利用深度学习算法预测页岩气未来产量的研究成果首次由国内研究者发表。
韩国地质资源研究院(KIGAM)16日表示,由石油海底研究本部李京北博士作为第一作者参与的论文《利用深度学习算法预测页岩气未来产量(Prediction of Shale-Gas Production at Duvernay Formation Using Deep-Learning Algorithm)》于2019年12月刊登在Engineering & Petroleum领域的顶级期刊《SPE Journal》上。
特别是该论文被选为12月号的聚光灯(Spotlight)论文,并在SPE(Society of Petroleum Engineers)学会运营的电子媒体Data Science and Digital Engineering in Upstream Oil and Gas上作了介绍。
此前的页岩气未来产量预测一直采用产量逐渐递减的递减曲线分析法(Decline Curve Analysis·DCA)进行。这种方式的预测结果会因专家判断而不同,而页岩资源以高密度钻井开发,且因水平钻井及水力压裂而生产单价较高,因此通过自动化降低运营费用十分重要。
国际研究趋势是改进现有DCA使其专门适用于页岩储层,但研究者之间预测结果差距大,且因假设复杂而现场适用性低。
李京北博士研究团队利用对时间序列资料最优化的深度学习算法循环神经网络(Recurrent Neural Network·RNN),目标是开发替代自1945年起沿用的DCA技术的新技术。
此前也曾有利用简单人工神经网络(Artificial Neural Network·ANN)的研究,但ANN无法利用时间序列资料前后顺序的信息,扩展性极差,难以在现场实际应用。此外,每口生产井的开发时期和生产期间不同,用于预测的输入信息与预测所需的输出信息也不同,因此适合股价预测等时间序列资料学习的RNN算法更为有效。
研究团队在本次研究中利用北美地区330口油井的页岩气产量信息验证研究结果,开展了面向现场的研究。
此前的机器学习研究并未使用实际现场产量资料,而只是生成虚拟的三维页岩储层模型,通过计算机模拟生成产量用于研究。
李博士为实现研究所用深度学习算法(RNN)的最优化,运用石油工程领域知识进行大数据预处理并提取核心特征,从而确保了预测可靠性。
特别是在330口生产井中,事先排除了可能妨碍RNN模型学习的资料。排除标准运用领域知识,按生产地质层、生产技术、生产期间等设定。
除过去产量信息外,还将暂时关闭生产井(shut-in)的运营条件选定为核心特征,与过去产量信息一并用于输入层。与仅使用产量资料的深度学习预测模型相比,误差率降低约37%,大幅提升了未来产量预测的可靠性。
通过本次研究,研究团队使用于产量预测的深度学习模型学习时间缩短至数分钟级,预测则可达到秒级。
经过学习的RNN模型能够以秒为单位预测产量,具有可有效管理和预测大量页岩生产井的优点。特别是它可扩展为实时分析和诊断资料并预测未来的技术,作为与远程医疗类似概念的数字油田(Digital Oil Field)的核心技术备受关注。
研究团队利用深度学习算法取得的研究成果,其特点是在页岩气产量预测上比现有递减曲线法更自动化、可靠性更高。此外,能够反映核心特征——生产井是否运营对产量预测结果的影响,并展示了除页岩气外易于扩展至油砂、页岩油及常规油气田的原创技术潜力,预计将对石油研究领域及相关业界带来很大帮助。
李博士表示:“本次研究的意义在于,在页岩气这一环保资源领域引入基于深度学习算法的ICT技术,开辟了能源资源领域新的融合研究范式”,并表示“今后不仅是页岩气,还将努力把技术应用于各种环保能源资源,使其有效用于国内能源资源开发”。
韩国地质资源研究院院长金福哲表示:“李博士的研究成果是KIGAM多年积累的大数据研究技术的起点”,并表示“将通过掌握常规资源石油天然气以及非常规资源天然气水合物、页岩气等的开发技术,为国内能源资源的自主化不吝研究支持”。






