KR101706245B1 - Method for controlling production rate using artificial neural network in digital oil field - Google Patents
Method for controlling production rate using artificial neural network in digital oil field Download PDFInfo
- Publication number
- KR101706245B1 KR101706245B1 KR1020150129560A KR20150129560A KR101706245B1 KR 101706245 B1 KR101706245 B1 KR 101706245B1 KR 1020150129560 A KR1020150129560 A KR 1020150129560A KR 20150129560 A KR20150129560 A KR 20150129560A KR 101706245 B1 KR101706245 B1 KR 101706245B1
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- artificial neural
- network model
- data
- oil
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 68
- 239000003129 oil well Substances 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000006399 behavior Effects 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 241000272525 Anas platyrhynchos Species 0.000 claims description 11
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 12
- 239000012530 fluid Substances 0.000 description 16
- 238000005553 drilling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000000195 production control method Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 210000004513 dentition Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000036346 tooth eruption Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
Abstract
Description
본 발명은 디지털 오일필드(Digital Oil Field)에 있어서 오일이나 가스의 생산량을 제어하기 위한 방법에 관한 것으로, 더 상세하게는, 오일이나 가스의 생산량을 증가 또는 감소시키기 위해 유정제어를 수행시, 정두에 위치한 초크 사이즈를 조절하기 위한 분석과 판단에 많은 시간이 소요되는 데 더하여, 그러한 초크 사이즈 조절은 전문 엔지니어에 의해 수행되어야 하므로 그만큼 비용이 증가하는 단점이 있었던 종래기술의 유정제어 시스템 및 방법들의 문제점을 해결하기 위해, 인공신경망 모델을 이용하여 유정 정두에서의 유량제어를 위한 초크 사이즈를 예측할 수 있도록 구성됨으로써 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법에 관한 것이다. BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a method for controlling oil or gas production in a digital oil field and, more particularly, In addition to the time required for analysis and judgment for adjusting the choke size of the choke, the choke size must be controlled by a professional engineer, In order to solve this problem, it is proposed to use the artificial neural network in the digital oil field, which is constructed to predict the choke size for the flow control in the well head using the artificial neural network model, And to a production amount control method.
또한, 본 발명은, 상기한 바와 같이 유정제어를 위한 분석과 판단을 전문 엔지니어에 의존함으로 인해 많은 시간과 비용이 요구되는 단점이 있었던 종래기술의 유정제어 시스템 및 방법들의 문제점을 해결하기 위해, 정두에서의 유량을 입력자료로 하고 이에 대한 출력자료로서 정두의 온도 및 압력과 저류층 압력 및 초크 사이즈를 예측하여 결정하도록 구성되는 인공신경망 모델을 이용하여, 현장 자료에서 획득한 입력변수를 통해 출력변수로서 유정을 제어하기 위한 초크 사이즈를 결정하는 것에 의해 전문가의 판단을 대신함으로써 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있을 뿐만 아니라, 일정 기간 동안 취득된 현장의 실제 자료를 훈련자료로서 이용하여 인공신경망 모델의 재학습 과정이 자동으로 반복 수행되는 것에 의해 인공신경망 모델의 정확도를 높이는 동시에, 항상 일정 수준 이상으로 유지할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법에 관한 것이다. Further, in order to solve the problems of the prior art well control system and methods which require a lot of time and cost due to the reliance on a professional engineer for analysis and judgment for oil well control as described above, And the choke size and the reservoir pressure and the choke size are determined as the input data and the output data therefrom is used as the output variable through the input variables obtained from the field data By determining the choke size for controlling the oil well, it is possible to save the time and cost for adjusting the choke size by substituting the judgment of the expert, and also, by using the actual data of the site acquired for a certain period of time as training data, Since the re-learning process of the neural network model is automatically and repeatedly performed, At the same time increase the accuracy of the network model, will all the time on the production control method using a neural network in a digital oil field that is configured to be maintained at a certain level.
아울러, 본 발명은, 상기한 바와 같이 인공신경망 모델을 이용하여 현장 자료에서 획득한 입력변수를 통해 출력변수로서 유정을 제어하기 위한 초크 사이즈를 결정하는 것에 의해 전문가의 판단을 대신할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법을 수행하도록 구성됨으로써, 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어시스템에 관한 것이다. In addition, the present invention is configured to substitute expert judgment by determining a choke size for controlling a well as an output variable through an input variable obtained from field data using an artificial neural network model as described above The present invention relates to a production control system using an artificial neural network in a digital oil field configured to perform a production control method using an artificial neural network in a digital oil field to reduce time and cost for choke size control.
일반적으로, 디지털 오일필드(Digital Oil Field)란, IT 통합시스템 및 사물인터넷 개념을 통해 유전의 상태 변화를 감지할 뿐만 아니라, 오일-가스 기업에서 이용되는 자산을 전체 과정에 따른 라이프사이클에 걸쳐 온라인으로 관리할 수 있는 IT 융합 기술을 의미한다. In general, Digital Oil Field not only detects changes in oilfield status through the IT integration system and the Internet concept of objects, but also allows the assets used in oil-gas companies to be managed online IT convergence technology.
또한, 최근에는, 이러한 디지털 오일필드라는 용어는 통합운영을 포함하는 의미로 사용되며, 여러 메이저 오일필드 기업에서 각자 자신들만의 용어로 바꾸어 다양한 형태로 사용되고 있다. Also, in recent years, the term digital oil field has been used to mean integrated operation, and various major oil field companies have changed their own terminology to various forms.
여기서, 상기한 오일필드와 같이 해저에서 석유나 가스를 생산하기 위한 종래기술의 예로는, 예를 들면, 먼저, 한국 공개특허공보 제10-2015-0057438호에 따르면, 해저 시추장비를 동작 제어할 수 있도록 해저에 설치되는 컨트롤 스테이션을 동작 제어하는 마스터 컨트롤 모듈을 메인 마스터 컨트롤 모듈과 서브 마스터 컨트롤 모듈로 2개로 구비함으로써, 서브 마스터 컨트롤 모듈을 통해 메인 마스터 컨트롤 모듈에 대한 보조 작동 기능을 수행할 수 있어 메인 마스터 컨트롤 모듈이 작동 불능 상태인 경우에도 서브 마스터 컨트롤 모듈을 통해 시추 장비를 동작 제어할 수 있고, 이에 따라 더욱 안정적으로 오일 또는 가스 생산 과정을 수행할 수 있도록 구성되는 해저 생산시설 제어 시스템이 제시된 바 있다. Here, as an example of the prior art for producing oil or gas on the seabed as in the oil field described above, for example, according to Korean Patent Laid-Open Publication No. 10-2015-0057438, The main control module and the sub-master control module for controlling the operation of the control station installed on the seabed so that the sub-master control module can operate auxiliary operation function to the main master control module The submarine production facility control system that can control operation of the drilling equipment through the submaster control module even when the main master control module is inoperable and thus can more reliably perform the oil or gas production process It has been suggested.
또한, 상기한 오일필드와 같이 해저에서 석유나 가스를 생산하기 위한 종래기술의 다른 예로는, 예를 들면, 국제 공개특허공보 WO 2013/184866호에 따르면, 시추 파이프와 복귀 시추 유체의 유동을 수용하도록 구성되는 채널을 형성하는 도관과, 복귀 시추 유체의 유량을 검출하도록 구성되는 음향 센서 어레이 및 복귀 시추 유체의 유량을 제어하고 센서 어레이에 의해 검출된 이벤트에 응답하여 구동되도록 구성되고 센서 어레이에 근접하여 설치되는 유동 제어장치를 포함하여, 탄화수소 해상 유정 등의 석유 생산 유정의 시추(drilling) 중에 킥(kick) 방지를 위해 복귀 시추 유체의 유동을 제어하는 유동 제어 시스템이 제시된 바 있다.Further, another example of the prior art for producing oil or gas on the seabed, such as the oil field described above, for example, according to International Publication No. WO 2013/184866, is to receive the flow of drilling pipe and return drilling fluid And an acoustic sensor array configured to detect the flow rate of the return drilling fluid and a flow rate controller configured to control the flow rate of the return drilling fluid and configured to be driven in response to an event detected by the sensor array and proximate to the sensor array A flow control system has been proposed to control the flow of return drilling fluid to prevent kick during drilling of oil production wells such as hydrocarbon marine wells.
아울러, 상기한 오일필드와 같이 해저에서 석유나 가스를 생산하기 위한 종래기술의 또 다른 예로는, 예를 들면, 미국특허공보 US 8,833,466호에 따르면, 축선을 갖는 중앙 보어를 형성하는 관형 부재; 상기 관형 부재의 벽부에 형성된 복수의 통로; 유체를 받아들이도록 상기 관형 부재의 외측으로 유도하는 상기 복수의 통로에 대한 상류 유입구; 상기 유체의 밀도에 응답하여 유동 제한기를 통한 유동을 제한하기 위해 선택된 및 상이한 밀도의 부유 부재를 구비한 적어도 두 개의 유동 제한기를 갖는 각각의 통로; 및 상기 저장부 유체 압력에 기초하여 유동하는 유체에 차동 압력을 만들기 위해 압력 피스톤을 구비하고, 상기 유동 제한기의 유출구와 연통하는 각각의 통로 내에 위치된 적어도 한 개의 압력 강하 장치를 포함하며, 상기 관형 부재의 상류 단부 및 하류 단부는 상기 생산 배관 스트링과 결합될 수 있고, 상기 압력 강하 장치의 유출물은 상기 중앙 보어와 연통하는 유입 유체 포트로 유동하도록 구성되어, 표면 아래의 유체 저장부로부터 생산 배관 스트링으로의 유체 유동을 제어하기 위한 유입 제어 장치가 제시된 바 있다. Further, another example of the prior art for producing oil or gas in the sea bed, such as the oil field described above, for example, according to U.S. Patent No. 8,833,466, comprises a tubular member forming a central bore having an axis; A plurality of passages formed in the wall portion of the tubular member; An upstream inlet for said plurality of passages leading outwardly of said tubular member to receive fluid; Each passageway having at least two flow restrictors selected to limit flow through the flow restrictor in response to the density of the fluid and having a floating member of different density; And at least one pressure drop device having a pressure piston to create a differential pressure in fluid flowing based on the reservoir fluid pressure, the pressure drop device being located in each passageway communicating with an outlet of the flow restrictor, An upstream end and a downstream end of the tubular member may be coupled to the product piping string and the effluent of the pressure drop device may be configured to flow to an inlet fluid port communicating with the central bore to produce An inflow control device for controlling fluid flow into a piping string has been proposed.
