KR20200084447A - 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정 시스템 및 선정방법 - Google Patents
인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정 시스템 및 선정방법 Download PDFInfo
- Publication number
- KR20200084447A KR20200084447A KR1020180169872A KR20180169872A KR20200084447A KR 20200084447 A KR20200084447 A KR 20200084447A KR 1020180169872 A KR1020180169872 A KR 1020180169872A KR 20180169872 A KR20180169872 A KR 20180169872A KR 20200084447 A KR20200084447 A KR 20200084447A
- Authority
- KR
- South Korea
- Prior art keywords
- hydraulic fracturing
- neural network
- artificial neural
- well completion
- shale gas
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 179
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 144
- 239000007788 liquid Substances 0.000 title claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 14
- 239000007789 gas Substances 0.000 claims description 129
- 239000012530 fluid Substances 0.000 claims description 61
- 239000003129 oil well Substances 0.000 claims description 61
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- 239000010453 quartz Substances 0.000 claims description 20
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 19
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 16
- 239000006260 foam Substances 0.000 claims description 16
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 15
- 239000004927 clay Substances 0.000 claims description 15
- 239000001294 propane Substances 0.000 claims description 14
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 13
- 229910052799 carbon Inorganic materials 0.000 claims description 13
- 238000011161 development Methods 0.000 claims description 9
- 238000001179 sorption measurement Methods 0.000 claims description 9
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 8
- 239000001569 carbon dioxide Substances 0.000 claims description 8
- 229910052757 nitrogen Inorganic materials 0.000 claims description 8
- 238000010187 selection method Methods 0.000 claims description 8
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 7
- 239000011707 mineral Substances 0.000 claims description 7
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000000704 physical effect Effects 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims 1
- 239000011435 rock Substances 0.000 abstract description 9
- 210000002569 neuron Anatomy 0.000 description 12
- 238000004088 simulation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010206 sensitivity analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000002734 clay mineral Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910001748 carbonate mineral Inorganic materials 0.000 description 1
- 238000004132 cross linking Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 1
- 239000011368 organic material Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- E21B41/0092—
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B41/00—Equipment or details not covered by groups E21B15/00 - E21B40/00
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/16—Enhanced recovery methods for obtaining hydrocarbons
- E21B43/20—Displacing by water
-
- 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 셰일가스의 생산을 위한 수압파쇄 설계시 유정완결법과 수압파쇄액을 선정하는 전문가 시스템에 관한 것으로, 보다 구체적으로는 셰일가스 수압파쇄시 셰일가스의 지질학적특성정보, 광물학적특성정ㅂ, 암석역학적특성정보에 대한 물성자료를 이용하여, 유정완결법 종류 및 수압파쇄액의 종류를 보다 정확하게 선정할 수 있는 인공신경망 기반 셰일가스 저류층의 수압파쇄액 및 유정완결 선정 시스템 및 이를 이용한 선정방법에 관한 것이다.
Description
본 발명은 셰일가스의 생산을 위한 수압파쇄 설계시 유정완결법과 수압파쇄액을 선정하는 전문가 시스템에 관한 것으로, 보다 구체적으로는 셰일가스 수압파쇄시 셰일가스의 지질학적특성정보, 광물학적특성정보, 암석역학적특성정보에 대한 물성자료를 이용하여, 유정완결법 종류 및 수압파쇄액의 종류를 보다 정확하게 선정할 수 있는 인공신경망 기반 셰일가스 저류층의 수압파쇄액 및 유정완결 선정 시스템 및 이를 이용한 선정방법에 관한 것이다.
셰일가스 저류층은 유기물질을 포함한 셰일이 퇴적된 후 열성숙 작용을 거쳐 근원암을 형성하고, 이때 생성된 가스가 다공성 매질로 이동하지 못하고 잔류되어 형성된 경우를 의미한다. 셰일가스는 투과도가 극도로 치밀한 암체 내에 부존되어 있으며, 기존의 석유 시스템을 따르지 않고 담요 형태로 넓게 분포하는 특징을 보이기 때문에, 개발 및 생산과정에서 수평정 시추와 수압파쇄법의 적용이 필수적이다.
이러한 셰일가스 개발을 위해서는 저류층의 지질학적, 광물학적 자료를 토대로 시뮬레이션을 통해 유정완결법과 수압파쇄액 종류를 선정해야만 한다. 하지만 경험적 판단에 의존한 결과를 토대로 수압파쇄 설계에 적용할 경우 결과에 대한 신뢰도 문제가 발생하며, 다양한 저류층 정보들을 종합적인 분석을 통해 주요 인자를 결정하는 경우, 분석과정이 복잡할 뿐만 아니라 많은 시간이 소모된다.
따라서, 신뢰성이 있을 뿐만 아니라, 다양한 저류층 정보들의 종합적인 분석을 통해 주요 영향인자를 결정하여 수압파쇄공법 설계시 적절한 유정완결법의 종류와 수압파쇄액의 종류를 선정할 수 있는 기술이 개발될 필요성이 존재 한다.
본 발명자들은 다수의 연구결과 수압파쇄공법 설계시 적용할 수 있는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정 시스템을 개발함으로써 본 발명을 완성하였다.
따라서, 본 발명의 목적은 셰일가스 저류층의 다양한 지질학적특성정보, 광물학적특성정보 및 암석역학적특성정보 중 심도(depth), 두께(thickness), 총탄소함량(total carbon contents: TOC), 흡착가스량(adsorbed gas contents), 가스량(gas contents), 석영함량(quartz contents), 점토함유량(clay contents), 탄산염함유량(carbonate contents) 및 취성도 지수(brittleness index)와 유정완결법 및 수압파쇄액의 종류의 상관관계를 고려하여 인공신경망(artificial neural network: ANN)을 구성하고, 상기 인공신경망을 통해 아주 짧은 시간 내에 간단한 셰일가스 저류층 정보만을 이용해 셰일가스 저류층 특성에 부합하는 유정완결법 종류와 수압파쇄액 종류를 선정할 수 있는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정 시스템 및 선정방법을 제공하는 것이다.
본 발명의 다른 목적은 셰일가스 개발 계획을 수립하는데 있어 셰일층 특성에 부합하는 최적 수압파쇄 설계시 도구로 활용될 수 있는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정 시스템 및 선정방법을 제공하는 것이다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 명시적으로 언급되지 않았더라도 후술되는 발명의 상세한 설명의 기재로부터 통상의 지식을 가진 자가 인식할 수 있는 발명의 목적 역시 당연히 포함될 수 있을 것이다.
상술된 본 발명의 목적을 달성하기 위해, 본 발명은 셰일가스 생산을 위한 수압파쇄공법 설계시 유정완결법 및 수압파쇄액 선정에 영향을 미치는 셰일가스 저류층의 지질학적특성정보, 광물학적특성정보 및 암석역학적 특성정보를 포함하는 저류층 특성정보를 입력하기 위한 입력부; 상기 입력부에 의해 입력된 상기 저류층 특성정보에 따라 유정완결법의 종류 및 수압파쇄액의 종류를 포함하는 결과정보를 예측하도록 설정된 인공신경망을 통해 연결 가중치 값의 갱신을 통한 학습과 타당성 확인을 수행하는 자료처리부; 및 상기 자료처리부에 의해 예측된 유정완결법의 종류 및 수압파쇄액의 종류를 포함하는 결과정보를 나타내는 출력부;를 포함하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템을 제공한다.
바람직한 실시예에 있어서, 상기 자료처리부는 공지된 셰일가스 저류층의 물성 자료조사를 통해 셰일가스 생산을 위한 수압파쇄공법 설계시 유정완결법 및 수압파쇄액 선정에 영향을 미치는 것으로 결정된 지질학적특성, 광물학적특성 및 암석역학적특성을 포함하는 다수의 저류층 특성정보 세트로 구축되어 상기 인공신경망을 훈련시키기 위한 다수의 경험적 정보를 제공하는 셰일가스 저류층 특성정보DB를 더 포함한다.
