지질자원연, AI로 셰일가스 생산량 예측 모델 개발

RNN 알고리듬에 석유공학 도메인 지식 적용


[아이뉴스24 최상국 기자] 한국지질자원연구원이 석유공학과 인공지능 기술을 접목해 유전의 생산량을 예측할 수 있는 딥러닝 모델을 선보였다. 한국지질자원연구원(원장 김복철, KIGAM) 석유해저연구본부 이경북 박사 연구팀은 시계열 자료에 적합한 딥러닝 알고리듬인 순환신경망(RNN, Recurrent Neural Network)을 석유공학에 맞도록 최적화해 예측 신뢰도를 높인 프로그램을 개발했다고 밝혔다.

에너지자원 개발 분야에 ICT기술을 접목한 것으로, 기존의 부정확한 생산량 예측 방법을 대체하고 자원개발의 효율성을 높일 수 있을 것으로 기대된다.

이번 연구는 북미지역 330개 유정의 셰일가스 생산량 정보를 활용해 연구결과를 검증하는 방식으로 진행됐다. 인공지능을 이용해 가상 시뮬레이션이 아닌 실제 현장 데이터로 셰일가스의 미래 생산량을 예측한 연구는 처음이다.

순환신경망(Recurrent Neural Network)를 이용한 학습 및 예측 효과. 왼쪽 그림의 파란색은 셰일생산량, 주황색은 운영조건에 관한 핵심특징 시계열자료를 나타낸다. RNN을 이용해 두 시계열자료가 미래 셰일생산량 예측을 위해 순차적으로 학습된다. 오른쪽 그림은 학습된 RNN을 이용해 학습에 활용되지 않은 현장자료로 성능을 검증한 것이다. 27개월동안 생산(파란색 점선)한 유정에 대해 초기 9개월의 정보만 이용해 10개월부터 27개월까지 생산량을 예측(주황색 실선)한 결과를 보여준다. [한국지질자원연구원]

이경복 박사는 석유공학 지식을 활용해 딥러닝 알고리듬(RNN)을 최적화했다. 생산지질층, 생산기법, 생산기간 등을 기준으로 330개의 생산유정 중 학습에 방해가 될 수 있는 자료는 사전에 제외하고, 생산유정을 일시적으로 닫는(shut-in) 운영조건을 핵심특징으로 선정해 과거 생산량정보와 함께 입력했다. 이런 방법으로 기존의 생산량 정보만 이용한 딥러닝 예측모델에 비해 에러율을 약 37% 줄였다.

연구팀은 "이렇게 학습된 RNN 모델은 셰일가스 생산량을 초단위로 예측할 수 있어 다량의 셰일 생산유정의 관리와 예측을 효과적으로 수행할 수 있다. 특히 실시간으로 자료를 분석하고 진단해 미래를 예측하는 기술로 확장될 수 있어 원격의료와 유사한 개념인 디지털오일필드(Digital Oil Field)를 구현할 핵심기술이 될 것"으로 기대했다.

셰일자원은 고밀도시추로 개발되고 수평시추 및 수압파쇄로 생산단가가 높은 특성상, 자동화를 통한 운영비 절감이 중요하다. 지금까지 셰일가스의 미래 생산량 예측은 생산량이 점차 줄어드는 감퇴곡선기법(DCA, Decline Curve Analysis)을 사용해 왔지만 이러한 방식은 전문가의 판단에 의해 예측결과가 달라질 수 있어 이를 개선하기 위한 연구가 주로 진행돼 왔다.

이경북 박사는 "셰일가스의 생산량 예측을 자동화하고 신뢰도를 높였다. 핵심특징인 생산정 운영 유무에 따른 생산량 예측결과의 반영이 가능하며, 셰일가스 외에도 오일샌드, 셰일오일, 전통 유가스전으로도 확장할 수 있는 원천기술을 가능성을 보여줬다"고 설명했다.

이 연구는 산업통상자원부의 '중소형 육상 유가스전을 위한 디지털오일필드 시스템 구축 및 사업화기술 개발', 과학기술정보통신부의 '석유시스템-정적-동적자료 융합을 통한 유가스전 지능형 평가기술 개발' 과제로 수행됐다. 연구팀은 개발기술에 대해 국내외 특허 출원을 완료하고 기술사업화를 준비하고 있다.

연구 결과는 ‘딥러닝 알고리듬을 이용한 셰일가스 미래 생산량 예측(Prediction of Shale-Gas Production at Duvernay Formation Using Deep-Learning Algorithm)’의 제목으로 관련 분야 탑 저널인 ’SPE Journal‘ 12월호에 게재됐다.

최상국기자 skchoi@inews24.com

관련기사


포토뉴스