더욱이, 상기한 오일필드와 같이 해저에서 석유나 가스를 생산하기 위한 종래기술의 또 다른 예로는, 예를 들면, 한국 등록특허공보 제10-1350805호에 따르면, 시추 작업에 필요한 장비를 조작하기 위한 입력수단을 구비하고, 상기 입력수단에 의해 선택된 장비의 조작신호를 입력받는 조작 단말; 장비 운용에 대한 정보를 저장하고 있으며, 상기 저장된 장비 운용에 대한 정보와 상기 조작 단말로부터 수신된 조작신호에 근거하여 조정될 장비에 인가될 제어신호를 생성하여 해당 장비의 시뮬레이션을 수행하도록 외부로 전송하는 PLC 서버; 상기 PLC 서버로부터 수신된 제어신호에 따라 시뮬레이션되는 유정의 현재 상태를 계산하여 계산된 유정의 현재 상태를 상기 조작 단말상에 보여지도록 하는 유정 제어 서버; 및 상기 PLC 서버로부터 수신된 제어신호에 따라 해당 장비의 위치 및 자세를 변경하는 장비 동작 시뮬레이션 서버를 포함하여, 시추 작업중에 발생할 수 있는 고압가스 분출 상황을 안전하게 처리할 수 있도록 교육하는 시추 시뮬레이터 및 그의 시뮬레이션 방법이 제시된 바 있다. Further, another example of the prior art for producing oil or gas on the seabed as in the above-mentioned oil field is disclosed in Korean Patent Publication No. 10-1350805, for example, An operation terminal having an input means and receiving an operation signal of the equipment selected by the input means; And generates a control signal to be applied to the equipment to be adjusted based on the information about the operation of the stored equipment and the operation signal received from the operation terminal and transmits the control signal to the outside so as to perform simulation of the equipment PLC server; A well control server for calculating a current state of a well being simulated according to a control signal received from the PLC server and displaying the calculated current state of the well on the operation terminal; And an equipment operation simulation server for changing the position and posture of the equipment in accordance with a control signal received from the PLC server. The drilling simulator includes: a drilling simulator for training a high pressure gas eruption state that may occur during drilling operation to be safely handled; A simulation method has been proposed.
상기한 바와 같이, 종래, 해저로부터 오일이나 가스를 생산하기 위한 여러 가지 기술내용이 제시된 바 있으나, 상기한 바와 같은 종래기술의 내용들은 다음과 같은 문제점이 있는 것이었다. As described above, various technical contents for producing oil or gas from the sea floor have been proposed. However, the above-mentioned prior art contents have the following problems.
즉, 디지털 오일필드에 있어서, 오일 및 가스 생산량을 조절하기 위한 유정 제어시, 정두에 위치한 초크 사이즈를 조절하는 것에 의해 오일의 생산 증가 및 감소가 이루어지며, 이때, 예를 들면, 압력, 유량, 온도 등과 같이, 오일 및 가스의 생산 및 운영과정에서 발생하는 모든 자료들은 사물인터넷이나 무선인터넷 기반으로 통신기기를 통해 실시간 모니터링이 가능하도록 구성된다. That is, in the digital oil field, when oil well control for controlling the oil and gas production amount is performed, the oil production is increased and decreased by controlling the choke size located at the head. In this case, for example, Temperature, etc., all data generated during production and operation of oil and gas are configured to enable real-time monitoring through communication devices on the Internet or wireless Internet based on things.
그러나 종래에는, 이러한 오일 및 가스 생산시 유정제어를 위한 초크 사이즈 결정 및 제어를 전문 엔지니어의 분석과 판단에 의존하고 있으며, 그로 인해, 종래의 유정제어 방법은 전문가를 통해서만 제어가 가능한 한계가 있는 데 더하여, 초크 사이즈 조절을 위하여 소요되는 시간이 및 비용이 그만큼 증가하게 되는 단점이 있는 것이었다. Conventionally, however, the choke size determination and control for oil well control in the production of oil and gas is dependent on the analysis and judgment of a professional engineer. Therefore, conventional oil well control methods are limited only by experts In addition, there is a disadvantage that the time and cost required for adjusting the choke size increase accordingly.
따라서 상기한 바와 같이 유정제어를 위한 초크 사이즈 결정 및 제어를 전문 엔지니어의 분석과 판단에 의존함으로 인해 초크 사이즈 조절을 위하여 소요되는 시간이 및 비용이 그만큼 증가하게 되는 단점이 있었던 종래기술의 유정제어 방법들의 문제점을 해결하기 위하여는, 예를 들면, 인공신경망과 같이, 컴퓨터 등을 통하여 실행되는 프로그램에 의해 전문가의 판단을 대신하여 유정을 제어하기 위한 초크 사이즈 결정이 가능도록 구성됨으로써, 유정제어를 위한 초크 사이즈 결정 및 제어에 소요되는 시간을 단축하는 동시에, 전체적인 비용을 절감할 수 있도록 구성되는 새로운 구성의 유정제어 방법을 제공하는 것이 바람직하나, 아직까지 그러한 요구를 모두 만족시키는 장치나 방법은 제시되지 못하고 있는 실정이다. Therefore, as described above, since the determination and control of the choke size for oil well control depend on the analysis and judgment of a professional engineer, the time and cost required for choke size control are increased so much, It is possible to determine the choke size for controlling the well in place of the expert judgment by a program executed through a computer or the like such as an artificial neural network, It is desirable to provide a new configuration well control method that is configured to shorten the time required for choke size determination and control and reduce the overall cost, but a device or method that satisfies all such requirements is not yet proposed It is a fact that I can not.
[선행기술문헌] [Prior Art Literature]
1. 한국 공개특허공보 제10-2015-0057438호 (2015.05.28.) 1. Korean Patent Publication No. 10-2015-0057438 (May 27, 2015).
2. 국제 공개특허공보 WO 2013/184866호 (2013.12.12.) 2. International Patent Publication No. WO 2013/184866 (Dec. 12, 2013)
3. 미국특허공보 US 8,833,466호 (2014.09.16.) 3. U.S. Patent Publication No. 8,833,466 (Apr.
4. 한국 등록특허공보 제10-1350805호 (2014.01.07.) 4. Korean Patent Registration No. 10-1350805 (Apr.
본 발명은 상기한 바와 같은 종래기술의 문제점을 해결하고자 하는 것으로, 따라서 본 발명의 목적은, 오일이나 가스의 생산량을 증가 또는 감소시키기 위해 유정제어를 수행시, 정두에 위치한 초크 사이즈를 조절하기 위한 분석과 판단에 많은 시간이 소요되는 데 더하여, 그러한 초크 사이즈 조절은 전문 엔지니어에 의해 수행되어야 하므로 그만큼 비용이 증가하는 단점이 있었던 종래기술의 유정제어 시스템 및 방법들의 문제점을 해결하기 위해, 인공신경망 모델을 이용하여 유정 정두에서의 유량제어를 위한 초크 사이즈를 예측하는 것에 의해 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법을 제공하고자 하는 것이다. SUMMARY OF THE INVENTION It is an object of the present invention to provide a method and apparatus for controlling the choke size of a choke in a diesel engine, In order to solve the problems of prior art well control systems and methods, which require a lot of time for analysis and judgment, and since the choke size adjustment must be performed by a professional engineer, The present invention provides a method of controlling a production amount using an artificial neural network in a digital oil field, which is configured to reduce time and cost for choke size control by predicting the choke size for flow control at the head of the well.
또한, 본 발명의 다른 목적은, 상기한 바와 같이 유정제어를 위한 분석과 판단을 전문 엔지니어에 의존함으로 인해 많은 시간과 비용이 요구되는 단점이 있었던 종래기술의 유정제어 시스템 및 방법들의 문제점을 해결하기 위해, 정두에서의 유량을 입력자료로 하고 이에 대한 출력자료로서 정두의 온도 및 압력과 저류층 압력 및 초크 사이즈를 예측하여 결정하도록 구성되는 인공신경망 모델을 이용하여, 현장 자료에서 획득한 입력변수를 통해 출력변수로서 유정을 제어하기 위한 초크 사이즈를 결정하는 것에 의해 전문가의 판단을 대신할 수 있도록 구성됨으로써, 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법을 제공하고자 하는 것이다. It is another object of the present invention to solve the problems of the conventional oil well control systems and methods which require a lot of time and cost due to the dependence of analysis and judgment for oil well control on a professional engineer as described above , The flow rate at the duckhead is used as the input data, and the output data for the duck head is determined by predicting the temperature and pressure of the duck head and the reservoir pressure and choke size. And the choke size for controlling the oil well is determined as an output variable so that it is possible to substitute the judgment of the expert. Thus, in the digital oil field configured to reduce the time and cost for the choke size adjustment, And to provide a control method.
아울러, 본 발명의 또 다른 목적은, 상기한 바와 같이 인공신경망 모델을 이용하여 현장 자료에서 획득한 입력변수를 통해 출력변수로서 유정을 제어하기 위한 초크 사이즈를 결정하는 것에 의해 전문가의 판단을 대신할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법을 수행하도록 구성됨으로써, 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어시스템을 제공하고자 하는 것이다. It is a further object of the present invention to provide a method and apparatus for determining a choke size for controlling a well as an output variable through an input variable obtained from field data using an artificial neural network model, To provide a production control system using an artificial neural network in a digital oil field, which is configured to perform a production control method using an artificial neural network in a digital oil field, .
