Ces techniques avancées permettent aux entreprises d'optimiser les opérations de forage, de réduire les coûts et d'améliorer la sécurité. Comme l'industrie est confrontée à une complexité croissante à partir de réservoirs plus profonds, de formations non conventionnelles et de réglementations environnementales plus strictes, l'apprentissage automatique offre des solutions innovantes pour rationaliser les processus décisionnels. En tirant parti de grandes quantités de données historiques et en temps réel, les opérateurs peuvent passer d'une planification réactive à une planification prédictive et prescriptive, en fin de compte fournir des puits plus productifs, plus sûrs et moins coûteux pour forer.

Le rôle de l'apprentissage automatique dans la planification des puits

La planification des puits comporte de nombreuses étapes, dont l'analyse géologique, la modélisation des réservoirs, l'élaboration de stratégies de forage et l'estimation des coûts. Traditionnellement, ces étapes sont des processus qui prennent beaucoup de temps et qui reposent fortement sur le jugement d'experts, les itérations d'essai et d'erreur et les modèles statiques.

Analyse des données et prévision

Les modèles d'apprentissage automatique traitent les données des levés sismiques, des registres de puits, des rapports de forage et des relevés historiques de forage. Ils identifient les modèles et les corrélations que les humains pourraient ignorer. Cela permet de prédire plus précisément les formations géologiques, les propriétés rocheuses et le comportement des réservoirs, réduisant les incertitudes dans la planification.

Paramètres de forage optimisés

Les algorithmes peuvent recommander des paramètres de forage optimaux tels que le poids sur le bit, les débits de boue, le poids de boue et les vitesses de rotation du bit. En apprenant en permanence de données en temps réel en continu par des capteurs de surface et des outils de trous d'aval, ces modèles aident à prévenir des problèmes comme les tuyaux bloqués, la circulation perdue ou les évacuations, économisent temps et ressources.

Surveillance en temps réel et planification adaptative

Les systèmes modernes d'apprentissage automatique s'intègrent aux systèmes de contrôle de surveillance et d'acquisition de données (SCADA) pour fournir des alertes et des recommandations en temps réel. Par exemple, si un modèle détecte que la pression interstitielle est en train de se faire sentir au-dessus de la fenêtre de la masse de boue, il peut immédiatement conseiller à l'équipe de forage d'ajuster le poids de la boue ou la profondeur du boyau. Cette capacité est particulièrement critique pour les environnements en eau profonde et haute pression/haute température où les marges sont minces et les conséquences des erreurs sont graves.

Principales techniques d'apprentissage de la machine utilisées dans la planification de puits

Plusieurs catégories d'apprentissage automatique sont déployées dans le flux de travail de planification des puits. La compréhension de ces techniques aide les praticiens à choisir l'outil approprié pour chaque sous-problème, de l'interprétation sismique à l'optimisation du forage.

Apprentissage supervisé pour la modélisation prédictive

Les algorithmes d'apprentissage supervisés sont formés à des ensembles de données étiquetés, par exemple des logs appariés à des mesures de base, pour prédire des valeurs continues (régression) ou des classes de classification (classification). Les algorithmes courants comprennent des forêts aléatoires, des machines vectorielles de soutien, des gradients et des réseaux neuraux profonds.

Apprentissage sans supervision pour la découverte de motifs

Dans le cadre de la planification, ces techniques aident à identifier des faciès géologiques distincts des réponses logarithmiques, des puits de regroupement ayant des caractéristiques de performance similaires et à détecter des événements de forage anormaux qui peuvent indiquer une défaillance de l'équipement ou des dommages à la formation.

Renforcement de l'apprentissage pour la prise de décisions séquentielles

Les agents de RL apprennent une politique qui établit des états (p. ex., profondeur du courant, poids sur le bit, couple) aux actions (p. ex., augmentation du débit de boue, réduction du débit de la boue) pour maximiser un signal de récompense cumulatif (p. ex., minimiser le coût par pied). Des études récentes ont démontré que les contrôleurs basés sur la RL peuvent réduire le temps de forage de 15 à 30 % dans des environnements simulés, les essais sur le terrain montrant des résultats prometteurs.

