Prediction of Liquid Surge for Gas Wells Using Machine Learning

학위논문(석사) -- 서울대학교대학원 : 공과대학 에너지시스템공학부, 2022.2. 정훈영.Liquid surge is the inflow liquid volume during a time interval in the pipeline flow. To analyze the liquid surge problem, the multiphase flow simulator is used. On the other hand, the license cost of the flow simulator is high, and the number of licenses is limited to apply to several wells. The machine learning model for predicting maximum liquid surge volume can resolve the problem of licenses. In this research, the feedforward network is used. The input variables are previous wellhead pressure, target wellhead pressure, gas volume flow rate, water-gas ratio, and the number of fracture stages for hydraulic fractured shale gas well. The output variables are gas and water volume flow rate after adjusting pressure, and maximum liquid surge volume. Although the prediction accuracy is high with a coefficient of determination of 0.9 or more, the prediction ability decreases when the water-gas ratio is high. Furthermore, the feedforward network model has no significant prediction ability decrease when the pipeline length becomes longer. In addition, sequential adjusting, one of the solutions for liquid surge problem, is applied to feedforward network model, which has high prediction accuracy.액체 서지(Liquid Surge)는 관 내에서 특정 시간 간격 동안 유입되는 액체 부피를 의미한다. 과도한 액체 서지 문제 분석을 수행하기 위하여 일반적으로 다상 관 유동 시뮬레이터를 사용하지만 라이선스의 수와 비용에 대한 제약이 있기 때문에 동시에 여러 유정에 대하여 액체 서지 문제 분석을 수행하기 어렵다. 따라서 기계학습 모델을 사용하여 액체 서지 부피를 예측하면 시뮬레이터 라이선스의 제약 없이 액체 서지 문제를 예측할 수 있다. 본 연구에서는 순방향신경망 학습 모델을 사용하여 현장 지상에서 모니터링 할 수 있는 인자인 변경 전과 후의 정두 압력, 가스 부피유량, 물-가스비율, 총 수압 파쇄 단계 수를 입력 인자로 하여 최대 서지 부피와 정두 압력 조절 후 가스와 물의 부피유량을 예측하는 학습 모델을 구축하였다. 예측 정확도는 결정 계수 0.9 이상으로 매우 높지만 물-가스비율이 높은 경우 예측 성능이 감소하는 현상을 확인하였다. 또한, 같은 구조의 순방향신경망 학습 모델은 전체 관 유동 길이가 길어져도 안정된 예측 성능을 보이는 것을 확인하였으며, 단계적 압력 조절을 통한 액체 서지 문제 해결을 적용하였을 때에도 매우 높은 예측 성능을 보였다.제 1 장 서론 1 1.1 연구 목적 1 1.2 연구 배경 2 제 2 장 방법론 5 2.1 액체 서지 부피의 계산 5 2.2 순방향신경망 6 제 3 장 최대 액체 서지 부피 예측 모델 8 3.1 분석 모델 개요 8 3.2 모델 시뮬레이션 예시 10 3.3 훈련 데이터 및 모델 구성 12 3.4 학습 및 예측 결과 14 3.5 영향 인자 분석 20 제 4 장 유동 길이가 긴 경우의 적용 24 4.1 분석 필요성 및 모델 개요 24 4.2 훈련 데이터 및 모델 구성 27 4.3 학습 및 예측 결과 28 제 5 장 정두압력의 단계적 조절 적용 34 5.1 분석 필요성 및 모델 개요 34 5.2 훈련 데이터 및 모델 구성 34 5.3 학습 및 예측 결과 36 제 6 장 결론 44 참고문헌 46 Abstract 48석