상기한 바와 같은 목적을 달성하기 위해, 본 발명에 따르면, 오일이나 가스의 생산량을 증가 또는 감소시키기 위한 유정제어시, 정두에 위치한 초크 사이즈를 조절하기 위한 분석과 판단을 전문가에 의존함으로 인해 시간 및 비용이 증가하는 단점이 있었던 종래기술의 유정제어 방법들의 문제점을 해결하기 위해, 인공신경망을 이용하여 상기 전문가에 의한 상기 초크 사이즈의 조절을 대신하기 위한 일련의 처리를 컴퓨터나 전용의 하드웨어에 실행시키도록 구성되는 디지털 오일필드(digital Oil Field)에서 인공신경망을 이용한 생산량 제어방법에 있어서, 상기 처리는, 상기 오일이나 상기 가스의 생산 및 운영과정에서 발생하는 데이터를 획득하는 데이터 수집단계; 상기 데이터 수집단계에서 획득된 데이터를 자기학습형 인공신경망 모델에 적용하여, 상기 정두에서의 유량을 입력자료로 하고, 상기 정두의 온도 및 압력과 저류층 압력 및 초크 사이즈를 출력자료로서 예측하여 결정하도록 구성되는 인공신경망 모델을 구축하는 것에 의해 상기 초크 사이즈의 제어를 위한 인공신경망 모델을 구축하는 인공신경망 모델 구축단계; 및 상기 인공신경망 모델 구축단계에서 구축된 상기 인공신경망 모델을 통하여 출력되는 결과값에 근거하여 상기 초크 사이즈의 조절을 수행하는 유정제어단계를 포함하여 구성됨으로써, 상기 데이터 수집단계에서 수집된 현장 자료를 입력변수로 이용하여 상기 인공신경망 모델을 통해 상기 유정제어를 위한 상기 초크 사이즈가 출력변수로서 결정되고, 출력된 상기 초크 사이즈에 근거하여 상기 유정제어를 수행하여 상기 전문가의 판단을 대신하는 것에 의해 상기 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 것을 특징으로 하는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법이 제공된다. In order to achieve the above-mentioned object, according to the present invention, it is possible to control the choke size located at the head of the well in the oil well control for increasing or decreasing the production amount of oil or gas, In order to solve the problems of the prior art oil well control methods in which the cost increases, a series of processing for replacing the adjustment of the choke size by the expert using the artificial neural network is executed on a computer or dedicated hardware The method comprises the steps of: a data collection step of acquiring data generated during production and operation of the oil or the gas; The data obtained in the data collecting step is applied to a self-learning type artificial neural network model, and the flow rate at the jungle is used as input data, and the temperature and pressure of the jungle and the reservoir pressure and choke size are predicted and determined as output data An artificial neural network model building step of constructing an artificial neural network model for controlling the choke size by constructing an artificial neural network model; And a well control step of controlling the choke size based on a result value output through the artificial neural network model constructed in the artificial neural network model building step, The choke size for the well control is determined as an output variable by using the artificial neural network model as an input variable and the oil well control is performed based on the output choke size, The method of controlling production volume using artificial neural networks in a digital oil field is provided that is configured to reduce time and cost for choke size adjustment.
여기서, 상기 데이터 수집단계는, 상기 디지털 오일필드에 구비되는 사물인터넷이나 무선인터넷을 통한 실시간 모니터링에 의해 상기 오일이나 상기 가스의 생산 및 운영과정에서 발생하는 각종 데이터를 획득하도록 구성되는 것을 특징으로 한다. The data collecting step is configured to acquire various data generated during the production and operation of the oil or the gas by real-time monitoring through the Internet or the wireless Internet provided in the digital oil field .
또한, 상기 인공신경망 모델 구축단계에서, 상기 인공신경망 모델은, 상기 입력자료로서, 상기 정두에서의 오일유량, 가스유량, 물유량을 포함하고, 상기 출력자료로서, 정두온도, 정두압력, 저류층압력, 초크 사이즈를 포함하여 구성되는 것을 특징으로 한다. Also, in the artificial neural network model building step, the artificial neural network model includes, as the input data, the oil flow rate, the gas flow rate, and the water flow rate at the dongle, and the output data includes the head temperature, the head pressure, , And a choke size.
아울러, 상기 인공신경망 모델 구축단계에서, 상기 인공신경망 모델은, 상기 입력자료가 입력되는 입력노드와 상기 출력자료가 출력되는 출력노드 사이에 적어도 하나의 은닉층을 더 포함하여 구성되는 것을 특징으로 한다. In addition, in the artificial neural network model building step, the artificial neural network model may further include at least one hidden layer between an input node to which the input data is input and an output node to which the output data is output.
더욱이, 상기 인공신경망 모델 구축단계에서, 상기 인공신경망 모델은, 상기 은닉층과 상기 출력노드 사이에 미리 정해진 훈련모델에 의해 산출된 가중치를 부여하도록 구성되는 것을 특징으로 한다. Further, in the artificial neural network model building step, the artificial neural network model is configured to give a weight value calculated by a predetermined training model between the hidden layer and the output node.
또한, 상기 인공신경망 모델 구축단계에서, 상기 인공신경망 모델은, 상기 인공신경망 모델의 훈련 알고리즘으로서 역전파 신경망(Backpropagation) 알고리즘을 이용하도록 구성되는 것을 특징으로 한다. In addition, the artificial neural network model is configured to use a backpropagation algorithm as a training algorithm of the artificial neural network model in the artificial neural network model building step.
아울러, 상기 유정제어 방법은, 현장으로부터 실제 측정된 상기 정두에서의 오일유량, 가스유량, 물유량, 정두압력, 정두온도, 저류층압력 및 초크 사이즈에 대한 데이터를 획득하고, 미리 정해진 일정 기간 동안 취득된 상기 현장의 실제 자료를 훈련자료로서 상기 입력자료 및 상기 출력자료에 추가하여 상기 인공신경망 모델의 재학습을 수행하는 재학습단계를 더 포함하여 구성됨으로써, 실제 현장자료를 대입하는 것에 의해 상기 실제 현장자료와 예측된 출력자료 사이의 오차를 감소하고, 상기 인공신경망 모델의 정확도를 향상시킬 수 있도록 구성되는 것을 특징으로 한다. The oil well control method may further include the steps of: acquiring data on the oil flow rate, gas flow rate, water flow rate, duck head pressure, dongle temperature, reservoir pressure and choke size actually measured from the field, Learning step of adding the actual data of the field to the input data and the output data as training data to perform re-learning of the ANN model, An error between the field data and the predicted output data is reduced, and the accuracy of the artificial neural network model is improved.
더욱이, 상기 유정제어 방법은, 미리 정해진 일정 주기마다 상기 재학습단계가 자동으로 반복 수행되도록 구성됨으로써, 상기 인공신경망 모델의 정확도를 높이는 동시에, 상기 인공신경망 모델의 정확도를 항상 일정 수준 이상으로 유지할 수 있도록 구성되는 것을 특징으로 한다. Further, the well control method may be configured such that the re-learning step is automatically and repeatedly performed at predetermined regular intervals, thereby increasing the accuracy of the artificial neural network model and maintaining the accuracy of the artificial neural network model at a constant level or higher And the like.
또한, 상기 유정제어 방법은, 상기 정두를 해답노드로 사용하여 노달 분석을 수행하며, 이때, 튜빙 거동곡선을 유입 거동곡선(Inflow performance relationship)으로 하고, 초크 거동곡선을 유출 거동곡선(Outflow performance relationship)으로 하여, 두 거동곡선의 교차점이 해당 노드에서의 운영압력(정두압력)과 운영유동량(오일, 가스, 물)을 의미하는 것에 의해 상기 입력자료와 상기 출력자료의 관계를 도출하도록 구성되는 것을 특징으로 한다. In addition, the oil well control method performs nodal analysis using the dongle as a solution node, wherein the tubing behavior curve is an inflow performance relationship, and the choke behavior curve is an outflow performance relationship ), And the relationship between the input data and the output data is derived by the intersection of the two behavior curves, which means the operating pressure (dongle pressure) and the operating flow amount (oil, gas, water) .
아울러, 본 발명에 따르면, 상기에 기재된 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법을 컴퓨터에 실행시키도록 구성되는 프로그램이 기록된 컴퓨터에서 판독 가능한 기록매체가 제공된다. According to the present invention, there is also provided a computer readable recording medium on which is recorded a program configured to cause a computer to execute a production volume control method using an artificial neural network in the digital oil field described above.
더욱이, 본 발명에 따르면, 오일이나 가스의 생산량을 증가 또는 감소시키기 위한 유정제어시, 정두에 위치한 초크 사이즈를 조절하기 위한 분석과 판단을 전문가에 의존함으로 인해 시간 및 비용이 증가하는 단점이 있었던 종래기술의 유정제어 시스템들의 문제점을 해결할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어시스템에 있어서, 입력자료를 입력하기 위한 입력부; 상기 입력부를 통하여 입력된 상기 입력자료에 근거하여 인공신경망을 통해 상기 유정제어를 위한 출력자료를 산출하여 출력하는 출력부; 및 상기 출력부에 의해 출력된 상기 출력자료에 근거하여 상기 유정제어를 수행하는 유정제어부를 포함하여 구성되고, 상기 출력부는, 상기에 기재된 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법을 이용하여, 유정 정두에서의 유량을 상기 입력자료 하여 상기 출력자료로서 상기 정두에서의 유량제어를 위한 초크 사이즈를 결정하는 처리과정이 수행되도록 구성됨으로써, 상기 전문가의 판단을 대신하는 것에 의해 상기 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 것을 특징으로 하는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어시스템이 제공된다. Furthermore, according to the present invention, there is a disadvantage in that time and cost are increased due to the dependence of experts on the analysis and judgment for adjusting the choke size located at the front of the duck in the oil well control for increasing or decreasing the production amount of oil or gas. A production control system using an artificial neural network in a digital oil field configured to solve problems of oil well control systems of the art, comprising: an input unit for inputting input data; An output unit for calculating and outputting output data for the well control through an artificial neural network based on the input data input through the input unit; And a well control unit for performing the well control on the basis of the output data output by the output unit, wherein the output unit is configured to control a production amount control method using the artificial neural network in the digital oil field described above, And the choke size for the flow control at the dongle is determined as the output data by performing the input data on the flow rate at the ditch ditch, A production amount control system using an artificial neural network in a digital oil field is provided.
