Bakken 셰일 유정의 유가 하락 예측에 기계 학습 적용

Scientific Reports 12권, 기사 번호: 16154(2022) 이 기사 인용

1599 액세스

3 인용

3 알트메트릭

측정항목 세부정보

이산화된 물질수지 방정식을 풀려면 상업용 저수지 시뮬레이터가 필요합니다. 저장소가 이질적이고 복잡해지면 더 많은 그리드 블록을 사용할 수 있으며, 이를 위해서는 다공성, 투과성 및 현장에서 항상 사용할 수 없는 기타 매개변수와 같은 상세하고 정확한 저장소 정보가 필요합니다. 따라서 단일 유정의 EUR(예상 최종 회수율) 및 속도 감소를 예측하는 데 몇 시간 또는 며칠이 걸릴 수 있으므로 계산 비용이 많이 들고 시간이 많이 걸립니다. 대조적으로, 감소 곡선 모델은 유정의 현재 데이터에서 쉽게 수집할 수 있는 방정식에 몇 가지 변수만 필요하기 때문에 더 간단하고 빠른 옵션입니다. 본 연구를 위한 유정 데이터는 Montana Board of Oil and Gas Conservation의 공개적으로 접근 가능한 데이터베이스에서 수집되었습니다. 비전통적인 저장소 변수를 위해 특별히 설계된 SEDM(Stretched Exponential Decline Model) 감소 곡선 방정식 변수는 무작위 유전 유정 데이터 세트의 예측 변수 매개변수와 상관 관계가 있었습니다. 이 연구에서는 여러 유정 매개변수의 상대적 영향을 조사했습니다. 이 연구의 참신함은 Bakken 셰일 유정의 빠른 속도 감소 및 EUR 예측을 위한 혁신적인 기계 학습(ML)(Random Forest(RF)) 기반 모델을 개발하는 것에서 비롯됩니다. 이 연구의 성공적인 적용은 데이터 세트의 좋은 품질과 양의 가용성에 크게 의존합니다.

이 연구의 주요 목적은 매우 짧은 기간에 다수의 Bakken 셰일 유정에 대한 생산 속도 감소를 예측하는 데 사용할 수 있는 ML 기반 모델을 개발하는 것입니다. 이 방법은 많은 수의 유한 차분 방정식을 풀 필요가 없기 때문에 상업용 저수지 시뮬레이터보다 훨씬 빠릅니다. 비전통적인 셰일 오일과 가스의 생산은 수년 전 미국에서 시작되었습니다. 그 이후로 수많은 탐사 회사들이 이러한 저장소에서 시추 및 생산된 상당수의 석유 및 가스 유정에 대한 데이터를 수집하여 막대한 양의 수평 유정 데이터를 얻었습니다. 이 정보는 공개적으로 접근 가능한 여러 웹사이트 데이터베이스에서 확인할 수 있습니다1. 다양한 데이터 분석 방법을 사용하여 공개적으로 사용 가능한 데이터를 평가하여 향후 수평 유정 개발에 도움이 될 수 있는 저수지의 기본 패턴과 최적 지점을 찾아낼 수 있습니다2,3,4. 셰일유정의 미래 생산량을 예측하기 위해 가장 광범위하게 활용되는 방법은 생산 감소 곡선을 예측하는 것입니다5. 감소 곡선 모델은 기존 유정 생산 데이터를 모델링하고 향후 유정 감소를 예측하는 데 사용되는 수학 방정식입니다1. 유정의 초기 성능에서 생산율 감소에 대한 실증적 모델을 개발하고 이 패턴을 미래로 추정하면 미래의 생산 잠재력과 EUR을 예측할 수 있습니다. 가장 일반적으로 활용되는 생산 감소 곡선 모델은 Arps 쌍곡선 모델입니다. 그러나 Arps 쌍곡선 모델을 셰일 유정의 생산 데이터에 적용하면 쌍곡선 감소 계수의 물리적으로 비현실적인 값이 나타나는 경우가 많습니다1. 이 문제를 해결하기 위해 새로운 유정의 생산량을 예측하는 데 SEDM이 사용되었습니다5. SEDM은 Arps Hyperbolic 모델보다 셰일 유정에 더 적합합니다. 그 이유는 유정이 대부분의 수명 동안 과도 흐름 체제에 있기 때문입니다. 양수 \({q}_{i}\), n 및 SEDM의 경우 SEDM은 유한한 EUR 값을 반환합니다1. 그 결과, 연구에서는 SEDM을 사용하여 테스트 유정의 생산 속도 감소와 EUR을 예측했습니다.

유사한 연구에서 속도/압력 디콘볼루션에 대한 대체 접근 방식이 제시되었습니다. 물리학 기반으로 훈련된 매개변수와 알고리즘은 중첩 과도 흐름 물리학6을 보존하여 권장 전략을 효과적으로 구현하는 데 중요한 역할을 합니다. 이 연구의 주요 단점은 매우 가변적이고 제한된 데이터를 사용할 수 있는 경우 이 방법이 만족스러운 결과를 제공하지 못한다는 것입니다. 이 연구의 주요 단점은 충분한 양의 데이터 가용성에 크게 의존한다는 것입니다. 또 다른 연구에서는 의존적인 물리적 매개변수로부터 능숙하게 획득할 수 있고 기존의 경험적 모델과 비교할 때 확실한 투과성 예측을 제공할 수 있는 Random Forest 회귀를 기반으로 기술적으로 까다로운(매우 이질적인) 탄산염 암석의 투과성을 예측하기 위한 모델을 제안했습니다. 이 연구의 주요 단점은 잡음 없는 데이터의 좋은 품질 가용성에 크게 의존한다는 것입니다. 유사한 연구에서 저자는 Eagle Ford 셰일 유정의 속도 감소를 예측하기 위해 데이터 기반 모델링을 사용했습니다8. 또 다른 연구에서는 Eagle ford 셰일 유정의 속도 감소를 예측하기 위한 ANN 기반 모델을 제안했습니다9. 이 연구의 주요 단점은 셰일 유정에 대한 Eagle에만 적용이 제한된다는 것입니다.