바람직한 실시예에 있어서, 상기 인공신경망은 상기 저류층 특성정보와 연관된 다수개의 입력노드를 갖는 입력층; 상기 저류층 특성정보에 의한 상기 결과정보를 나타내는 1개 이상의 출력노드를 갖는 출력층; 및 상기 입력층과 상기 출력층 사이에서 저류층 특성정보 및 결과정보에 대한 처리요소를 갖는 1개 이상의 은닉노드를 갖는 은닉층을 2개 이상 포함한다.
바람직한 실시예에 있어서, 상기 인공신경망은 상기 입력노드와 상기 은닉노드 사이 및 상기 은닉노드와 상기 출력노드 사이 중 적어도 어느 하나에 경험적으로 훈련된 모델에 의해 산출된 연결 가중치를 부여하도록 설정된다.
바람직한 실시예에 있어서, 상기 연결 가중치 값의 갱신을 통한 학습은 역전파 학습 알고리즘에 의해 수행된다.
바람직한 실시예에 있어서, 상기 저류층 특성정보 중 유정완결법의 종류를 예측하는데 영향을 미치는 특성정보는 저류층의 깊이, 두께, 총탄소함량, 석영함량, 가스함량, 가스흡착량, 점토함량으로 구성된 그룹에서 선택되는 1개 이상이다.
바람직한 실시예에 있어서, 상기 특성정보에 따라 상기 출력부에 상기 결과정보로 나타나는 상기 유정완결법의 종류는 단단 수직정, 다단 수직정, 및 수평정 중 어느 하나이다.
바람직한 실시예에 있어서, 상기 저류층 특성정보 중 수압파쇄액의 종류를 선정하는데 영향을 미치는 특성정보는 셰일가스 개발 시 깊이, 깊이변화에 따른 압력변화량, 온도 기준, 취성도 지수로 구성된 그룹에서 선택되는 1개 이상이다.
바람직한 실시예에 있어서, 상기 특성정보에 따라 상기 출력부에 상기 결과정보로 나타나는 상기 수압파쇄액의 종류는 프로판트를 포함한 이산화탄소 폼, 프로판트를 포함한 질소 폼, 및 물 기반 파쇄액 중 어느 하나이다.
바람직한 실시예에 있어서, 상기 수압파쇄액 종류가 물기반 수압파쇄액인 경우, 화학 첨가물이 포함된 물, 선형 겔, 가교결합 겔로 추가 분류되고, 추가 분류된 상태에서 취성도 지수에 따라 결정된 어느 하나가 상기 결과정보로 나타난다.
바람직한 실시예에 있어서, 상기 취성도 지수는 영률, 포아송비, 공극률과의 관계 또는 석영함량을 석영함량, 점토함량 및 탄산염함유량을 모두 더한 값으로 나눈 값이다.
또한, 본 발명은 셰일가스 생산을 위한 수압파쇄공법 설계시 유정완결법 및 수압파쇄액 선정에 영향을 미치는 셰일가스 저류층 특성정보에 대한 경험적 정보를 제공하는 셰일가스 저류층 특성정보DB를 구축하는 단계; 상기 저류층 특성정보와 상기 저류층 특성정보에 따른 유정완결법 종류 및 수압파쇄액 종류를 포함하는 결과정보에 대한 기여도를 연관시킬 수 있는 인공신경망을 구성하는 단계: 상기 인공신경망이 유정완결법 종류 및 수압파쇄액 종류를 포함하는 결과정보를 예측하도록 상기 셰일가스 저류층 특성정보DB를 이용하여 역전파 학습 알고리즘에 의해 상기 인공신경망을 훈련시키는 단계; 및 상기 인공신경망에 의해 결과정보를 예측하는 단계;를 포함하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정방법을 제공한다.
바람직한 실시예에 있어서, 상기 인공신경망에 의해 결과정보를 예측하는 단계는 상기 인공신경망이 연결 가중치 값의 갱신을 통한 학습과 타당성 확인을 수행하는 단계를 포함한다.
바람직한 실시예에 있어서, 상기 인공신경망을 구성하는 단계는 저류층의 깊이, 두께, 총탄소함량, 석영함량, 가스함량, 가스흡착량, 점토함량과 관계된 저류층 특성정보에 대한 단단 수직정, 다단 수직정, 및 수평정 중 어느 하나인 유정완결법의 종류를 연관시키는 단계; 및 셰일가스 개발 시 깊이, 깊이변화에 따른 압력변화량, 온도 기준, 취성도 지수와 관계된 저류층 특성정보에 대한 프로판트를 포함한 이산화탄소 폼, 프로판트를 포함한 질소 폼, 및 물 기반 파쇄액 중 어느 하나인 수압파쇄액의 종류를 연관시키는 단계를 포함하여 수행된다.
바람직한 실시예에 있어서, 상기 인공신경망을 훈련시키는 단계는 베이지안 규칙화 알고리즘을 이용하여 각 변수의 기여도를 결정하여 유정완결법 종류를 예측하도록 반복 학습시키는 단계; 및 레벤버그-마쿼트 알고리즘을 이용하여 각 변수의 기여도를 결정하여 수압파쇄액 종류를 예측하도록 반복 학습시키는 단계;를 포함한다.
바람직한 실시예에 있어서, 상기 각 변수의 기여도는 상기 저류층 특성정보DB로부터 제공된 경험적 정보 및 오차수정에 근거한 연결가중치를 부여함으로써 결정되는데, 상기 연결가중치는 적정하게 설정되도록 가중치 조정을 다수 회 실시한다.
상술된 본 발명에 의하면 셰일가스 저류층의 다양한 지질학적특성정보, 광물학적특성정보 및 암석역학적특성정보 중 심도(depth), 두께(thickness), 총탄소함량(total carbon contents: TOC), 흡착가스량(adsorbed gas contents), 가스량(gas contents), 석영함량(quartz contents), 점토함유량(clay contents), 탄산염함유량(carbonate contents) 및 취성도 지수(brittleness index)와 유정완결법 및 수압파쇄액의 종류의 상관관계를 고려하여 인공신경망(artificial neural network: ANN)을 구성하고, 상기 인공신경망을 통해 아주 짧은 시간 내에 간단한 셰일가스 저류층 정보만을 이용해 셰일가스 저류층 특성에 부합하는 유정완결법 종류와 수압파쇄액 종류를 선정할 수 있다.
또한, 본 발명의 선정시스템 및 선정방법은 셰일가스 개발 계획을 수립하는데 있어 셰일층 특성에 부합하는 최적 수압파쇄 설계시 도구로 활용될 수 있으며, 사용자 친화적 인터페이스를 사용하기 때문에 일반인도 쉽게 사용할 수 있다는 이점이 있다.
본 발명의 이러한 기술적 효과들은 이상에서 언급한 범위만으로 제한되지 않으며, 명시적으로 언급되지 않았더라도 후술되는 발명의 실시를 위한 구체적 내용의 기재로부터 통상의 지식을 가진 자가 인식할 수 있는 발명의 효과 역시 당연히 포함된다.
도 1은 본 발명의 일 실시예에 따른 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템의 구성도이다.
도 2는 본 발명의 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템 개발을 위해 구축된 유정완결법 선정 흐름도이다.
도 3은 본 발명의 본 발명의 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템 개발을 위해 구축된 수압파쇄액 선정 흐름도이다.
도 4는 베이지안 규칙화를 이용하여 유정완결법 선정 훈련 데이터 세트의 시스템의 목표값과 출력값의 민감도를 분석한 결과를 나타낸 그래프이다.
도 5는 은닉층이 2개인 경우, 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템에 적용되는 유정완결법 선정을 위한 인공신경망(ANN) 구조의 모식도이다.
도 6은 레벤버그-마쿼트를 이용하여 수압파쇄액 선정 훈련 데이터 세트의 시스템의 목표값과 출력값의 민감도를 분석한 결과를 나타낸 그래프이다.
도 7은 은닉층이 2개 인 경우, 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템에 적용되는 수압파쇄액 선정 인공신경망(ANN) 구조의 모식도이다.
도 8은 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템의 패널을 GUI(graphic user interface)로 구현된 일구현예를 나타낸 예시도이다.
도 9는 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템의 온도, 깊이변화에 따른 압력 변화량, 온도에 따른 패널을 GUI(graphic user interface)로 구현된 다른 구현예를 나타낸 예시도이다.
도 10은 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템에서 물 기반 파쇄액이 선정된 경우, 암석역학적 물성에 따른 패널을 GUI(graphic user interface)로 구현된 또 다른 구현예를 나타낸 예시도이다.
도 11은 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템에서 물 기반 파쇄액이 선정된 경우, 지질학적, 광물학적 물성에 따른 패널을 GUI(graphic user interface)로 구현된 또 다른 구현예를 나타낸 예시도이다.
도 12는 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템을 이용해 현장적용성 평가를 수행한 또 다른 구현예이다.
도 13은 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템을 이용해 현장적용성 평가를 수행한 또 다른 구현예이다.
도 2는 본 발명의 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템 개발을 위해 구축된 유정완결법 선정 흐름도이다.
도 3은 본 발명의 본 발명의 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템 개발을 위해 구축된 수압파쇄액 선정 흐름도이다.
도 4는 베이지안 규칙화를 이용하여 유정완결법 선정 훈련 데이터 세트의 시스템의 목표값과 출력값의 민감도를 분석한 결과를 나타낸 그래프이다.
도 5는 은닉층이 2개인 경우, 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템에 적용되는 유정완결법 선정을 위한 인공신경망(ANN) 구조의 모식도이다.
도 6은 레벤버그-마쿼트를 이용하여 수압파쇄액 선정 훈련 데이터 세트의 시스템의 목표값과 출력값의 민감도를 분석한 결과를 나타낸 그래프이다.
도 7은 은닉층이 2개 인 경우, 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템에 적용되는 수압파쇄액 선정 인공신경망(ANN) 구조의 모식도이다.
도 8은 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템의 패널을 GUI(graphic user interface)로 구현된 일구현예를 나타낸 예시도이다.
도 9는 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템의 온도, 깊이변화에 따른 압력 변화량, 온도에 따른 패널을 GUI(graphic user interface)로 구현된 다른 구현예를 나타낸 예시도이다.
도 10은 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템에서 물 기반 파쇄액이 선정된 경우, 암석역학적 물성에 따른 패널을 GUI(graphic user interface)로 구현된 또 다른 구현예를 나타낸 예시도이다.
도 11은 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템에서 물 기반 파쇄액이 선정된 경우, 지질학적, 광물학적 물성에 따른 패널을 GUI(graphic user interface)로 구현된 또 다른 구현예를 나타낸 예시도이다.
도 12는 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템을 이용해 현장적용성 평가를 수행한 또 다른 구현예이다.
도 13은 본 발명에 따른 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템을 이용해 현장적용성 평가를 수행한 또 다른 구현예이다.
본 발명에서 사용하는 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 발명의 설명에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 갖는다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
구성 요소를 해석함에 있어서, 별도의 명시적 기재가 없더라도 오차 범위를 포함하는 것으로 해석한다. 특히, 정도의 용어 "약", "실질적으로" 등이 사용되는 경우 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되는 것으로 해석될 수 있다.
시간 관계에 대한 설명일 경우, 예를 들어, '~후에', '~에 이어서', '~다음에', '~전에' 등으로 시간 적 선후관계가 설명되는 경우, '바로' 또는 '직접'이 사용되지 않는 이상 연속적이지 않은 경우도 포함한다.
이하, 첨부한 도면 및 바람직한 실시예들을 참조하여 본 발명의 기술적 구성을 상세하게 설명한다.
그러나, 본 발명은 여기서 설명되는 실시예에 한정되지 않고 다른 형태로 구체화 될 수도 있다. 명세서 전체에 걸쳐 본 발명을 설명하기 위해 사용되는 동일한 참조번호는 동일한 구성요소를 나타낸다.
본 발명의 기술적 특징은 셰일가스 저류층의 다양한 지질학적특성정보, 광물학적특성정보 및 암석역학적특성정보 중 특히 유정완결법 및 수압파쇄액의 종류를 결정하는데 영향을 미치는 정보를 다수의 자료수집 및 다양한 조건의 시뮬레이션을 통해 선정하고 선정된 지질학적특성정보 및 광물학적특성정보 특성정보인 심도(depth), 두께(thickness), 총탄소함량(total carbon contents: TOC), 흡착가스량(adsorbed gas contents), 가스량(gas contents), 석영함량(quartz contents), 점토함유량(clay contents), 탄산염함유량(carbonate contents) 및 암석역학적특성정보인 취성도 지수(brittleness index)와, 유정완결법 및 수압파쇄액의 상관관계를 고려하여 인공신경망(artificial neural network: ANN)을 구성하고, 상기 인공신경망을 통해 아주 짧은 시간 내에 간단한 셰일가스 저류층 정보만을 이용해 셰일가스 저류층 특성에 부합하는 유정완결법 종류와 수압파쇄액 종류를 선정할 수 있는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정 시스템 및 선정방법에 있다.
즉, 기존 연구에 따르면 유정완결법을 결정하기 위해서는 심도(depth), 두께(thickness), 총탄소함량(total carbon contents: TOC), 가스량(gas content) 등의 저류층의 지질학적 특성이 유정완결법을 수행함에 있어 가장 중요하게 여겨졌지만, 예측되었던 것보다 적은 저류층 파쇄 부피(stimulated reservoir volume: SRV)가 나타나는 문제점이 있었다. 또한 수압파쇄액의 경우, 기존에는 파쇄액의 안정성(stability)만이 중요하게 여겨져 셰일층의 심도, 저류층 압력(pressure), 온도(temperature)가 고려되어 왔지만 수용성 수압파쇄액의 경우, 파쇄액의 첨가물에 따른 저류층 파쇄 부피의 차이가 매우 크게 나타나 이를 보정하기 위한 별도의 특성정보가 추가적으로 고려될 필요가 있었기 때문이다. 하지만, 본 발명에서는 유정완결법의 종류를 결정하는데 영향을 미치는 특성정보로 석영함량(quartz contents), 점토함유량(clay contents)을 더 고려함으로써 저류층 파쇄 부피를 높일 수 있는 유정완결법을 선정할 수 있도록 하였으며, 수압파쇄액의 종류를 결정하는데 영향을 미치는 특성정보로 취성도를 추가적으로 고려함으로써 파쇄액의 첨가물에 따른 저류층 파쇄 부피의 차이를 최소화할 수 있도록 하였다.
따라서, 본 발명의 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템은 셰일가스 생산을 위한 수압파쇄공법 설계시 유정완결법 및 수압파쇄액 선정에 영향을 미치는 셰일가스 저류층의 지질학적특성정보, 광물학적특성정보 및 암석역학적 특성정보를 포함하는 저류층 특성정보를 입력하기 위한 입력부; 상기 입력부에 의해 입력된 상기 저류층 특성정보에 따라 유정완결법의 종류 및 수압파쇄액의 종류를 포함하는 결과정보를 예측하도록 설정된 인공신경망을 통해 연결 가중치 값의 갱신을 통한 학습과 타당성 확인을 수행하는 자료처리부; 및 상기 자료처리부에 의해 예측된 유정완결법의 종류 및 수압파쇄액의 종류를 포함하는 결과정보를 나타내는 출력부;를 포함한다.
또한, 본 발명의 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정방법은 셰일가스 생산을 위한 수압파쇄공법 설계시 유정완결법 및 수압파쇄액 선정에 영향을 미치는 셰일가스 저류층 특성정보에 대한 경험적 정보를 제공하는 셰일가스 저류층 특성정보DB를 구축하는 단계; 상기 저류층 특성정보와 상기 저류층 특성정보에 따른 유정완결법 종류 및 수압파쇄액 종류를 포함하는 결과정보에 대한 기여도를 연관시킬 수 있는 인공신경망을 구성하는 단계: 상기 인공신경망이 유정완결법 종류 및 수압파쇄액 종류를 포함하는 결과정보를 예측하도록 상기 셰일가스 저류층 특성정보DB를 이용하여 역전파 학습 알고리즘에 의해 상기 인공신경망을 훈련시키는 단계; 및 상기 인공신경망에 의해 결과정보를 예측하는 단계;를 포함한다.
도 1은 본 발명의 일 실시예에 따른 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템의 구성도이다. 도 2는 본 발명의 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템 개발을 위해 구축된 유정완결법 선정 흐름도이고, 도 3은 본 발명의 본 발명의 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템 개발을 위해 구축된 수압파쇄액 선정 흐름도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템은, 입력부(100), 자료처리부(200) 및 출력부(300)를 포함한다.
도시된 바와 같이, 입력부(100)는 셰일가스 저류층 특성정보를 입력하기 위한 구성요소로서 도 1에 도시된 바와 같이 유정완결법 선정에 영향을 미치는 특성정보인 입력값(110)과 수압파쇄액 선정에 영향을 미치는 특성정보인 입력값(120)이 구분되어 입력될 수 있다. 여기서, 유정완결법 선정에 영향을 미치는 특성정보인 입력값(110)은 입력부(100)에 입력되는 셰일가스 저류층의 지질학적특성정보, 광물학적특성정보 및 암석역학적 특성정보를 포함하는 저류층 특성정보 중 저류층의 깊이, 두께, 총탄소함량, 석영함량, 가스함량, 가스흡착량, 점토함량으로 구성된 그룹에서 선택되는 1개 이상일 수 있고, 수압파쇄액 선정에 영향을 미치는 특성정보인 입력값(120)은 셰일가스 개발 시 깊이, 깊이변화에 따른 압력변화량, 온도 기준, 취성도 지수로 구성된 그룹에서 선택되는 1개 이상일 수 있다.
이와 같이 입력부(100)에 입력되는 특성정보 즉 입력값(110, 120)은 셰일가스 개발을 위해 수압파쇄가 필요한 지역의 지질학적, 광물학적, 암석역학적인 데이터를 수집하고, 이를 바탕으로 각 지역의 특징에 따라 후술하는 자료처리부(200)에 포함된 인공신경망이 사용될 유정완결법 및 수압파쇄액 종류를 결정할 수 있도록 인공신경망의 입력층에 입력되는 측정치이다.
자료처리부(200)는 입력부(100)에 입력되는 유정완결법 선정에 영향을 미치는 특성정보인 입력값(110) 및 수압파쇄액 선정에 영향을 미치는 특성정보인 입력값(120)에 따라 예측된 유정완결법 및 수압파쇄액의 종류 등 결과정보를 도출하는 인공신경망을 포함한다.
여기서, 인공신경망은 인간의 신경조직을 모델로 하여 간단한 기능의 처리기 사이를 대규모로 연결시킨 네트워크 형태의 정보처리를 구현하는 다층 신경망(multi-layer perceptron: MLP)으로, 저류층 특성정보와 연관된 다수개의 입력노드를 갖는 입력층; 상기 저류층 특성정보에 의한 결과정보를 나타내는 1개 이상의 출력노드를 갖는 출력층; 및 상기 입력층과 상기 출력층 사이에서 저류층 특성정보 및 결과정보에 대한 처리요소를 갖는 1개 이상의 은닉노드를 갖는 은닉층을 2개 이상 포함할 수 있다.
입력층은 저류층 특성정보 중 유정완결법 선정에 영향을 미치는 특성정보인 저류층의 깊이, 두께, 총탄소함량, 석영함량, 가스함량, 가스흡착량, 점토함량을 포함하는 7개의 입력노드로 구성된 세트1과 수압파쇄액 선정에 영향을 미치는 특성정보인 셰일가스 개발 시 깊이, 깊이변화에 따른 압력변화량, 온도 기준, 취성도 지수를 포함하는 4개의 입력노드로 구성된 세트2를 포함한다. 입력층에 입력되는 특성정보는 입력부(100)에 의해 입력될 수 있다.
출력층은 입력층에 입력된 상기 저류층 특성정보에 의한 결과정보를 나타내는 처리요소로 1개 이상의 출력노드로 이루어진 세트를 포함하고, 은닉층은 입력층과 출력층 사이에서 저류층 특성정보 및 결과정보에 대한 처리요소를 갖는 1개 이상의 은닉노드로 이루어진 세트를 포함하는데, 적어도 2개의 은닉층이 형성될 수 있다.
이와 같이 입력층, 은닉층 및 출력층으로 구성된 인공신경망이 실행될 때, 유정완결법선정에 영향을 미치는 특성정보인 입력값(110) 및 수압파쇄액 선정에 영향을 미치는 특성정보인 입력값(120)과, 예측된 유정완결법 종류인 유정완결법 선정출력값(310) 및 예측된 수압파쇄액 종류인 수압파쇄액선정출력값(320) 사이의 관계가 단순히 계산될 수 있도록, 처리요소들 또는 노드들이 상호 연결되어 있다.
인공신경망은 입력층의 입력노드와 은닉층의 은닉노드 사이 및 은닉층의 은닉노드와 출력층의 출력노드 사이 중 적어도 어느 하나에 경험적으로 훈련된 모델에 의해 산출된 연결 가중치를 부여하도록 설정되는데, 일 구현예로서, 입력층에 입력된 입력값과 은닉층 사이의 연결 가중치의 곱이 더해져 은닉층 뉴런에 입력되고, 입력된 입력값은 뉴런 내의 비선형 활성화 함수를 거쳐 입력 값과 다른 값을 출력하며, 출력 결과를 은닉층과 출력층 사이의 연결 가중치의 곱이 더해져 다른 은닉층 혹은 출력층의 다른 뉴런에게 전달하는 과정을 수행할 수 있다. 이 때, 많은 양의 입력값 그리고 출력값 데이터베이스를 이용해 신경망 내의 연결 가중치 값을 수정하는 과정을 반복적으로 수행하여 신뢰성 있는 결과물을 도출하는 과정을 학습(learning) 또는 훈련이라고 정의한다. 여기서, 연결 가중치 값의 갱신을 통한 학습은 역전파 학습 알고리즘에 의해 수행될 수 있다.
이러한 인공지능망의 학습 또는 훈련을 위해 자료처리부(200)는 셰일가스 저류층 특성정보DB를 더 포함할 수 있다. 셰일가스 저류층 특성정보DB(210)는 인공신경망을 훈련시키기 위한 다수의 경험적 정보를 제공하기 위한 구성요소로서 공지된 셰일가스 저류층의 물성 자료조사를 통해 셰일가스 생산을 위한 수압파쇄공법 설계시 유정완결법 및 수압파쇄액 선정에 영향을 미치는 것으로 결정된 지질학적특성, 광물학적특성 및 암석역학적특성을 포함하는 다수의 저류층 특성정보 세트로 구축되어 있다. 여기서, 공지된 셰일가스 저류층의 물성 자료조사는 미국 5대 셰일가스 저류층을 포함한 공지된 세일가스 저류층에 대한 논문을 포함한 학술문헌 및 실제 개발된 개발자료 등 다양한 정보를 수집하여 이루어졌으며, 조사된 다양한 셰일가스 저류층의 특성정보 중 유정완결법 선정에 영향을 미치는 특성정보인 입력값(110)과 수압파쇄액 선정에 영향을 미치는 특성정보인 입력값(120)은 제안된 북미 셰일가스 저류층의 특성을 이용하여 유정완결법과 수압파쇄액 선정 차트를 고려하면서 다양한 조건의 시뮬레이션을 통해 결정되었다.
자료처리부(200)는 후술하는 바와 같이 타당성 확인을 위해 구축된 셰일가스 저류층 특성정보DB에 저장된 데이터세트 중 학습에 사용되지 않은 데이터 세트를 이용한 회귀분석을 수행하고 현장 적용성 확인을 위해 인공신경망의 출력값을 검증할 수 있다.
이와 같이 구성되는 인공신경망은 입력값의 변동에 따라 예측되는 유정완결법 및 수압파쇄액의 종류에 따른 선정특성을 모방하도록 미리 훈련될 수 있다.
인공신경망이 훈련되면, 처리요소들 사이의 연결선에 포함된 가중치는 세일가스 저류층 특성정보(입력값)과 유정완결법 종류 및 수압파쇄액 종류를 포함하는 결과정보(출력값)사이의 관계와 관련된 정보를 가지게 된다. 인공신경망의 입력층에 입력되는 데이터는 입력부(100)에 의해 입력된다. 인공신경망에 의해 산출된 결과는 출력부(300)를 통해 출력된다. 인공신경망에 의해 처리되는 데이터는 특성정보DB 또는 별도의 데이터부에 저장될 수 있을 것이다.
출력부(300)는 자료처리부(200)에 의해 예측된 유정완결법의 종류 및 수압파쇄액의 종류를 포함하는 결과정보를 나타내는 구성요소로서, 도 1에 도시된 바와 같이, 유정완결법의 종류를 나타내는 유정완결법 선정 출력값(310)과 수압파쇄액의 종류를 나타내는 수압파쇄액 선정 출력값(320)이 구분되어 출력될 수 있다.
여기서, 유정완결법 선정 출력값(310)은 단단 수직정, 다단 수직정, 및 수평정 중 어느 하나인 유정완결법의 종류를 나타내는 결과정보인데, 도 2를 참조하면, 유정완결법 선정에 영향을 미치는 입력값(110)인 저류층의 깊이(111), 두께(112), 총탄소함량(113), 석영함량(114), 가스함량(115), 가스흡착량(116), 점토함량(117)에 따라 유정완결법 출력값(310)으로 단단 수직정(311)과 다단 수직정(312), 수평정(313)이 출력되는 것을 알 수 있다.
또한, 수압파쇄액 선정 출력값(320)은 프로판트를 포함한 이산화탄소 폼, 프로판트를 포함한 질소 폼, 및 물 기반 파쇄액 중 어느 하나인 수압파쇄액의 종류를 나타내는 결과정보인데, 도 3을 참조하면 수압파쇄액 선정에 영향을 미치는 입력값(120)인 셰일가스 개발시 깊이(121), 깊이변화에 따른 압력변화량(122), 온도 기준(123)에 따라 출력값(320) 프로판트를 포함한 이산화탄소 폼(321), 프로판트를 포함한 질소 폼(322), 물 기반 파쇄액(323)이 결정되는 것을 알 수 있다. 특히, 자료처리부(200)는 수압파쇄액의 종류가 물기반 수압파쇄액으로 예측되는 경우, 결정차트에 제시된 물 기반 파쇄액(323)은 화학 첨가물이 포함된 물(324), 선형 겔(325), 가교결합 겔(326)로 추가 분류가 가능하며, 추가 분류된 상태에서 취성도 지수(124)에 따라 최종적으로 어느 하나의 수압파쇄액을 결정하여 출력부(300)를 통해 결과정보로 나타낼 수 있다. 여기서, 취성이란 일반적으로 물체에 하중을 가할 때 소성변형을 거의 동반하지 못하고 파괴되는 특성이며, 취성도 지수(124)란 암석역학적 측면에서 영률, 포아송비, 공극률과의 관계로 표현되며, 지질학적이나 광물학적 관점에서는 석영함량을 석영함량, 점토함량, 탄산염함유량을 모두 더한 값으로 나눈 값일 수 있다.
다음으로, 상술된 구성을 가지는 본 발명에 의한 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템의 예측방법을 상세하게 설명한다.
먼저, 본 발명의 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템은 역전파법에 의해 인공신경망을 형성하므로, 인공신경망을 훈련시키기 위한 경험적 정보를 얻기 위해 셰일가스 생산을 위한 수압파쇄공법 설계시 유정완결법 및 수압파쇄액 선정에 영향을 미치는 셰일가스 저류층 특성정보에 대한 경험적 정보를 제공하는 셰일가스 저류층 특성정보DB를 구축하는 단계가 수행될 수 있다. 일 구현예로서, 셰일가스 저류층 특성정보DB는 다양한 조건의 시뮬레이션을 통해 결정된 유정완결법 선정에 영향을 미치는 특성정보인 입력값(110)과 수압파쇄액 선정에 영향을 미치는 특성정보인 입력값(120)에 대한 1200개의 데이터세트로 구성될 수 있다.
셰일가스 저류층 특성정보DB가 구축되면, 저류층 특성정보와 상기 저류층 특성정보에 따른 유정완결법 종류 및 수압파쇄액 종류를 포함하는 결과정보에 대한 기여도를 연관시킬 수 있는 인공신경망을 구성한다. 일 구현예로서 인공신경망은 저류층 특성정보인 유정완결법 선정에 영향을 미치는 입력값(110)과 수압파쇄액 선정에 영향을 미치는 입력값(120)을 입력하기 위한 1개 이상의 입력노드를 포함하는 입력층과 각각의 측정값을 위한 1개 이상의 은닉노드를 포함하는 적어도 2개의 은닉층을 포함하고, 상기 입력값에 따른 결과를 도출할 1개 이상의 출력노드를 포함하는 출력층으로 인공신경망을 구성할 수 있다. 입력노드와 은닉노드 사이, 은닉노드와 출력노드 사이에는 셰일가스 저류층 특성정보DB를 기초로 설정된 가중치가 부여된다. 각 신경망의 노드는 선행 노드로부터의 가중치를 단순히 합산한 것이며, 비선형 출력함수로 표현될 수 있다. 따라서, 인공신경망을 구성하는 단계는 저류층의 깊이, 두께, 총탄소함량, 석영함량, 가스함량, 가스흡착량, 점토함량과 관계된 저류층 특성정보에 대한 단단 수직정, 다단 수직정, 및 수평정 중 어느 하나인 유정완결법의 종류를 연관시키는 단계; 및 셰일가스 개발 시 깊이, 깊이변화에 따른 압력변화량, 온도 기준, 취성도 지수와 관계된 저류층 특성정보에 대한 프로판트를 포함한 이산화탄소 폼, 프로판트를 포함한 질소 폼, 및 물 기반 파쇄액 중 어느 하나인 수압파쇄액의 종류를 연관시키는 단계를 포함하여 수행될 수 있다.
인공신경망이 완성되면, 인공신경망이 유정완결법 종류 및 수압파쇄액 종류를 포함하는 결과정보를 예측하도록 셰일가스 저류층 특성정보DB를 이용하여 역전파 학습 알고리즘에 의해 상기 인공신경망을 훈련시키는 단계를 다음과 같이 수행할 수 있다. 역전파 학습 알고리즘이란 다층으로 구성되는 알고리즘에서 입력데이터와 출력데이터 간의 상관관계를 통해 지도학습(supervised learning)을 함으로써 오차를 극복하는 방법을 의미한다. 즉, 입력에 따른 출력을 계산하고, 계산된 출력값과 원하고자 하는 출력값 사이의 오차를 계산한 뒤, 오차를 줄이기 위해 가중치를 부여해가는 방식을 의미한다. 이와 같은 역전파 학습 알고리즘에 의하면, 다수회의 오차조정을 통해 원하고자 하는 출력값의 도출이 가능하다.
인공신경망 학습을 수행함에 있어 은닉층과 뉴런의 개수에 따라 정확도가 변하며, 또한, 노드 및 층 개수와 정확도 간 일반적인 규칙이 존재하지 않기 때문에 대부분 시행착오 방법을 통해 훈련자가 주관적으로 신경망의 구조를 선택한다. 따라서 본 발명에서는 최적의 시스템을 설계하기 위해 학습알고리즘인 베이지안 규칙화 알고리즘과 레벤버그-마쿼트를 이용한 민감도 분석을 수행하여 은닉층의 개수를 선정하고 최적의 알고리즘을 설계하였다.
여기서, 유정완결법에 사용된 베이지안 규칙화 알고리즘은 학습 반복 횟수 이전에 학습이 종료되는 경우가 없어 비교적 학습 시간이 긴 단점이 있지만, 규칙화 과정을 통해 다른 학습알고리즘보다 과대적합(over-fitting)을 적게 발생시켜 정확한 예측력을 보이기 때문에 특정인자의 수가 많은 신경망 학습에 주로 이용되며, 저류층 특정인자들 수가 많은 유정완결 시스템의 학습알고리즘으로 가장 적합하다.
또한, 수압파쇄액 시스템에 사용된 레벤버그-마쿼트 알고리즘은 신경망의 경사기반 학습 알고리즘의 하나로써 수렴 속도가 빠르고 낮은 평균 제곱 오차(mean squared error: MSE)를 보여, 영향을 미치는 인자의 수가 적은 수압파쇄액 시스템의 학습알고리즘으로 가장 적합하다.
일 구현예로서, 인공신경망을 훈련시키는 단계는 베이지안 규칙화 알고리즘을 이용하여 각 변수의 기여도를 결정하여 유정완결법 종류를 예측하도록 반복 학습시키는 단계; 및 레벤버그-마쿼트 알고리즘을 이용하여 각 변수의 기여도를 결정하여 수압파쇄액 종류를 예측하도록 반복 학습시키는 단계;를 포함하는데, 각 변수의 기여도는 저류층 특성정보DB로부터 제공된 경험적 정보 및 오차수정에 근거한 연결가중치를 부여함으로써 결정될 수 있으며, 연결가중치는 적정하게 설정되도록 가중치 조정을 다 수회 실시한다. 여기서, 연결가중치는 입력층의 입력노드에 입력되는 유정완결법 선정에 영향을 미치는 입력값(110)과 수압파쇄액 선정에 영향을 미치는 입력값(120)이 유정완결법 종류 및 수압파쇄액 종류를 포함하는 결과정보에 어떠한 영향을 미치는 지를 계산하고, 원하고자 하는 결과치와의 오차를 줄이기 위해 각 노드 간에 부여되는 가중치를 의미한다.
다양한 회수로 반복하여 인공신경망을 훈련시켜 최소시험오차를 갖도록 하는 망을 가장 최적의 모델세트로 구성할 수 있다. 즉, 입력값과 출력값 사이의 관계를 최적의 모델세트에 의해 독립견본으로 일반화시킬 수 있다.
도 4는 구축된 셰일가스 저류층 특성정보DB 내의 1200개의 데이터 세트를 사용하여 베이지안 규칙화 방법을 적용한 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템의 목표값과 출력값의 민감도를 분석한 결과를 나타낸 그래프이다. 시스템 민감도 분석 결과 베이지안 규칙화 학습알고리즘의 상관계수는 0.91로 시스템의 출력값이 목표값에 잘 매칭됨을 확인할 수 있다.
도 5는 본 발명에 따른 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템에 적용되는 유정완결법 선정을 위한 인공신경망 구조의 모식도를 나타낸 것이다. 베이지안 규칙화 학습알고리즘을 이용하여 인공신경망 시스템을 구성하기 위해 은닉층의 개수와 뉴런 개수를 변경하여 가장 높은 정확도를 보이는 은닉층 개수와 뉴런 개수를 선정하였다. 최적 은닉층 개수 및 뉴런 개수를 선정하기 위해 시행착오 방법을 통해 정확도가 가장 높은 구조를 선정하였다. 선정 결과 7개의 입력변수로 인하여 7개의 입력 뉴런이 존재하게 되고 2개의 은닉층에 각각 12개 뉴런이 존재하며, 출력층에 1개의 뉴런이 존재하는 7-12-12-1의 다층 인공신경망을 구성했다.
도 6은 구축된 셰일가스 저류층 특성정보DB 내의 1200개의 데이터 세트를 사용하여 레벤버그-마쿼트 방법을 적용한 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템의 목표값과 출력값의 민감도를 분석한 결과를 나타낸 그래프이다. 시스템 민감도 분석 결과 레벤버그-마쿼트의 상관계수는 0.92로 시스템의 출력값이 목표값에 잘 매칭됨을 확인할 수 있다.
도 7은 본 발명에 따른 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템에 적용되는 수압파쇄액 선정용 인공신경망 구조의 모식도를 나타낸 것이다. 레벤버그-마쿼트 학습알고리즘을 이용하여 인공신경망 시스템을 구성하기 위해 은닉층 수와 뉴런 수를 변경을 통한 시행착오 방법을 이용하여 가장 높은 정확도를 보이는 인공신경망 모듈을 설계하였다. 설계 결과 3개의 입력변수로 인하여 3개의 입력 뉴런이 존재하게 되고 2개의 은닉층에 각각 8개, 3개의 뉴런이 존재하며, 출력층에 1개의 뉴런이 존재하는 3-8-3-1의 다층 인공신경망을 구성했다.
인공신경망 훈련이 종료되면 훈련에 이용되지 않은 검증용 데이터 세트를 이용해 훈련 시와 마찬가지로 수압파쇄 시 유정완결법과 수압파쇄액에 영향을 미치는 인자의 입력과 이에 따른 유정완결법과 수압파쇄액의 출력을 통해 훈련된 신경망을 검증하게 되는데, 본 발명의 실시 예에서는 역전파 인공신경망을 이용하였으며, 그 외에도 인공신경망의 다양한 기법을 이용할 수 있다.
시스템의 타당성 검증을 위해 유정완결의 경우 학습자료 1200개 중 학습데이터와 유용성을 판단할 수 있는 데이터로 각각 1020개, 180개를 사용하여 시뮬레이션의 출력값과 목표값의 비교 결과를 통해 타당성 검증을 수행한다. 또한, 수압파쇄액 선정의 경우 학습자료 600개를 학습데이터와, 검증할 수 있는 데이터, 그리고 유용성을 판단할 수 있는 데이터로 각각 420개, 90개, 90개 분리하여 시뮬레이션의 출력값과 목표값의 비교 결과를 통해 타당성 검증을 수행한다.
유정완결법 종류에 대한 결과정보의 타당성 검증을 위해 수행한 결과로 출력값과 목표값이 몇 개의 경우를 제외하고 잘 매칭됨을 확인했다. 이 중 ??0.33 값과 0.33 값의 경우 일부 노이즈가 발생하지만 이는 1200개 데이터 중 극히 일부분에 지나지 않아 개발된 시스템의 신뢰도에 미치는 영향은 미비하다고 판단된다. 또한, 인공신경망 학습 결과 평균제곱오차가 0.004로 나타났으며, 학습 및 유용성 판단 데이터를 이용하여 훈련이 끝난 후 신경망의 예측 정확도를 회귀분석한 결과 모두 0.99 이상의 높은 상관계수를 나타내었다.
레벤버그-마쿼트 학습알고리즘을 이용하여 시스템 개발을 수행한 수압파쇄액 선정의 경우 시뮬레이션의 출력값과 목표값을 매칭하여 타당성을 검증했다. 시뮬레이션 수행 출력값과 목표값을 비교한 결과 몇 개의 경우를 제외하고는 출력값이 목표값에 잘 매칭이 되거나, 출력값과 목표값의 차이가 허용범주 내에 존재했다. 인공신경망 학습 결과 평균제곱오차는 0.0114로 비교적 낮은 값을 보였으며, 검증 및 유용성 판단 데이터를 이용하여 훈련이 끝난 후 신경망의 예측 정확도를 회귀분석한 결과 모두 0.97 이상의 높은 상관계수를 나타냈다. 특히 검증의 경우 0.99 이상의 높은 상관관계를 보여 인공신경망 모델의 정확도가 높음을 확인하였다.
따라서, 본 발명의 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템에 포함된 인공신경망을 훈련하면, 유정완결법 선정에 영향을 미치는 입력값(110)과 수압파쇄액 선정에 영향을 미치는 입력값(120)의 변화에 따른 유정완결법 종류 및 수압파쇄액 종류를 포함하는 결과정보의 변화를 실제 실험치와 근사화시킬 수 있으며, 훈련된 인공신경망에 의해 저류층 특성정보의 입력만으로 유정완결법 종류 및 수압파쇄액 종류를 포함하는 결과정보를 예측할 수 있다.
도 8은 본 발명의 실시예에 따라 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템의 사용자 접근을 용이하게 하기 위해 매트랩(matlab) 소프트웨어를 이용하여 그래픽 사용자 인터페이스(graphical user interface, GUI)를 구축한 예로, 유정완결 모듈 패널(panel) 상단 부분은 저류층 특정인자를 입력할 수 있게 설계하며, 중앙 왼쪽에 시스템에 적용된 인공신경망 구조를 삽입한다. 또한, 시뮬레이션 수행 결과 가장 적합한 유정완결법을 그림으로 알아보기 쉽게 나타내는 패널을 중앙 오른쪽에 위치시키며, 이를 문자로 출력되는 패널을 하단부에 배치하여 설계한 것이다.
도 9는 본 발명의 실시예에 따라 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템의 수압파쇄액 선정 시스템의 그래픽 사용자 인터페이스를 구축한 다른 구현예이다. 상기 선정시스템과 같이 인공신경망을 이용하여 출력값을 도출할 때, 출력값이 질소 폼, 이산화탄소 폼일 경우 상기 유정완결법과 같은 구조로 출력하도록 설계한 것이다.
또한, 도 10과 도 11은 출력부의 출력값으로 물 기반 파쇄액이 도출될 경우 나타나는 패널이다. 도 10은 영률과 포아송비를 이용하여 취성도를 산출하여 화학첨가물이 포함된 물, 선형 겔, 가교결합 겔과 같은 수압파쇄액을 선정할 수 있도록 암석역학적 인자를 이용할 수 있는 패널이며, 도 11은 지질학적, 광물학적 관점의 석영, 점토광물, 탐산염광물 함량으로 구성된 식을 이용하여 화학첨가물이 포함된 물, 선형 겔, 가교결합 겔의 수압파쇄액을 출력값으로 나타낼 수 있는 패널이다.
도 12는 본 발명의 실시예에 따라 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템에서 현장 자료를 이용하여 구축된 유정완결법 선정 GUI 프로그램에 적용한 다른 결과이며, 유정완결법 모듈로 미국 혼리버 셰일 저류층 물성을 입력하여 도출된 유정완결법을 그림과 문자로 표현한 것이다.
도 13은 본 발명의 실시예에 따라 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템에서 현장 자료를 이용하여 구축된 수압파쇄액 선정 GUI 프로그램에 적용한 또 다른 결과이다. 수압파쇄액 선정 모듈로 심도 등의 저류층 물성을 통해 가운데 패널 왼쪽과 같이 1차 출력값인 수용성 수압파쇄액을 나타내며, 석영, 탄산염광물, 점토광물의 함량 입력 결과를 그림과 문자로 나타낸 것이다.
도 12 및 도 13으로부터, 결과값과 예측값 매칭 정확도가 높음을 알 수 있으므로, 본 발명의 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템의현장 활용성 및 적합성이 우수함을 확인할 수 있다. 또한, 이러한 결과는 본 발명의 인공신경망 기반 유정완결법 및 수압파쇄액 선정 시스템을 활용하면 전문가뿐만 아니라 비전문가도 셰일 저류층 특성정보만 있다면 수압파쇄공법 설계시 적합한 유정완결법과 수압파쇄액을 선정할 수 있음을 보여준다.
본 발명은 이상에서 살펴본 바와 같이 바람직한 실시 예를 들어 도시하고 설명하였으나, 상기한 실시 예에 한정되지 아니하며 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변경과 수정이 가능할 것이다.
100 : 입력부 200: 자료처리부
300: 출력부
300: 출력부
Claims (16)
- 셰일가스 생산을 위한 수압파쇄공법 설계시 유정완결법 및 수압파쇄액 선정에 영향을 미치는 셰일가스 저류층의 지질학적특성정보, 광물학적특성정보 및 암석역학적 특성정보를 포함하는 저류층 특성정보를 입력하기 위한 입력부;
상기 입력부에 의해 입력된 상기 저류층 특성정보에 따라 유정완결법의 종류 및 수압파쇄액의 종류를 포함하는 결과정보를 예측하도록 설정된 인공신경망을 통해 연결 가중치 값의 갱신을 통한 학습과 타당성 확인을 수행하는 자료처리부; 및
상기 자료처리부에 의해 예측된 유정완결법의 종류 및 수압파쇄액의 종류를 포함하는 결과정보를 나타내는 출력부;를 포함하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템.
- 제 1 항에 있어서,
상기 자료처리부는 공지된 셰일가스 저류층의 물성 자료조사를 통해 셰일가스 생산을 위한 수압파쇄공법 설계시 유정완결법 및 수압파쇄액 선정에 영향을 미치는 것으로 결정된 지질학적특성, 광물학적특성 및 암석역학적특성을 포함하는 다수의 저류층 특성정보 세트로 구축되어 상기 인공신경망을 훈련시키기 위한 다수의 경험적 정보를 제공하는 셰일가스 저류층 특성정보DB를 더 포함하는 것을 특징으로 하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템.
- 제 1 항에 있어서,
상기 인공신경망은 상기 저류층 특성정보와 연관된 다수개의 입력노드를 갖는 입력층; 상기 저류층 특성정보에 의한 상기 결과정보를 나타내는 1개 이상의 출력노드를 갖는 출력층; 및 상기 입력층과 상기 출력층 사이에서 저류층 특성정보 및 결과정보에 대한 처리요소를 갖는 1개 이상의 은닉노드를 갖는 은닉층을 2개 이상 포함하는 것을 특징으로 하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템.
- 제 3 항에 있어서,
상기 인공신경망은 상기 입력노드와 상기 은닉노드 사이 및 상기 은닉노드와 상기 출력노드 사이 중 적어도 어느 하나에 경험적으로 훈련된 모델에 의해 산출된 연결 가중치를 부여하도록 설정되는 것을 특징으로 하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템.
- 제 1 항에 있어서,
상기 연결 가중치 값의 갱신을 통한 학습은 역전파 학습 알고리즘에 의해 수행되는 것을 특징으로 하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템.
- 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
상기 저류층 특성정보 중 유정완결법의 종류를 예측하는데 영향을 미치는 특성정보는 저류층의 깊이, 두께, 총탄소함량, 석영함량, 가스함량, 가스흡착량, 점토함량으로 구성된 그룹에서 선택되는 1개 이상인 것을 특징으로 하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템.
- 제 6 항에 있어서,
상기 특성정보에 따라 상기 출력부에 상기 결과정보로 나타나는 상기 유정완결법의 종류는 단단 수직정, 다단 수직정, 및 수평정 중 어느 하나인 것을 특징으로 하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템.
- 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
상기 저류층 특성정보 중 수압파쇄액의 종류를 선정하는데 영향을 미치는 특성정보는 셰일가스 개발 시 깊이, 깊이변화에 따른 압력변화량, 온도 기준, 취성도 지수로 구성된 그룹에서 선택되는 1개 이상인 것을 특징으로 하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템.
- 제 8 항에 있어서,
상기 특성정보에 따라 상기 출력부에 상기 결과정보로 나타나는 상기 수압파쇄액의 종류는 프로판트를 포함한 이산화탄소 폼, 프로판트를 포함한 질소 폼, 및 물 기반 파쇄액 중 어느 하나인 것을 특징으로 하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템.
- 제 9 항에 있어서,
상기 수압파쇄액 종류가 물기반 수압파쇄액인 경우, 화학 첨가물이 포함된 물, 선형 겔, 가교결합 겔로 추가 분류되고, 추가 분류된 상태에서 취성도 지수에 따라 결정된 어느 하나가 상기 결과정보로 나타나는 것을 특징으로 하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템.
- 제 10 항에 있어서,
상기 취성도 지수는 영률, 포아송비, 공극률과의 관계 또는 석영함량을 석영함량, 점토함량 및 탄산염함유량을 모두 더한 값으로 나눈 값인 것을 특징으로 하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정시스템.
- 셰일가스 생산을 위한 수압파쇄공법 설계시 유정완결법 및 수압파쇄액 선정에 영향을 미치는 셰일가스 저류층 특성정보에 대한 경험적 정보를 제공하는 셰일가스 저류층 특성정보DB를 구축하는 단계;
상기 저류층 특성정보와 상기 저류층 특성정보에 따른 유정완결법 종류 및 수압파쇄액 종류를 포함하는 결과정보에 대한 기여도를 연관시킬 수 있는 인공신경망을 구성하는 단계:
상기 인공신경망이 유정완결법 종류 및 수압파쇄액 종류를 포함하는 결과정보를 예측하도록 상기 셰일가스 저류층 특성정보DB를 이용하여 역전파 학습 알고리즘에 의해 상기 인공신경망을 훈련시키는 단계; 및
상기 인공신경망에 의해 결과정보를 예측하는 단계;를 포함하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정방법.
- 제 12 항에 있어서,
상기 인공신경망에 의해 결과정보를 예측하는 단계는 상기 인공신경망이 연결 가중치 값의 갱신을 통한 학습과 타당성 확인을 수행하는 단계를 포함하는 것을 특징으로 하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정방법.
- 제 12 항에 있어서,
상기 인공신경망을 구성하는 단계는 저류층의 깊이, 두께, 총탄소함량, 석영함량, 가스함량, 가스흡착량, 점토함량과 관계된 저류층 특성정보에 대한 단단 수직정, 다단 수직정, 및 수평정 중 어느 하나인 유정완결법의 종류를 연관시키는 단계; 및 셰일가스 개발 시 깊이, 깊이변화에 따른 압력변화량, 온도 기준, 취성도 지수와 관계된 저류층 특성정보에 대한 프로판트를 포함한 이산화탄소 폼, 프로판트를 포함한 질소 폼, 및 물 기반 파쇄액 중 어느 하나인 수압파쇄액의 종류를 연관시키는 단계를 포함하여 수행되는 것을 특징으로 하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정방법.
- 제 12 항에 있어서,
상기 인공신경망을 훈련시키는 단계는 베이지안 규칙화 알고리즘을 이용하여 각 변수의 기여도를 결정하여 유정완결법 종류를 예측하도록 반복 학습시키는 단계; 및 레벤버그-마쿼트 알고리즘을 이용하여 각 변수의 기여도를 결정하여 수압파쇄액 종류를 예측하도록 반복 학습시키는 단계;를 포함하는 것을 특징으로 하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정방법.
- 제 15 항에 있어서,
상기 각 변수의 기여도는 상기 저류층 특성정보DB로부터 제공된 경험적 정보 및 오차수정에 근거한 연결가중치를 부여함으로써 결정되는데, 상기 연결가중치는 적정하게 설정되도록 가중치 조정을 다수 회 실시하는 것을 특징으로 하는 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180169872A KR20200084447A (ko) | 2018-12-26 | 2018-12-26 | 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정 시스템 및 선정방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180169872A KR20200084447A (ko) | 2018-12-26 | 2018-12-26 | 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정 시스템 및 선정방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200084447A true KR20200084447A (ko) | 2020-07-13 |
Family
ID=71570774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180169872A KR20200084447A (ko) | 2018-12-26 | 2018-12-26 | 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정 시스템 및 선정방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20200084447A (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115822533A (zh) * | 2022-11-28 | 2023-03-21 | 新疆敦华绿碳技术股份有限公司 | 一种底水砂岩油藏驱油方法 |
| CN116911640A (zh) * | 2023-09-11 | 2023-10-20 | 中国地质大学（北京） | 一种基于机器深度学习的页岩储层含气量预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101657889B1 (ko) | 2015-03-31 | 2016-09-20 | 서울대학교산학협력단 | 유·가스 저류층의 확률론적 궁극가채량 예측 방법 |
-
2018
- 2018-12-26 KR KR1020180169872A patent/KR20200084447A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101657889B1 (ko) | 2015-03-31 | 2016-09-20 | 서울대학교산학협력단 | 유·가스 저류층의 확률론적 궁극가채량 예측 방법 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115822533A (zh) * | 2022-11-28 | 2023-03-21 | 新疆敦华绿碳技术股份有限公司 | 一种底水砂岩油藏驱油方法 |
| CN116911640A (zh) * | 2023-09-11 | 2023-10-20 | 中国地质大学（北京） | 一种基于机器深度学习的页岩储层含气量预测方法 |
| CN116911640B (zh) * | 2023-09-11 | 2023-12-26 | 中国地质大学（北京） | 一种基于机器学习的页岩储层含气量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Christie et al. | Uncertainty quantification for porous media flows | |
| Gholami et al. | Applications of artificial intelligence methods in prediction of permeability in hydrocarbon reservoirs | |
| Esmaeilzadeh et al. | Multiscale modeling of compartmentalized reservoirs using a hybrid clustering-based non-local approach | |
| US8504341B2 (en) | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
| Yang et al. | Two-stepped evolutionary algorithm and its application to stability analysis of slopes | |
| Amirian et al. | Data-driven modeling approach for recovery performance prediction in SAGD operations | |
| Anifowose et al. | Recent advances in the application of computational intelligence techniques in oil and gas reservoir characterisation: a comparative study | |
| Wong et al. | Multiple permeability predictions using an observational learning algorithm | |
| Baneshi et al. | Predicting log data by using artificial neural networks to approximate petrophysical parameters of formation | |
| Sarma et al. | Redistribution of steam injection in heavy oil reservoir management to improve EOR economics, powered by a unique integration of reservoir physics and machine learning | |
| KR20200084447A (ko) | 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정 시스템 및 선정방법 | |
| Jain et al. | Application of polynomial chaos theory as an accurate and computationally efficient proxy model for heterogeneous steam‐assisted gravity drainage reservoirs | |
| CN111048163A (zh) | 一种基于高阶神经网络的页岩油滞留烃量（s1）评价方法 | |
| Song et al. | Potential for vertical heterogeneity prediction in reservoir basing on machine learning methods | |
| Tatar et al. | Implementing radial basis function neural networks for prediction of saturation pressure of crude oils | |
| Han et al. | Estimation of future production performance based on multi-objective history matching in a waterflooding project | |
| Roudini et al. | Proxy-based Bayesian inversion of strain tensor data measured during well tests | |
| Salehi et al. | A Multiscale Data-Driven Forecasting Framework for Optimum Field Development Planning | |
| Rammay et al. | Automated history matching using combination of adaptive neuro fuzzy system (ANFIS) and differential evolution algorithm | |
| Sanusi et al. | Estimation of bottom hole pressure in electrical submersible pump wells using machine learning technique | |
| Li et al. | Development of decline curve analysis parameters for tight oil wells using a machine learning algorithm | |
| Anifowose et al. | A functional networks-type-2 fuzzy logic hybrid model for the prediction of porosity and permeability of oil and gas reservoirs | |
| Hicks Jr et al. | Identifying and quantifying significant uncertainties in basin modeling | |
| Gudmundsdottir et al. | Inferring interwell connectivity in fractured geothermal reservoirs using neural networks | |
| Maniglio et al. | Physics Informed Neural Networks Based on a Capacitance Resistance Model for Reservoirs Under Water Flooding Conditions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E601 | Decision to refuse application |