상기한 바와 같이, 본 발명에 따르면, 인공신경망 모델을 이용하여 유정 정두에서의 유량제어를 위한 초크 사이즈를 예측하는 것에 의해 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법이 제공됨으로써, 오일이나 가스의 생산량을 증가 또는 감소시키기 위해 유정제어를 수행시 정두에 위치한 초크 사이즈를 조절하기 위한 분석과 판단에 많은 시간이 소요되는 데 더하여, 그러한 초크 사이즈 조절은 전문 엔지니어에 의해 수행되어야 하므로 그만큼 비용이 증가하는 단점이 있었던 종래기술의 유정제어 시스템 및 방법들의 문제점을 해결할 수 있다. As described above, according to the present invention, it is possible to estimate the choke size for the flow control in the ditch ditch by using the artificial neural network model, thereby reducing the time and cost for the choke size control. In order to increase or decrease the production amount of oil or gas, it is necessary to analyze and judge the choke size in order to control the choke size at the time of oil well control, The size adjustment must be performed by a professional engineer, and thus it is possible to solve the problems of prior art well control systems and methods, which are disadvantageous in that the cost increases.
또한, 본 발명에 따르면, 상기한 바와 같이 유정제어를 위한 분석과 판단을 전문 엔지니어에 의존함으로 인해 많은 시간과 비용이 요구되는 단점이 있었던 종래기술의 유정제어 시스템 및 방법들의 문제점을 해결하기 위해, 정두에서의 유량을 입력자료로 하고 이에 대한 출력자료로서 정두의 온도 및 압력과 저류층 압력 및 초크 사이즈를 예측하여 결정하도록 구성되는 인공신경망 모델을 이용하여, 현장 자료에서 획득한 입력변수를 통해 출력변수로서 유정을 제어하기 위한 초크 사이즈를 결정하도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법이 제공됨으로써, 유정제어를 위한 초크 사이즈 결정에 있어서 전문가의 판단을 대신할 수 있으므로 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있다. In addition, according to the present invention, in order to solve the problems of the well oil control system and the method of the related art, which have a disadvantage in that analysis and judgment for oil well control depend on a professional engineer, Using the artificial neural network model, which is constructed to determine the flow rate at the dongdu as the input data and predict the temperature and pressure of the dongdu and the reservoir pressure and choke size as input data, It is possible to substitute expert judgment in determining the choke size for oil well control by providing the production amount control method using the artificial neural network in the digital oil field configured to determine the choke size for controlling the well, Time and money can be saved.
아울러, 본 발명에 따르면, 상기한 바와 같이 인공신경망 모델을 이용하여 현장 자료에서 획득한 입력변수를 통해 출력변수로서 유정을 제어하기 위한 초크 사이즈를 결정하는 것에 의해 전문가의 판단을 대신할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법을 수행하도록 구성됨으로써, 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어시스템을 제공할 수 있다. According to the present invention, as described above, by using the artificial neural network model, the choke size for controlling the well is determined as the output variable through the input variable obtained from the field data, The production amount control system using the artificial neural network can be provided in the digital oil field configured to reduce the time and cost for controlling the choke size.
도 1은 일반적인 디지털 오일필드에서의 유정제어 시스템의 전체적인 개념을 개략적으로 나타내는 도면이다.
도 2는 본 발명의 실시예에 따른 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법의 전체적인 개념을 개략적으로 나타내는 도면이다.
도 3은 본 발명의 실시예에 따른 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법에 적용되는 인공신경망 모델의 전체적인 구성을 개략적으로 나타내는 도면이다.
도 4는 본 발명의 실시예에 따른 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법에 적용되는 인공신경망 모델을 통하여 수행되는 처리과정을 개략적으로 나타내는 도면이다. 1 schematically shows the overall concept of a well control system in a general digital oil field.
FIG. 2 is a diagram schematically showing a general concept of a production amount control method using an artificial neural network in a digital oil field according to an embodiment of the present invention.
3 is a diagram schematically showing the overall structure of an artificial neural network model applied to a production amount control method using an artificial neural network in a digital oil field according to an embodiment of the present invention.
4 is a diagram schematically illustrating a process performed through an artificial neural network model applied to a production amount control method using an artificial neural network in a digital oil field according to an embodiment of the present invention.
이하, 첨부된 도면을 참조하여, 본 발명에 따른 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법의 구체적인 실시예에 대하여 설명한다. Hereinafter, with reference to the accompanying drawings, a specific embodiment of a production volume control method using an artificial neural network in a digital oil field according to the present invention will be described.
여기서, 이하에 설명하는 내용은 본 발명을 실시하기 위한 하나의 실시예일 뿐이며, 본 발명은 이하에 설명하는 실시예의 내용으로만 한정되는 것은 아니라는 사실에 유념해야 한다. Hereinafter, it is to be noted that the following description is only an embodiment for carrying out the present invention, and the present invention is not limited to the contents of the embodiments described below.
또한, 이하의 본 발명의 실시예에 대한 설명에 있어서, 종래기술의 내용과 동일 또는 유사하거나 당업자의 수준에서 용이하게 이해하고 실시할 수 있다고 판단되는 부분에 대하여는, 설명을 간략히 하기 위해 그 상세한 설명을 생략하였음에 유념해야 한다. In the following description of the embodiments of the present invention, parts that are the same as or similar to those of the prior art, or which can be easily understood and practiced by a person skilled in the art, It is important to bear in mind that we omit.
즉, 본 발명은, 후술하는 바와 같이, 오일이나 가스의 생산량을 증가 또는 감소시키기 위해 유정제어를 수행시, 정두에 위치한 초크 사이즈를 조절하기 위한 분석과 판단에 많은 시간이 소요되는 데 더하여, 그러한 초크 사이즈 조절은 전문 엔지니어에 의해 수행되어야 하므로 그만큼 비용이 증가하는 단점이 있었던 종래기술의 유정제어 시스템 및 방법들의 문제점을 해결하기 위해, 인공신경망 모델을 이용하여 유정 정두에서의 유량제어를 위한 초크 사이즈를 예측하는 것에 의해 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법에 관한 것이다. That is, in the present invention, as described later, when oil well control is performed to increase or decrease the production amount of oil or gas, it takes a lot of time to analyze and judge to adjust the choke size located at the right side. In order to solve the problem of prior art well control systems and methods that have a disadvantage in that the choke size adjustment must be performed by a professional engineer, the choke size control for the flow control in the well head using an artificial neural network model The present invention relates to a method of controlling a production amount using an artificial neural network in a digital oil field, which is configured to reduce time and cost for choke size adjustment by predicting a choke size.
또한, 본 발명은, 후술하는 바와 같이, 유정제어를 위한 분석과 판단을 전문 엔지니어에 의존함으로 인해 많은 시간과 비용이 요구되는 단점이 있었던 종래기술의 유정제어 시스템 및 방법들의 문제점을 해결하기 위해, 정두에서의 유량을 입력자료로 하고 이에 대한 출력자료로서 정두의 온도 및 압력과 저류층 압력 및 초크 사이즈를 예측하여 결정하도록 구성되는 인공신경망 모델을 이용하여, 현장 자료에서 획득한 입력변수를 통해 출력변수로서 유정을 제어하기 위한 초크 사이즈를 결정하는 것에 의해 전문가의 판단을 대신할 수 있도록 구성됨으로써, 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법에 관한 것이다. Further, in order to solve the problems of the prior art well control system and methods, which are disadvantageous in that a lot of time and cost are required due to the dependence on the expert engineer for analysis and judgment for oil well control as described later, Using the artificial neural network model, which is constructed to determine the flow rate at the dongdu as the input data and predict the temperature and pressure of the dongdu and the reservoir pressure and choke size as input data, A production amount control method using an artificial neural network in a digital oil field configured to be able to substitute judgment by experts by determining a choke size for controlling a well, thereby reducing time and cost for choke size adjustment .
아울러, 본 발명은, 후술하는 바와 같이, 인공신경망 모델을 이용하여 현장 자료에서 획득한 입력변수를 통해 출력변수로서 유정을 제어하기 위한 초크 사이즈를 결정하는 것에 의해 전문가의 판단을 대신할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법을 수행하도록 구성됨으로써, 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어시스템에 관한 것이다. In addition, as described later, the present invention is configured such that, by using an artificial neural network model, a choke size for controlling a well is determined as an output variable through an input variable obtained from field data, The present invention relates to a production control system using an artificial neural network in a digital oil field which is configured to perform a production control method using an artificial neural network in a digital oil field to reduce time and cost for choke size control.
계속해서, 도면을 참조하여, 본 발명에 따른 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법의 구체적인 내용에 대하여 설명한다. Next, with reference to the drawings, the details of the production amount control method using the artificial neural network in the digital oil field according to the present invention will be described.
먼저, 도 1을 참조하면, 도 1은 일반적인 디지털 오일필드에서의 유정제어 시스템의 전체적인 개념을 개략적으로 나타내는 도면이다. DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Referring first to FIG. 1, FIG. 1 is a schematic diagram illustrating a general concept of a well control system in a general digital oil field.
도 1에 나타낸 바와 같이, 디지털 오일필드의 유정제어 시스템은, 일반적으로, 저류층(reservoir)에 위치된 오일이나 가스를 공저(bottomhole)에서 정두(wellhead)로 끌어올려 분리기(seperator)를 통해 오일이나 가스를 분리하도록 구성되며, 이때, 오일이나 가스의 생산량은 정두에 위치한 초크(choke) 사이즈를 조절하는 것에 의해 제어된다. As shown in FIG. 1, a well control system for a digital oil field generally includes an oil or gas located in a reservoir from a bottomhole to a wellhead, Gas, wherein the production of oil or gas is controlled by adjusting the size of the choke located at the front end.
여기서, 디지털 오일필드에 있어서, 예를 들면, 압력, 유량, 온도 등과 같이, 오일이나 가스의 생산 및 운영과정에서 발생하는 모든 자료들은 사물인터넷이나 무선인터넷 기반으로 통신기기를 통해 실시간 모니터링이 가능하도록 구성되어 있다. Here, in the digital oil field, all data generated during production and operation of oil and gas, such as pressure, flow rate, temperature, etc., can be monitored in real time through a communication device Consists of.