Apprentissage profond pour la reconnaissance des modèles complexes

Des architectures d'apprentissage approfondi, y compris des réseaux neuronaux convolutionnels (RNC), des réseaux neuronaux récurrents (RNN) et des transformateurs, sont appliquées à l'interprétation sismique, au positionnement des puits et à la prévision de la production. Les RCN peuvent automatiquement détecter les failles et les canaux dans les volumes sismiques, tandis que les RNN peuvent modéliser les dépendances temporelles dans les paramètres de forage pour prédire les défaillances naissantes.

Avantages de l'apprentissage automatique dans la planification de puits

L'adoption de la machine learning apporte des améliorations tangibles sur tout le cycle de vie du puits, de l'exploration à l'abandon. Les avantages suivants sont particulièrement importants pour les programmes de forage à forte intensité de capital.

  • Précision accrue:[ De meilleures prédictions conduisent à un placement plus précis des puits, à une diminution de l'incertitude géologique et à un moins grand nombre de voies latérales.
  • Réduction des coûts:[ Les opérations optimisées réduisent les dépenses inutiles, y compris le temps de la plate-forme, les services de tiers et les coûts du matériel.
  • Efficacité du temps:[ Une analyse plus rapide accélère les processus décisionnels. Une fois que la modélisation manuelle a été nécessaire, les semaines peuvent maintenant être réalisées en heures ou en minutes, ce qui permet aux équipes d'évaluer davantage de scénarios et de prendre des décisions fondées sur les données plus tôt dans le cycle de planification.
  • Gestion des risques:[ La détection précoce de problèmes potentiels – tels que la pression interstitielle anormale, les formations instables ou les dangers de forage – améliore la sécurité et réduit les risques environnementaux.
  • Consistance et scalabilité:[ Les workflows automatisés réduisent la variabilité introduite par les experts individuels et permettent une application cohérente des meilleures pratiques dans tout le domaine ou le bassin.
  • Incertitude Quantification:[ Les méthodes d'apprentissage automatique probabilistes fournissent non seulement des prédictions ponctuelles, mais aussi des intervalles de confiance, permettant la prise de décisions fondées sur le risque et des estimations probabilistes des coûts.

Défis et considérations

Malgré ses avantages, l'intégration de l'apprentissage automatique dans la planification bien conçue est confrontée à plusieurs défis importants qui doivent être relevés pour réaliser le plein potentiel de ces technologies.

Qualité et disponibilité des données

Les modèles d'apprentissage automatique sont aussi bons que les données sur lesquelles ils sont formés. Des normes de données incohérentes, des journaux manquants, une mauvaise résolution des échantillons et des erreurs de mesure peuvent conduire à des prédictions biaisées ou peu fiables. Un puits peut générer des téraoctets de données, mais seule une fraction peut être étiquetée ou nettoyée pour la modélisation.

Modèle d'interprétation

Dans la planification, où la sécurité et la conformité réglementaire sont primordiales, les ingénieurs et les gestionnaires doivent comprendre pourquoi un modèle recommande une trajectoire ou un paramètre particulier. Des techniques d'IA explicables, telles que les valeurs SHAP, LIME et les mécanismes d'attention, sont en cours de développement pour fournir des explications post-hoc, mais il faut plus de travail pour intégrer l'interprétation dans le processus de modélisation.

Expertise spécialisée et gestion du changement

Pour construire et déployer des modèles d'apprentissage automatique, il faut des compétences souvent rares dans les équipes traditionnelles de génie pétrolier, c'est-à-dire la science des données, l'ingénierie des logiciels et l'infrastructure cloud. Les entreprises doivent investir dans la formation, l'embauche ou le partenariat avec des entreprises spécialisées pour combler cette lacune.

Intégration avec les flux de travail et les systèmes existants

La planification des puits est une activité multidisciplinaire impliquant des géoscientifiques, des ingénieurs de réservoirs, des ingénieurs de forage et des contrôleurs de coûts. Les modèles d'apprentissage automatique doivent être intégrés aux plateformes logicielles existantes (p. ex. Petrel, Landmark, Compass) et aux dépôts de données pour être utiles.

