쓰촨 남부 중·심층 셰일 가스 개발 과정에서 균열 확장, 응력 유도 분석, 수치 시뮬레이션 등 기존의 유전·가스전 공학 방법으로 인해 밀집정의 예측 작업은 번거롭고, 생산 단계별 생산 능력 차이에 효과적으로 대응할 수 없으며, 적용 조건이 까다롭다. 빠르고 정확하게 밀집정 생산 능력을 예측하기 위해, 기존 정압 곡선이 추세적 ‘3단계’ 감소 특징을 나타내는 것을 바탕으로 급격한 하락기를 초기 산수기, 급격한 하락기와 완만한 하락기를 후기 산기 두 부분으로 구분하였다. 최적화 속도가 빠르고 적응성 및 정보 피드백 메커니즘이 있는 회색늑대 최적화 알고리즘(GWO)을 사용하여 장단기 기억 네트워크(LSTM) 신경망 모델의 하이퍼파라미터를 최적화하였다. GWO가 계산한 은닉층 뉴런 수, 패킷 손실률, 배치 크기로 전·후기 모델을 각각 구축하고, 손실 곡선 및 성능 지표 곡선을 통해 반복 횟수를 결정하였다. 선형 학습률 워밍업 방법으로 학습률을 동적으로 조절하여 고속 학습 과정을 실현하여 단계별 생산량 예측 모델을 형성하였다. 사례 연구 결과, 사전 설정된 학습률 0.002, 반복 450회 조건하에서 GWO 최적화된 LSTM 신경망 모델은 단시간 내 빠르게 수렴할 수 있었으며, 최종 성능 지표는 0.923에 도달하였다. GWO 최적화된 LSTM 모델은 기존 LSTM 모델 예측 결과와 비교하여 전·후기 평균 절대 오차가 각각 1.290 m³/일 및 0.213×10⁴ m³/일 감소하였으며, 수치 시뮬레이션 피팅 결과와 비교하여 가스 생산량 예측의 평균 절대 오차는 0.24×10⁴ m³/일 감소하였다. 따라서 개선된 LSTM 모델은 다양한 생산 단계에서의 생산 능력 예측에서 우수한 성능을 보였으며, 해당 단계 모델은 쓰촨 남부 중·심층 셰일 가스 밀집정의 생산 능력 변화를 정확히 예측하여 밀집정 생산 능력 예측 방법에 이론적 기반을 제공한다.

셰일가스;밀집정;신경망;GWO;생산능력예측