따라서 본 발명은, 디지털 오일필드에 적합하도록 자기학습형 과정을 포함하는 인공신경망 모델을 구축하여, 디지털 오일필드의 생산 및 운영과정에서 획득한 자료를 이용하여 입출력자료를 설계하고 오일 생산의 증가 및 감소에 따른 제어요인을 결정하며, 이러한 인공신경망에 의해 결정된 제어값에 근거하여 제어시스템이 자동으로 유정을 제어하는 일련의 과정을 수행하도록 구성됨으로써, 현장 자료에서 획득한 입력변수를 통해 출력변수로 유정을 제어하기 위한 초크 사이즈 결정이 가능하여 전문가의 판단을 대신할 수 있으므로 시간 및 비용이 절감되는 장점을 가지는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법을 제시하고자 하는 것이다. Accordingly, the present invention is to construct an artificial neural network model including a self-learning process suitable for a digital oil field, design input and output data using data acquired during the production and operation of a digital oil field, And the control system is configured to perform a series of processes for automatically controlling the oil well based on the control value determined by the artificial neural network. Thus, the input variable obtained from the field data is used as the output variable This is to propose a production control method using an artificial neural network in a digital oil field which has advantages of saving time and cost since it is possible to determine the choke size for controlling the oil well and can substitute expert judgment.
즉, 도 2를 참조하면, 도 2는 본 발명의 실시예에 따른 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법의 전체적인 개념을 개략적으로 나타내는 도면이다. That is, referring to FIG. 2, FIG. 2 is a diagram schematically illustrating an overall concept of a production amount control method using an artificial neural network in a digital oil field according to an embodiment of the present invention.
도 2에 나타낸 바와 같이, 본 발명의 실시예에 따른 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법은, 디지털 오일필드에 구비되는 사물인터넷이나 무선인터넷을 통하여 실시간 모니터링을 통해 압력, 유량, 온도 등과 같은 생산 및 운영과정에서 발생하는 데이터를 획득하는 단계(S10)와, 상기 단계(S10)에서 획득한 데이터를 자기학습형 인공신경망 모델에 적용하여 초크 사이즈 제어를 위한 인공신경망 모델을 구축하는 단계(S20) 및 상기 단계(S20)에서 구축된 인공신경망 모델을 통하여 출력되는 결과값에 근거하여 초크 사이즈를 조절하는 단계(S30)를 포함하는 일련의 과정을 수행하도록 구성될 수 있다. As shown in FIG. 2, the method of controlling the production amount using the artificial neural network in the digital oil field according to the embodiment of the present invention is a method of controlling the production amount using the artificial neural network, such as pressure, (S10) of acquiring data generated in the same production and operation process, and constructing an artificial neural network model for choke size control by applying the data obtained in the step (S10) to a self learning type artificial neural network model S20), and adjusting the choke size based on the output value output through the artificial neural network model constructed in step S20 (S30).
이때, 상기한 인공신경망 모델은, 정두에서의 유량을 입력자료로 하고, 이에 대한 출력자료로서 정두의 온도 및 압력과 저류층 압력, 그리고 초크 사이즈를 결정하도록 구성될 수 있다. At this time, the artificial neural network model can be configured to determine the temperature and pressure of the dentition, the reservoir pressure, and the choke size as output data for the flow rate at the dentition as input data.
더 상세하게는, 도 3을 참조하면, 도 3은 본 발명의 실시예에 따른 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법에 적용되는 인공신경망 모델의 전체적인 구성을 개략적으로 나타내는 도면이다. More specifically, referring to FIG. 3, FIG. 3 is a diagram schematically illustrating an overall structure of an artificial neural network model applied to a production amount control method using artificial neural networks in a digital oil field according to an embodiment of the present invention.
도 3에 나타낸 바와 같이, 본 발명의 실시예에 따른 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법에 적용되는 인공신경망 모델의 입출력 변수로는, 먼저, 입력자료는 정두에서의 오일유량, 가스유량, 물유량이며, 출력자료는 정두온도, 정두압력, 저류층압력, 초크 사이즈로 구성될 수 있다. As shown in FIG. 3, the input / output variables of the artificial neural network model applied to the production amount control method using the artificial neural network in the digital oil field according to the embodiment of the present invention are as follows. First, , Water flow rate, and the output data can be composed of the head temperature, the head pressure, the reservoir pressure, and the choke size.
여기서, 상기한 인공신경망 모델은, 입력자료와 하나의 은닉층, 그리고 은닉층과 출력노드 사이에 경험적으로 훈련된 모델에 의해 산출된 가중치를 부여하도록 구성될 수 있다. Here, the artificial neural network model can be configured to give a weight value calculated by a model empirically trained between the input data and one hidden layer and between the hidden layer and the output node.
또한, 상기한 인공신경망 모델의 훈련은, 산출된 가중치가 오차수정에 근거한 적합한 가중치로 설정되도록 하며, 인공신경망 모델의 훈련 알고리즘은, 예를 들면, 역전파 신경망(Backpropagation)을 이용할 수 있다. In addition, the training of the artificial neural network model allows the calculated weight to be set to a suitable weight based on error correction, and the training algorithm of the artificial neural network model can use, for example, backpropagation.
더 상세하게는, 역전파 신경망 알고리즘은, 다층 신경망으로 구성되어 있으며, 입력자료와 출력자료간의 상관관계를 통해 학습을 수행함으로써 오차를 극복하는 방법을 의미한다. More specifically, the backpropagation neural network algorithm is composed of a multi-layer neural network and means a method of overcoming the error by performing learning through correlation between input data and output data.
즉, 역전파 신경망 알고리즘은, 입력에 따른 출력을 계산하고, 계산된 출력값과 원하는 출력값 사이의 오차를 계산한 뒤, 오차를 줄이기 위해 가중치를 부여하는 방법을 의미하며, 이러한 역전파 신경망은 학습에 소요되는 시간이 짧고 정확성이 높은 알고리즘으로 알려져 있다. In other words, the backpropagation neural network algorithm is a method of calculating the output according to the input, calculating the error between the calculated output value and the desired output value, and then assigning a weight to reduce the error. It is known to be a time-consuming and highly accurate algorithm.
아울러, 인공신경망 모델은, 각 입력 및 출력자료가 모델의 정확도에 기여하는 최적의 변수 및 범위를 결정하는 것이 바람직하다. In addition, the artificial neural network model desirably determines the optimal parameters and ranges for which each input and output data contributes to the accuracy of the model.
여기서, 본 실시예에 적용된 인공신경망 모델은 반드시 상기한 역전파 신경망으로만 한정되는 것은 아니며, 필요에 따라 얼마든지 다른 신경망 알고리즘도 다양하게 적용할 수 있는 것임에 유념해야 한다. Herein, it should be noted that the artificial neural network model applied to the present embodiment is not limited to the above-described back propagation neural network, and that various neural network algorithms can be applied to as many other neural network algorithms as necessary.
계속해서, 인공신경망 모델의 정확도 향상을 위해 현장자료 획득을 통한 입출력자료 재학습 과정에 대하여 설명한다. To improve the accuracy of the neural network model, I / O data re-learning process through field data acquisition will be described.
도 3에 나타낸 인공신경망 모델은 생산 유정의 가상의 유정 완결 및 저류층 물성자료를 이용하여 유체유동 거동 분석이론에 의해 산출된 입력, 출력자료를 인공신경망 학습과정을 통해 모델을 구성한 것으로, 실제 현장 자료와 생산되는 자료를 입력자료에 대입하여 인공신경망 모델을 통해 예측된 출력자료에는 오차가 발생할 수 있다. The artificial neural network model shown in FIG. 3 is constructed by modeling the input and output data calculated by the fluid flow behavior analysis theory using the artificial neural network learning process using the virtual oil well completion and reservoir property data of the production well, And the produced data are substituted into the input data, an error may occur in the output data predicted through the artificial neural network model.
이에, 본 발명에서는, 현장 생산시 모니터링 되는 정두의 오일, 가스, 물 유량을 획득하고, 이를 자동으로 상기 인공신경망 모델의 입력자료로서 추가하여 재학습시키는 과정을 통해, 실제 현장자료를 대입하는 것에 의해 인공신경망 모델의 정확도를 증가시키는 현장자료 재학습과정을 더 포함하여 구성될 수 있다. Accordingly, in the present invention, by obtaining the oil, gas, and water flow rates of the dongle to be monitored during the field production and automatically re-learning by adding the data as the input data of the artificial neural network model, And an on-site data re-learning process that increases the accuracy of the neural network model.
여기서, 상기한 현장자료 재학습과정은, 예를 들면, 수일 또는 1 ~ 2개월에 한번 씩 자동적으로 수행되도록 구성됨으로써, 생산 전에 생성된 인공신경망 모델의 정확도를 높이는 동시에 항상 일정 수준 이상으로 유지할 수 있도록 구성될 수 있다. Here, the above-mentioned field data re-learning process is configured to be performed automatically once every several days or once every two months, for example, so that the accuracy of the artificial neural network model generated before production can be increased and at the same time, . ≪ / RTI >
계속해서, 초크 사이즈 조절을 위한 인공신경망 모델 구축에서의 입력값과 출력값의 상관관계 및 구성방법에 대하여 설명한다. Next, the correlation between the input value and the output value in the construction of the artificial neural network model for adjusting the choke size and the construction method will be described.
본 발명의 실시예에 따른 유정제어를 위한 인공신경망 모델을 구축하는 데 있어서는, 인공신경망 모델을 구축하고자 하는 대상 유정의 유정 완결 및 저류층 물성 등을 고려하여 노달 분석을 먼저 수행해야 한다. In building an artificial neural network model for oil well control according to an embodiment of the present invention, the nodal analysis should first be performed considering the oil well completion and reservoir properties of the oil well to be constructed.
여기서, 노달 분석은, 유정 생산성 분석이라고도 불리며, 생산파이프의 특징을 고려하여 저류층으로부터 유체 생산량을 예측하는 것을 의미한다. Here, nodal analysis, also called oilfield productivity analysis, refers to predicting fluid production from a reservoir considering the characteristics of the production pipe.
더 상세하게는, 유체의 특징은 오일과 가스 생산 시스템에서 지역적인 압력과 온도에 의해 변화하는데, 시스템에서의 유체 유동을 모사하기 위해서는 시스템을 개별 요소인 노드로 분리하는 것이 필수적이다. More specifically, the characteristics of fluids vary with local pressures and temperatures in oil and gas production systems, and it is essential to separate the system into individual elements, nodes, to simulate fluid flow in the system.
또한, 각 요소에서의 유체의 특징은 지역적으로 평가되는데, 이러한 유체의 생산량과 압력의 결정을 위한 시스템 분석이 노달 분석이다. In addition, the characteristics of fluids in each element are assessed locally, and system analysis for determining the yield and pressure of such fluids is a nodal analysis.
즉, 노달 분석은, 상류부분과 하류부분에 관계없이 어느 한 노드의 유입 거동과 유출 거동의 관계를 나타내고자 하는 것으로, 그 운영점이 운영 유동량과 압력을 나타내며, 디지털 오일필드에 있어서는, 일반적으로, 사용하는 입력자료의 편의성을 위해 공저 및 정두를 노드로 하여 측정을 수행한다. That is, the nodal analysis is intended to show the relationship between the inflow behavior and the outflow behavior of a node regardless of the upstream and downstream portions. The operating point represents the operating flow and pressure, and in the digital oil field, For convenience of the input data to be used, the measurement is performed with the nodes and nodes as the nodes.
여기서, 본 발명에서는, 정두를 해답노드로 사용하여 노달 분석을 수행하였으며, 유입 거동곡선(Inflow performance relationship)은 튜빙 거동곡선이고, 이는, 저류층 생산성과 튜빙 거동곡선을 변형하여 얻을 수 있다. In the present invention, the nodal analysis is performed using the dongle as a solution node, and the inflow performance relationship is the tubing behavior curve, which can be obtained by modifying the reservoir productivity and the tubing behavior curve.
아울러, 유출 거동곡선(Outflow performance relationship)은 초크 거동곡선이며, 이 두 곡선의 교차점이 해당 노드에서의 운영압력(정두압력)과 운영유동량(오일, 가스, 물)을 의미한다. In addition, the outflow performance relationship is the choke behavior curve, and the intersection of these two curves indicates the operating pressure (dump pressure) and operating flow (oil, gas, water) at the node.
또한, 본 발명에서 제안한 인공신경망 모델의 입출력 자료는 다음과 관련한 경험식을 통해 도출된 관계를 가지고 있다. In addition, the input / output data of the artificial neural network model proposed in the present invention has a relationship derived from an empirical expression relating to the following.
즉, 해답노드(정두)에서의 유입 거동곡선은 저류층 생산성과 튜빙 거동에 대한 관계식을 조합하여 나타낼 수 있으며, 예를 들면, 저류층에서 공저로의 생산성은 Vogel et al.이 제안한 경험식으로, 그리고 공저에서 정두로 생산되는 튜빙 거동 관계는 Poettmann-Carpenter et al.이 제안한 경험식을 이용하여 도출 가능하다. In other words, the inflow behavior curve at the solution node (dongle) can be expressed as a combination of the relation between the reservoir productivity and the tubing behavior. For example, the productivity of the reservoir at the reservoir is given by Vogel et al. The relationship of tubing behavior produced in the wells can be derived using the empirical formula proposed by Poettmann-Carpenter et al.
아울러 상기한 두 식으로부터 저류층 압력과 생산되는 다상(액체 및 기체)의 유동량 유출 거동곡선은 Tangren et al.이 제안한 다상 유동 시스템의 경험식을 사용하여 정두에서의 온도와 압력 그리고 초크 사이즈를 알 수 있다. From the above two formulas, the reservoir pressure and the flow rate curves of the produced polyphase (liquid and gas) can be obtained by using the empirical equation of the multiphase flow system proposed by Tangren et al. have.
따라서 상기한 두 거동곡선을 통해 입력자료인 오일, 가스, 물의 유동량과 출력자료인 정두압력, 정두온도, 저류층압력, 초크 사이즈의 관계를 도출할 수 있다. Therefore, through the above two behavioral curves, it is possible to derive the relationship between the flow amount of oil, gas, and water as the input data and the output data, duck pressure, duck temperature, reservoir pressure, and choke size.
즉, 도 4를 참조하면, 도 4는 본 발명의 실시예에 따른 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법에 적용되는 인공신경망 모델을 통하여 수행되는 처리과정을 개략적으로 나타내는 도면이다. 4 is a diagram schematically illustrating a process performed through an artificial neural network model applied to a production amount control method using artificial neural networks in a digital oil field according to an embodiment of the present invention.
도 4에 나타낸 바와 같이, 본 발명의 실시예에 따른 유정제어를 위한 자기학습형 초크 사이즈 제어 인공신경망 모델은, 먼저, 현장 유정의 유정 완결방법이나 저류층 물성을 반영하고 이에 대한 유체유동 거동 분석이론을 적용하여 입출력자료 훈련자료를 생성하고, 생성된 훈련자료를 이용하여 유정 기반의 유정제어 인공신경망 모델을 생성하며, 입력자료로서 오일 유량 및 물 유량의 증가 및 감소량을 결정하면, 유량을 조절하기 위한 초크 사이즈 값이 인공신경망 모델을 통해 출력자료로서 출력되어, 도출된 초크 사이즈 값을 적용하여 초크 사이즈의 제어를 수행하도록 구성될 수 있다. As shown in FIG. 4, the self-learning type choke size control artificial neural network model for oil well control according to the embodiment of the present invention firstly reflects the oil well completion method of the field wells and the reservoir properties, To generate I / O data training data, to generate oil well based well control ANN model using the generated training data, and to determine the increase and decrease amount of oil flow and water flow as input data, May be output as output data through an artificial neural network model, and the choke size value for the choke size may be applied to control the choke size.
여기서, 상기한 인공신경망 모델은, 현장 유정으로부터 실제 측정된 정두에서의 오일유량, 가스유량, 물유량, 정두압력, 정두온도, 저류층압력 및 초크 사이즈에 대한 데이터를 획득하여, 일정 기간 동안 취득된 현장의 실제 자료를 입출력자료 훈련자료에 추가하여 재학습하는 과정이 주기적으로 자동으로 수행되도록 구성됨으로써, 출력값의 정확도를 항상 일정 수준 이상으로 유지 또는 더욱 높일 수 있도록 구성될 수 있다. Here, the artificial neural network model acquires data on oil flow rate, gas flow rate, water flow rate, duck head pressure, duck head temperature, reservoir pressure, and choke size at the duck head actually measured from the field well, The process of re-learning by adding the actual data of the field to the input / output data training material is configured to be performed automatically and periodically so that the accuracy of the output value can be always maintained at a certain level or higher.
이상, 상기한 바와 같이 하여, 본 발명의 실시예에 따른 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법에 적용되는 인공신경망 모델을 구축할 수 있으며, 또한, 그러한 인공신경망을 이용하여, 유정 정두에서의 유량을 입력자료 하여 정두에서의 유량제어를 위한 초크 사이즈를 예측하는 일련의 처리과정이 수행되도록 구성되는 것에 의해, 전문가의 판단을 대신하여 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법 및 제어시스템을 구현할 수 있다. As described above, the artificial neural network model applicable to the production amount control method using artificial neural network in the digital oil field according to the embodiment of the present invention can be constructed. Also, by using such artificial neural network, And the choke size for the flow control at the head is predicted so that the time and cost for adjusting the choke size can be reduced instead of the judgment of the expert The control method and the control method of the production amount using the artificial neural network can be implemented in the digital oil field.
따라서 상기한 바와 같이 하여 본 발명에 따른 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법을 구현할 수 있다. Therefore, the production amount control method using the artificial neural network in the digital oil field according to the present invention as described above can be implemented.
또한, 상기한 바와 같이 하여 본 발명에 따른 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법을 구현하는 것에 의해, 본 발명에 따르면, 인공신경망 모델을 이용하여 유정 정두에서의 유량제어를 위한 초크 사이즈를 예측하는 것에 의해 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법이 제공됨으로써, 오일이나 가스의 생산량을 증가 또는 감소시키기 위해 유정제어를 수행시 정두에 위치한 초크 사이즈를 조절하기 위한 분석과 판단에 많은 시간이 소요되는 데 더하여, 그러한 초크 사이즈 조절은 전문 엔지니어에 의해 수행되어야 하므로 그만큼 비용이 증가하는 단점이 있었던 종래기술의 유정제어 시스템 및 방법들의 문제점을 해결할 수 있다. In addition, according to the present invention, by implementing the production amount control method using the artificial neural network in the digital oil field according to the present invention as described above, according to the present invention, by using the artificial neural network model, A production control method using an artificial neural network is provided in a digital oil field configured to reduce time and cost for choke size control by predicting a petroleum production amount to increase or decrease the production amount of oil or gas. In addition to the long time required for analysis and judgment for adjusting the choke size located at the head, such choke size adjustment must be performed by a professional engineer, The problem can be solved.
아울러, 본 발명에 따르면, 상기한 바와 같이 유정제어를 위한 분석과 판단을 전문 엔지니어에 의존함으로 인해 많은 시간과 비용이 요구되는 단점이 있었던 종래기술의 유정제어 시스템 및 방법들의 문제점을 해결하기 위해, 정두에서의 유량을 입력자료로 하고 이에 대한 출력자료로서 정두의 온도 및 압력과 저류층 압력 및 초크 사이즈를 예측하여 결정하도록 구성되는 인공신경망 모델을 이용하여, 현장 자료에서 획득한 입력변수를 통해 출력변수로서 유정을 제어하기 위한 초크 사이즈를 결정하도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법이 제공됨으로써, 유정제어를 위한 초크 사이즈 결정에 있어서 전문가의 판단을 대신할 수 있으므로 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있다. In addition, according to the present invention, in order to solve the problems of the conventional oil well control system and methods which require a lot of time and cost due to reliance on a professional engineer for analysis and judgment for oil well control as described above, Using the artificial neural network model, which is constructed to determine the flow rate at the dongdu as the input data and predict the temperature and pressure of the dongdu and the reservoir pressure and choke size as input data, It is possible to substitute expert judgment in determining the choke size for oil well control by providing the production amount control method using the artificial neural network in the digital oil field configured to determine the choke size for controlling the well, Time and money can be saved.
더욱이, 본 발명에 따르면, 상기한 바와 같이 인공신경망 모델을 이용하여 현장 자료에서 획득한 입력변수를 통해 출력변수로서 유정을 제어하기 위한 초크 사이즈를 결정하는 것에 의해 전문가의 판단을 대신할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법을 수행하도록 구성됨으로써, 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어시스템을 제공할 수 있다. Further, according to the present invention, as described above, by using the artificial neural network model, the choke size for controlling the well is determined as the output variable through the input variable obtained from the field data, The production amount control system using the artificial neural network can be provided in the digital oil field configured to reduce the time and cost for controlling the choke size.
이상, 상기한 바와 같은 본 발명의 실시예를 통하여 본 발명에 따른 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법의 상세한 내용에 대하여 설명하였으나, 본 발명은 상기한 실시예에 기재된 내용으로만 한정되는 것은 아니며, 따라서 본 발명은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 설계상의 필요 및 기타 다양한 요인에 따라 여러 가지 수정, 변경, 결합 및 대체 등이 가능한 것임은 당연한 일이라 하겠다. While the present invention has been described in detail with reference to the above-described embodiment, it is to be understood that the invention is not limited to the disclosed embodiments, It will be understood by those skilled in the art that various changes, modifications, combinations and substitutions may be made without departing from the scope of the present invention. .
Claims (11)
상기 처리는,
상기 디지털 오일필드에 구비되는 사물인터넷이나 무선인터넷을 통한 실시간 모니터링에 의해 상기 오일이나 상기 가스의 생산 및 운영과정에서 발생하는 데이터를 획득하는 데이터 수집단계;
상기 데이터 수집단계에서 획득된 데이터를 자기학습형 인공신경망 모델에 적용하여, 상기 정두에서의 오일유량, 가스유량, 물유량을 입력자료로 하고, 정두온도, 정두압력, 저류층압력 및 초크 사이즈를 출력자료로서 예측하여 결정하도록 구성되는 인공신경망 모델을 구축하는 것에 의해 상기 초크 사이즈의 제어를 위한 인공신경망 모델을 구축하는 인공신경망 모델 구축단계;
상기 인공신경망 모델 구축단계에서 구축된 상기 인공신경망 모델을 통하여 출력되는 결과값에 근거하여 상기 초크 사이즈의 조절을 수행하는 유정제어단계;
상기 디지털 오일필드로부터 취득된 상기 정두에서의 오일유량, 가스유량, 물유량, 정두압력, 정두온도, 저류층압력 및 초크 사이즈에 대한 미리 정해진 일정 기간 동안의 실측데이터를 훈련자료로서 상기 입력자료 및 상기 출력자료에 추가하여 상기 인공신경망 모델의 재학습을 수행하는 재학습단계; 및
미리 정해진 일정 주기마다 상기 재학습단계가 자동으로 반복 수행되는 반복학습단계를 포함하여 구성됨으로써,
상기 데이터 수집단계에서 수집된 현장 자료를 입력변수로 이용하여 상기 인공신경망 모델을 통해 상기 유정제어를 위한 상기 초크 사이즈가 출력변수로서 결정되고, 출력된 상기 초크 사이즈에 근거하여 상기 유정제어를 수행하여 상기 전문가의 판단을 대신하는 것에 의해 상기 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있으며,
실제 현장자료를 상기 입력자료 및 상기 출력자료에 추가하여 상기 인공신경망 모델의 재학습을 수행하는 것에 의해 상기 실제 현장자료와 예측된 출력자료 사이의 오차를 감소하고 상기 인공신경망 모델의 정확도를 향상시킬 수 있는 데 더하여,
미리 정해진 일정 주기마다 상기 재학습단계가 자동으로 반복 수행되는 것에 의해 상기 인공신경망 모델의 정확도를 높이는 동시에, 상기 인공신경망 모델의 정확도를 항상 일정 수준 이상으로 유지할 수 있도록 구성되는 것을 특징으로 하는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법.
Problems of prior art well control methods which have disadvantages in that time and cost are increased due to the dependence of experts on the analysis and judgment for adjusting the choke size located at the head of the well in the well control for increasing or decreasing the production amount of oil or gas In order to solve the above problem, an artificial neural network is used in a digital oil field configured to execute a series of processing to replace the adjustment of the chalk size by the expert using an artificial neural network, In the method of controlling the production amount used,
The above-
A data collecting step of acquiring data generated during the production and operation of the oil or the gas by real-time monitoring through the Internet or the wireless Internet provided in the digital oil field;
The data obtained in the data collecting step is applied to a self-learning type artificial neural network model, and the oil flow rate, gas flow rate and water flow rate at the dongle are used as input data, and the dongle temperature, dongle pressure, reservoir pressure, Constructing an artificial neural network model for constructing an artificial neural network model for controlling the choke size by constructing an artificial neural network model configured to predict and determine as data;
A well control step of controlling the choke size based on a result value output through the artificial neural network model constructed in the artificial neural network model building step;
The actual data for a predetermined period of time for the oil flow rate, the gas flow rate, the water flow rate, the duck head pressure, the duck head temperature, the reservoir pressure, and the choke size obtained from the digital oil field, A re-learning step of performing re-learning of the artificial neural network model in addition to output data; And
And an iterative learning step in which the re-learning step is automatically repeatedly performed at predetermined regular intervals,
The choke size for the well control is determined as an output variable through the artificial neural network model using the field data collected in the data collecting step as an input variable and the well control is performed based on the output choke size The time and cost for the choke size adjustment can be reduced by substituting the expert judgment,
By adding actual field data to the input data and the output data to perform re-learning of the artificial neural network model, an error between the actual field data and the predicted output data is reduced and the accuracy of the artificial neural network model is improved In addition to being able to,
Wherein the re-learning step is automatically and repeatedly performed at predetermined regular intervals to increase the accuracy of the artificial neural network model and to maintain the accuracy of the artificial neural network model at a constant level or higher at all times. A Method for Controlling Production Volume Using Artificial Neural Network in Field.
상기 인공신경망 모델 구축단계에서, 상기 인공신경망 모델은,
상기 입력자료가 입력되는 입력노드와 상기 출력자료가 출력되는 출력노드 사이에 적어도 하나의 은닉층을 더 포함하여 구성되는 것을 특징으로 하는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법.
The method according to claim 1,
In the artificial neural network model building step,
Further comprising at least one hidden layer between an input node for inputting the input data and an output node for outputting the output data.
상기 인공신경망 모델 구축단계에서, 상기 인공신경망 모델은,
상기 은닉층과 상기 출력노드 사이에 미리 정해진 훈련모델에 의해 산출된 가중치를 부여하도록 구성되는 것을 특징으로 하는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법.
5. The method of claim 4,
In the artificial neural network model building step,
And a weight value calculated by a predetermined training model is given between the hidden layer and the output node.
상기 인공신경망 모델 구축단계에서, 상기 인공신경망 모델은,
상기 인공신경망 모델의 훈련 알고리즘으로서 역전파 신경망(Backpropagation) 알고리즘을 이용하도록 구성되는 것을 특징으로 하는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법.
6. The method of claim 5,
In the artificial neural network model building step,
Wherein the backpropagation algorithm is used as a training algorithm of the artificial neural network model.
상기 유정제어 방법은,
상기 정두를 해답노드로 사용하여 노달 분석을 수행하며,
이때, 튜빙 거동곡선을 유입 거동곡선(Inflow performance relationship)으로 하고, 초크 거동곡선을 유출 거동곡선(Outflow performance relationship)으로 하여, 두 거동곡선의 교차점이 해당 노드에서의 운영압력(정두압력)과 운영유동량(오일, 가스, 물)을 의미하는 것에 의해 상기 입력자료와 상기 출력자료의 관계를 도출하도록 구성되는 것을 특징으로 하는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법.
The method according to claim 6,
The well control method includes:
Performing the nodal analysis using the dongle as a solution node,
In this case, it is assumed that the tubing behavior curve is an inflow performance relationship, the choke behavior curve is an outflow performance relationship, and the intersection points of the two behavior curves correspond to the operating pressure Wherein the relationship between the input data and the output data is derived by means of a flow amount (oil, gas, water).
A computer-readable recording medium on which is recorded a program configured to cause a computer to execute a method of controlling a production volume using an artificial neural network in a digital oil field according to any one of claims 1, 4, 6, .
입력자료를 입력하기 위한 입력부;
상기 입력부를 통하여 입력된 상기 입력자료에 근거하여 인공신경망을 통해 상기 유정제어를 위한 출력자료를 산출하여 출력하는 출력부; 및
상기 출력부에 의해 출력된 상기 출력자료에 근거하여 상기 유정제어를 수행하는 유정제어부를 포함하여 구성되고,
상기 출력부는,
청구항 1항, 청구항 4항 내지 청구항 6항 및 청구항 9항 중 어느 한 항에 기재된 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법을 이용하여, 유정 정두에서의 유량을 상기 입력자료 하여 상기 출력자료로서 상기 정두에서의 유량제어를 위한 초크 사이즈를 결정하는 처리과정이 수행되도록 구성됨으로써, 상기 전문가의 판단을 대신하는 것에 의해 상기 초크 사이즈 조절을 위한 시간과 비용을 절감할 수 있도록 구성되는 것을 특징으로 하는 디지털 오일필드에서 인공신경망을 이용한 생산량 제어시스템.
Problems of prior art well control systems, which have the disadvantage that time and cost increase due to the dependence of experts on the analysis and judgment to adjust the choke size located at the front of the well in the oil well control to increase or decrease the production amount of oil or gas In a digital oil field configured to be able to solve the above problem,
An input unit for inputting input data;
An output unit for calculating and outputting output data for the well control through an artificial neural network based on the input data input through the input unit; And
And a well control unit for performing the well control on the basis of the output data output by the output unit,
The output unit includes:
A flow rate control method using an artificial neural network in a digital oil field as set forth in any one of claims 1 to 9, And the choke size for controlling the flow rate of the chaff may be performed. Accordingly, it is possible to save time and cost for the choke size adjustment by substituting the expert judgment. Production Control System using Artificial Neural Network in Digital Oil Field.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150129560A KR101706245B1 (en) | 2015-09-14 | 2015-09-14 | Method for controlling production rate using artificial neural network in digital oil field |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150129560A KR101706245B1 (en) | 2015-09-14 | 2015-09-14 | Method for controlling production rate using artificial neural network in digital oil field |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101706245B1 true KR101706245B1 (en) | 2017-02-14 |
Family
ID=58121171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020150129560A KR101706245B1 (en) | 2015-09-14 | 2015-09-14 | Method for controlling production rate using artificial neural network in digital oil field |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101706245B1 (en) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102143A (en) * | 2018-06-19 | 2018-12-28 | 硕橙（厦门）科技有限公司 | A kind of yield monitoring method and device |
| KR102028046B1 (en) * | 2018-06-15 | 2019-10-02 | (주)한성중공업 | Apparatus and method for monitoring oil and gas well |
| WO2019241062A1 (en) * | 2018-06-10 | 2019-12-19 | Schlumberger Technology Corporation | Seismic data interpretation system |
| CN110688612A (en) * | 2019-09-06 | 2020-01-14 | 中国科学技术大学 | Multi-producing-layer oil well yield prediction method based on temperature logging data |
| CN110929989A (en) * | 2019-10-29 | 2020-03-27 | 重庆大学 | N-1 safety checking method with uncertainty based on deep learning |
| CN112036601A (en) * | 2020-07-23 | 2020-12-04 | 国网江苏省电力有限公司检修分公司 | Method and system for predicting oil temperature of synchronous phase modifier oil system |
| KR102188044B1 (en) * | 2019-11-29 | 2020-12-07 | 한남대학교 산학협력단 | Framework system for intelligent application development based on neuromorphic architecture |
| WO2021041251A1 (en) * | 2019-08-23 | 2021-03-04 | Landmark Graphics Corporation | Ai/ml and blockchained based automated reservoir management platform |
| CN113340438A (en) * | 2021-07-08 | 2021-09-03 | 电子科技大学 | Method for calibrating distance error of hot end component of aero-engine in non-contact temperature field |
| CN113361771A (en) * | 2021-06-04 | 2021-09-07 | 合肥工业大学 | Method and device for determining the pressure of a storage tank |
| CN114912364A (en) * | 2022-05-31 | 2022-08-16 | 中海石油（中国）有限公司天津分公司 | Natural gas well flow prediction method, device, equipment and computer readable medium |
| US11555943B2 (en) * | 2020-03-20 | 2023-01-17 | Saudi Arabian Oil Company | Method for identifying misallocated historical production data using machine learning to improve a predictive ability of a reservoir simulation |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090089677A (en) * | 2008-02-19 | 2009-08-24 | (주) 리더스 | Simplicity waterworks monitoring control system and the method of using neural-network |
| US20120168171A1 (en) * | 2010-12-29 | 2012-07-05 | Halliburton Energy Services, Inc. | Subsea pressure control system |
-
2015
- 2015-09-14 KR KR1020150129560A patent/KR101706245B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090089677A (en) * | 2008-02-19 | 2009-08-24 | (주) 리더스 | Simplicity waterworks monitoring control system and the method of using neural-network |
| US20120168171A1 (en) * | 2010-12-29 | 2012-07-05 | Halliburton Energy Services, Inc. | Subsea pressure control system |
Non-Patent Citations (1)
| Title |
|---|
| 김성일 외 2인. 유동안정성과 생산량을 고려한 2단 생산튜빙 디자인. 한국마린엔지니어링학회지 37(5), 2013.7, pp548-556(2013.7) 1부.* * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019241062A1 (en) * | 2018-06-10 | 2019-12-19 | Schlumberger Technology Corporation | Seismic data interpretation system |
| US11500115B2 (en) | 2018-06-10 | 2022-11-15 | Schlumberger Technology Corporation | Seismic data interpretation system |
| KR102028046B1 (en) * | 2018-06-15 | 2019-10-02 | (주)한성중공업 | Apparatus and method for monitoring oil and gas well |
| WO2019240515A1 (en) * | 2018-06-15 | 2019-12-19 | 주식회사 한성중공업 | Oil-gas well monitoring device and method |
| CN109102143A (en) * | 2018-06-19 | 2018-12-28 | 硕橙（厦门）科技有限公司 | A kind of yield monitoring method and device |
| CN109102143B (en) * | 2018-06-19 | 2020-08-07 | 硕橙（厦门）科技有限公司 | Yield monitoring method and device |
| GB2600296A (en) * | 2019-08-23 | 2022-04-27 | Landmark Graphics Corp | AI/ML and blockchained based automated reservoir management platform |
| GB2600296B (en) * | 2019-08-23 | 2024-06-12 | Landmark Graphics Corp | AI/ML and blockchained based automated reservoir management platform |
| WO2021041251A1 (en) * | 2019-08-23 | 2021-03-04 | Landmark Graphics Corporation | Ai/ml and blockchained based automated reservoir management platform |
| CN110688612A (en) * | 2019-09-06 | 2020-01-14 | 中国科学技术大学 | Multi-producing-layer oil well yield prediction method based on temperature logging data |
| CN110688612B (en) * | 2019-09-06 | 2021-07-06 | 中国科学技术大学 | Multi-producing-layer oil well yield prediction method based on temperature logging data |
| CN110929989A (en) * | 2019-10-29 | 2020-03-27 | 重庆大学 | N-1 safety checking method with uncertainty based on deep learning |
| CN110929989B (en) * | 2019-10-29 | 2023-04-18 | 重庆大学 | N-1 safety checking method with uncertainty based on deep learning |
| KR102188044B1 (en) * | 2019-11-29 | 2020-12-07 | 한남대학교 산학협력단 | Framework system for intelligent application development based on neuromorphic architecture |
| US11555943B2 (en) * | 2020-03-20 | 2023-01-17 | Saudi Arabian Oil Company | Method for identifying misallocated historical production data using machine learning to improve a predictive ability of a reservoir simulation |
| CN112036601B (en) * | 2020-07-23 | 2023-10-27 | 国网江苏省电力有限公司检修分公司 | Oil temperature prediction method and system for synchronous phase modulation engine oil system |
| CN112036601A (en) * | 2020-07-23 | 2020-12-04 | 国网江苏省电力有限公司检修分公司 | Method and system for predicting oil temperature of synchronous phase modifier oil system |
| CN113361771A (en) * | 2021-06-04 | 2021-09-07 | 合肥工业大学 | Method and device for determining the pressure of a storage tank |
| CN113340438A (en) * | 2021-07-08 | 2021-09-03 | 电子科技大学 | Method for calibrating distance error of hot end component of aero-engine in non-contact temperature field |
| CN113340438B (en) * | 2021-07-08 | 2022-05-03 | 电子科技大学 | Method for calibrating distance error of hot end component of aero-engine in non-contact temperature field |
| CN114912364A (en) * | 2022-05-31 | 2022-08-16 | 中海石油（中国）有限公司天津分公司 | Natural gas well flow prediction method, device, equipment and computer readable medium |
| CN114912364B (en) * | 2022-05-31 | 2024-05-17 | 中海石油（中国）有限公司天津分公司 | Natural gas well flow prediction method, device, equipment and computer readable medium |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101706245B1 (en) | Method for controlling production rate using artificial neural network in digital oil field | |
| AU2011357784B2 (en) | System and method for using an artificial neural network to simulate pipe hydraulics in a reservoir simulator | |
| EP1984860B1 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
| CA2437335C (en) | Optimization of reservoir, well and surface network systems | |
| US8504341B2 (en) | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
| US8805660B2 (en) | Method and system for coupling reservoir and surface facility simulations | |
| CA3003510C (en) | Emulsion composition sensor | |
| US20230358123A1 (en) | Reinforcement learning-based decision optimization method of oilfield production system | |
| CA2665122C (en) | System and method for performing oilfield simulation operations | |
| NO341307B1 (en) | Procedure for optimizing production from a group of wells | |
| AU2011357784A1 (en) | System and method for using an artificial neural network to simulate pipe hydraulics in a reservoir simulator | |
| CA2640727A1 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
| CA2883572A1 (en) | Model-driven surveillance and diagnostics | |
| Guyaguler et al. | Near-well-subdomain simulations for accurate inflow-performance-relationship calculation to improve stability of reservoir/network coupling | |
| NL2034735B1 (en) | Methods to perform real-time analysis of fluid flow in a well, methods to perform real-time analysis of a well operation, and real-time well operation systems | |
| US20240035362A1 (en) | Closed loop monitoring and control of a chemical injection system | |
| US20230407731A1 (en) | Methods to perform real-time analysis of fluid flow in a well, methods to perform real-time analysis of a well operation, and real-time well operation systems | |
| US11746924B2 (en) | Position sensor feedback for hydraulic pressure driven interval control valve movement | |
| Carpenter | Machine Learning Improves Accuracy of Virtual Flowmetering and Back-Allocation | |
| US20230313647A1 (en) | Methods to dynamically control fluid flow in a multi-well system, methods to dynamically provide real-time status of fluid flow in a multi-well system, and multi-well fluid flow control systems | |
| US20240060402A1 (en) | Method for obtaining unique constraints to adjust flow control in a wellbore | |
| Shields et al. | An Integrated Production Modelling workflow for CSG production forecasting and optimisation | |
| Mamghaderi et al. | The Effect of Model Error Identification on the Fast Reservoir Simulation by Capacitance-Resistance Model | |
| PAlrumah et al. | Predicting Well Inflow Performance in Solution Gas Drive Reservoir by Neural Network | |
| Amoako-Yirenkyi et al. | Optimal Spline Based Gas-Lift Allocation Using Lagrange's Multiplier |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20200203 Year of fee payment: 4 |