Considérations en matière de réglementation et de responsabilité

Lorsqu'un modèle d'apprentissage automatique fait une recommandation qui mène à un événement de contrôle ou à un incident environnemental, des questions de responsabilité et de responsabilité se posent. Dans de nombreux pays, les règlements exigent que les décisions touchant l'intégrité du bien soient prises par du personnel qualifié.

Orientations futures

L'application de l'apprentissage automatique à la planification du bien en est encore à ses débuts, et des progrès rapides sont attendus dans plusieurs domaines au cours de la prochaine décennie.

Planification adaptative en temps réel

À mesure que le calcul de bord et les communications 5G deviennent plus fiables sur les plates-formes de forage, les modèles d'apprentissage automatique pourront fonctionner en temps réel, adaptant le plan de puits à l'arrivée de nouvelles données. Par exemple, un système pourrait automatiquement ajuster le point d'atterrissage cible si des failles inattendues sont rencontrées lors du forage, sans attendre qu'une équipe à terre réoptimise le plan.

Systèmes autonomes de forage

Des systèmes de forage entièrement autonomes, guidés par l'apprentissage automatique, sont testés par plusieurs opérateurs et entreprises de services. Ces systèmes peuvent gérer des opérations de routine, comme le trépied et l'alésage, avec une intervention humaine minimale, libérant des équipes hautement qualifiées pour des tâches plus complexes. La vision ultime est un système qui peut percer un puits de spud à profondeur totale en utilisant seulement une salle de contrôle de supervision, avec des algorithmes d'apprentissage automatique faisant toutes les décisions en temps réel dans les paramètres de sécurité définis.

Jumelles numériques et planification de bien-être virtuel

La technologie numérique à double usage, une réplique dynamique et basée sur les données du puits physique, combinée à l'apprentissage automatique, permet aux équipes de réaliser des milliers de simulations pour tester différentes stratégies de forage, programmes de boyaux et conceptions de finition dans un environnement sans risque. Ces environnements de planification de puits virtuels peuvent être utilisés pour former de nouveaux ingénieurs, optimiser les conceptions avant de faire du pudding et maintenir un record de vie du puits pour les interventions futures ou les ré-percussion.

Intégration avec la géomécanique et les fluides de forage

Les modèles hybrides qui combinent les modèles fondés sur les données et la physique des premiers principes seront plus robustes, surtout lorsqu'ils extrapolent au-delà de la distribution des données d'entraînement. Ces modèles peuvent prédire la stabilité des puits, les ruptures et les pertes de boue avec une plus grande fidélité, permettant un forage plus sûr et plus efficace dans des environnements difficiles tels que les puits d'eau profonde, sous-équilibrés et HPHT.

Formation en transfert trans-domaine

Les systèmes actuels d'apprentissage automatique ont pour limite que les modèles formés à l'aide de données provenant d'un bassin ou d'une formation ne réussissent souvent pas bien lorsqu'ils sont transférés dans un nouveau secteur. Les techniques d'apprentissage, où un modèle pré-formé est adapté à un petit ensemble de données locales, promettent de réduire cette barrière.

Durabilité et réduction des émissions

Par exemple, les modèles peuvent recommander des réglages de puissance de la plate-forme, des mélanges de carburant et des vitesses de pompe qui minimisent les émissions de CO2 par pied foré. À plus long terme, l'apprentissage de la machine jouera un rôle dans la conception de puits pour le stockage du carbone et la production d'énergie géothermique, en diversifiant davantage les applications de la technologie.

Conclusion

De la modélisation prédictive des formations géologiques à l'optimisation en temps réel des paramètres de forage, la technologie permet de remédier à de nombreuses inefficacités des méthodes traditionnelles. Bien que des défis liés à la qualité, à l'interprétation et à l'intégration des données demeurent, les progrès continus dans les modèles de données de physique de pointe, de calcul de bord et d'hybride expliquent constamment ces obstacles. Comme l'industrie continue d'adopter ces méthodes à grande échelle, la planification des puits passera d'une discipline statique, axée sur les experts à un processus dynamique, axé sur les données et hautement automatisé. Les entreprises qui investissent maintenant dans la construction de l'infrastructure de données, les compétences et les capacités de gestion du changement seront mieux placées pour saisir les avantages concurrentiels importants que l'apprentissage par machine offre.