test
CN114495507B (zh) 融合时空注意力神经网络和交通模型的交通流预测方法
van den Boomen et al. A life cycle costing approach for discounting in age and interval replacement optimisation models for civil infrastructure assets
WO2017011469A1 (en) Ensemble based decision making
US20230252290A1 (en) System and method for well interference detection and prediction
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
CN113627639A (zh) 用于碳酸盐岩缝洞型储层的试井产能预测方法及***
CN113553356A (zh) 一种钻井参数预测方法和***
Papamichail et al. Seasonal arima inflow models for reservoir sizing 1
CN117191147A (zh) 一种泄洪大坝水位监测预警方法及***
Han et al. Production prediction of conventional and global positioning system–based earthmoving systems using simulation and multiple regression analysis
KR102612959B1 (ko) 딥러닝 기반 셰일가스 생산량 예측 시스템 및 방법
CN104598705A (zh) 用于识别地下物质层的方法和装置
US20210374521A1 (en) Systems and procedures to forecast well production performance for horizontal wells utilizing artificial neural networks
US11927717B2 (en) Optimized methodology for automatic history matching of a petroleum reservoir model with Ensemble Kalman Filter (EnKF)
CN109558615B (zh) 油气勘探决策树分析方法及***
Amiri et al. Forecasting seasonality in prices of potatoes and onions: challenge between geostatistical models, neuro fuzzy approach and Winter method
Yang et al. Applying micro-genetic algorithm in the one-dimensional unsteady hydraulic model for parameter optimization

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant