셰일가스의 생산량 예측 기술, 韓개발
셰일가스의 생산량 예측 기술, 韓개발
  • 함예솔
  • 승인 2020.01.18 08:00
  • 조회수 1715
  • 댓글 0
이 기사를 공유합니다

요약

 

딥러닝 알고리즘을 이용해 셰일가스 미래 생산량을 예측하는 기술이 등장했습니다. 시계열 자료에 최적화된 딥러닝 알고리즘인 순환신경말(Recurrent Neural Network)을 활용해 기존 감퇴곡선분석(Decline Curve Analysis) 대체 기술을 개발했습니다. 이번 연구를 통해 연구팀은 생산량 예측을 위한 딥러닝 모델의 학슴을 수 분 단위로 예측은 초 단위까지 가능하게 했는데요. 생산량 자료만을 이용한 딥러닝 예측모델 대비에러율을 약 37% 줄여 미래 생산량 예측 신뢰도를 획기적으로 개선했습니다.

시계열 자료에 최적화된 딥러닝 알고리즘인 순환신경망(Recurrent Neural Network)을 활용하여 기존 감퇴곡선분석(Decline Curve Analysis) 대체 기술 개발했습니다. 초단위의 생산량 예측을 통해 다량의 셰일가스 생산유정을 효과적으로 관리 가능하여 디지털오일필드(Digital Oil Field) 핵심 기술로 주목받고 있는데요. 한국지질자원연구원(KIGAM) 석유해저연구본부 이경북 박사가 제1저자로 참여한 이번 연구 결과는 '딥러닝 알고리즘을 이용한 셰일가스 미래 생산량 예측'이란 제목으로 Engineering & Petroleum 분야 Top 저널인 <SPE Journal>에 게재됐습니다. 

자원개발도 똑똑하게! 출처: AdobeStock
자원 개발도 똑똑하게! 출처: AdobeStock

자원개발, 디지털 기술로 자동화

 

최근 MIT 대학은 석유자원의 디지털 개발 기술로의 전환 기조에 따라 4차 산업혁명 시대의 ICT 기술이 접목된 셰일 자원 빅데이터를 활용한 비용 절감 기술이 셰일 2.0시대를 열 것으로 전망하고 있습니다. 이러한 가운데 딥러닝 알고리즘을 이용해 셰일가스의 미래 생산량을 예측하는 연구 결과를 국내 연구자가 최초로 발표했습니다. 

 

기존 셰일가스 미래 생산량 예측은 생산량이 점점 줄어드는 감퇴곡선기법(Decline Curve Analysis, DCA)으로 수행해왔습니다. 이러한 방식은 전문가의 판단에 의해 예측 결과가 달라질 가능성이 존재했습니다. 셰일 자원은 고밀도시추로 개발되고 수평시추 및 수압파쇄로 생산 단가가 높은 특성상 자동화를 통한 운영비 절감이 중요합니다. 

 

세계적 연구 흐름은 기존의 DCA을 개선해 셰일 저류층에 특화하는 것이나 연구자 간 예측 결과의 간극이 크고 복잡한 가정들로 인해 현장 적용성이 낮다는 문제점이 있었습니다. 

 

딥러닝 알고리즘(RNN) 이용했다

 

이경북 박사 연구팀은 시계열 자료에 최적화된 딥러닝 알고리즘인 순환신경망(Recurrent Neural Network, RNN)을 활용해 1945년부터 사용된 DCA 기술을 대체하는 기술 개발을 목표로 했습니다. 

이경북 박사 연구팀은 시계열자료에 최적화된 딥러닝 알고리즘인 순환신경망(Recurrent Neural Network, RNN)을 활용. 출처: AdobeStock
이경북 박사 연구팀은 시계열자료에 최적화된 딥러닝 알고리즘인 순환신경망(Recurrent Neural Network, RNN)을 활용. 출처: AdobeStock

이전에도 단순한 인공신경말(Artificial Neural Network, ANN)을 이용한 연구는 제시됐지만 ANN의 경우 시계열 자료의 앞뒤 순서에 대한 정보를 활용할 수 없고 확장성이 매우 떨어져 현장에서 실질적인 활용이 어려웠습니다. 또한 생산 유정마다 개발 시기와 생산 시기가 다르고 예측에 활용한 입력 정보와 예측을 위한 출력 정보가 다르기 때문에 주가 예측과 같은 시계열 자료 학습에 적합한 RNN알고리즘의 활용이 효과적입니다.

 

연구팀은 이번 연구에서 북미 지역 330개 유정의 셰일가스 생산량 정보를 활용해 연구 결과를 검증하는 현장지향형 연구를 수행했습니다. 기존의 머신러닝 연구들은 실제 현장 생산량 자료를 이용하기 보다 가상의 3차원 셰일 저류층 모델을 생성하고 전산시뮬레이션을 통해 생산량을 만들어내어 연구에 활용하는데 그쳤습니다. 

순환신경망(Recurrent Neural Network)를 이용한 학습 및 예측 효과. 출처: KIGAM
순환신경망(Recurrent Neural Network)를 이용한 학습 및 예측 효과. 출처: KIGAM

이경북 박사는 연구에 활용한 딥러닝 알고리즘(RNN)의 최적화를 위해 석유공학 도메인 지식을 활용한 빅데이터 전처리와 핵심 특징을 추출해 예측 신뢰도를 확보했습니다. 특히 330개의 생산유정 중 RNN모델 학습에 방해가 될 수 있는 자료는 사전에 제외했습니다. 제외 기준은 도메인지식을 활용해 생산지질층, 생산기법, 생산 기간 등으로 설정했는데요. 

 

과거 생산량 정보 외에도 생산 유정을 일시적으로 닫는(Shut·in) 운영 조건을 핵심 특징으로 선정해 과거 생산량 정보와 함께 입력층에 활용했습니다. 생산량 자료만을 이용한 딥러닝 예측모델 대비 에러율을 약 37% 줄여 미래 생산량 예측 신뢰도를 획기적으로 개선했습니다. 

 

디지털오일필드(Digital Oil Field)는 혁신

 

생산량 예측을 위한 딥러닝 모델의 학습을 수 분 단위로 예측은 초 단위까지 가능. 출처: AdobeStock
생산량 예측을 위한 딥러닝 모델의 학습을 수 분 단위로 예측은 초 단위까지 가능. 출처: AdobeStock

이번 연구를 통해 연구팀은 생산량 예측을 위한 딥러닝 모델의 학습을 수분 단위로, 예측은 초 단위까지 가능하게 했는데요. 학습된 RNN 모델은 초단위로 생산량을 예측할 수 있어 다량의 셰일 생산 유정 관리와 예측을 효과적으로 수행한다는 장점을 지닙니다. 특히 실시간으로 자료를 분석하고 진단해 미래를 예측하는 기술로 확장될 수 있어 원격 의료와 유사한 개념인 디지털오일필드(Digital Oil Field)의 핵심 기술로 주목받고 있습니다. 

 

딥러닝 알고리즘을 이용한 연구 결과는 셰일가스의 생산량 예측에 있어 기존 감퇴곡선기법보다 자동화되고 신뢰도가 높은 것이 특징인데요. 핵심적인 특징으로는 생산정 운영 유무에 따라 생산량 예측 결과의 반영이 가능하다는 점과 셰일가스 외에도 오일샌드, 셰일오일 및 전통 유가스전으로 확장이 용이한 원천 기술의 가능성이 있다는 점입니다. 이는 석유연구분야 및 관련 업계에 큰 도움을 줄 전망입니다. 

 

이경북 박사. 출처: KIGAM
이경북 박사. 출처: KIGAM

 

 

 

"이번 연구는 친환경 자원인 셰일가스 분야에 딥러닝 알고리즘 기반의 ICT 기술을 접목한 에너지자원분야의 새로운 융합연구 패러다임을 열었다는 데 그 의의가 있습니다. 앞으로 셰일가스 뿐 아니라 다양한 친환경 에너지 자원에 기술을 적용해 국내 에너지 자원 개발에 효과적으로 활용되도록 최선을 다하겠습니다"

-이경북 박사-

 

 

 

 

 

 


##참고자료##

 


댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.

  • 충청남도 보령시 큰오랏3길
  • 법인명 : 이웃집과학자 주식회사
  • 제호 : 이웃집과학자
  • 청소년보호책임자 : 정병진
  • 등록번호 : 보령 바 00002
  • 등록일 : 2016-02-12
  • 발행일 : 2016-02-12
  • 발행인 : 김정환
  • 편집인 : 정병진
  • 이웃집과학자 모든 콘텐츠(영상,기사, 사진)는 저작권법의 보호를 받은바, 무단 전재와 복사, 배포 등을 금합니다.
  • Copyright © 2016-2021 이웃집과학자. All rights reserved. mail to contact@scientist.town
ND소프트