La nouvelle frontière : l'intelligence artificielle dans l'exploration pétrolière

L'intelligence artificielle (IA) est devenue une force de transformation dans toutes les industries et l'exploration pétrolière est à l'avant-garde de ce changement. Le secteur pétrolier et gazier, traditionnellement tributaire des méthodes analogiques et de l'expertise humaine, intègre maintenant l'IA pour interpréter des données complexes sur la surface souterraine, réduire les risques opérationnels et accélérer les délais de découverte.

La demande mondiale d'énergie continue de croître et les réservoirs faciles à trouver ont été largement exploités, ce qui oblige les équipes d'exploration à fonctionner dans des environnements de plus en plus difficiles, dans des bassins d'eau profonde, dans des régions arctiques et dans des formations géologiques complexes. L'IA offre une voie à suivre en tirant des enseignements concrets des levés sismiques, des bûches de puits et de l'historique de la production, réduisant ainsi l'incertitude et améliorant l'affectation des capitaux.

L'évolution des technologies d'exploration

L'exploration pétrolière a toujours été une discipline à forte intensité de données. Les premiers prospecteurs ont fait appel à des infiltrations de surface et à des cartes géologiques. L'introduction de la technologie de réflexion sismique dans les années 1920 a donné aux explorateurs un moyen d'imager les structures souterraines.

L'IA et l'apprentissage automatique représentent la prochaine étape logique de cette progression. Au lieu de se fier uniquement aux analystes humains pour choisir des horizons, identifier les défauts et classer les lithologies, les systèmes d'IA peuvent traiter des volumes sismiques entiers en une fraction du temps. Ces systèmes apprennent des exemples marqués puis généralisent à de nouvelles données, en faisant apparaître des anomalies qui pourraient indiquer des accumulations d'hydrocarbures.

Au-delà de l'interprétation sismique, l'IA touche maintenant toutes les étapes du cycle de vie de l'exploration : analyse de bassin, production de perspectives, planification de puits, opérations de forage et gestion des réservoirs.L'intégration de l'IA dans ces flux de travail ne se limite pas à la vitesse et à la masse de courant; elle vise à permettre des décisions qui étaient auparavant impossibles en raison de limites cognitives ou computationnelles.

Technologies de base de l'IA

Plusieurs branches de l'intelligence artificielle sont activement déployées dans l'exploration pétrolière, et la compréhension de ces technologies permet de mieux comprendre comment elles répondent à des défis géoscientifiques particuliers.

Apprentissage automatique et apprentissage approfondi

Dans l'exploration, les modèles ML sont formés sur les attributs sismiques marqués, les réponses des puits log ou les données de production pour prédire les propriétés des réservoirs. L'apprentissage profond, un sous-ensemble de ML qui utilise des réseaux neuraux avec de nombreuses couches, excelle dans les tâches de reconnaissance d'images telles que la détection de failles, la segmentation du corps de sel et la classification des faciès.

Vision informatique

Les techniques de vision informatique sont directement applicables à l'interprétation sismique parce que les données sismiques sont essentiellement une série d'images représentant la réflectivité subsurface.Les modèles de vision avancée peuvent détecter automatiquement les canaux, les récifs et d'autres caractéristiques de dépôt qui hébergent souvent les hydrocarbures.

Traitement des langues naturelles

Les outils du PNL peuvent analyser des milliers de documents pour identifier les analogues, les dangers de forage historiques ou les tendances régionales, en fournissant un contexte qui éclaire les nouveaux programmes d'exploration. Cette capacité est particulièrement utile pour les bassins frontaliers où les connaissances institutionnelles peuvent être dispersées dans des décennies de documents papier.

Renforcement de l'apprentissage et de l'optimisation

En simulant des milliers de scénarios de forage, l'IA peut recommander des trajectoires qui maximisent le contact avec le réservoir tout en minimisant le risque mécanique. Ces moteurs d'optimisation fonctionnent parallèlement à des opérations en temps réel, mettant à jour les recommandations à mesure que de nouvelles données arrivent du banc.

Principales applications de l'IA dans l'exploration pétrolière

Les applications pratiques de l'IA couvrent l'ensemble du flux de travail d'exploration. Voici les cas d'utilisation les plus pertinents actuellement déployés par les opérateurs et les entreprises de services.

Interprétation des données sismiques

L'interprétation sismique est l'endroit où l'IA apporte certains de ses gains les plus visibles. L'interprétation traditionnelle implique un analyste humain défilant à travers des lignes 2D ou des volumes 3D, ramassant manuellement des horizons et des défauts. Pour un vaste relevé 3D couvrant des centaines de kilomètres carrés, ce processus peut prendre des mois. Les outils d'interprétation basés sur l'IA, formés sur des milliers d'exemples interprétés manuellement, peuvent automatiquement sélectionner des horizons sur tout le volume en quelques heures.

L'identification du corps de sel est un autre domaine où l'IA excelle. Les formations de sel créent souvent d'excellents pièges à hydrocarbures, mais leur géométrie complexe fausse les signaux sismiques, rendant difficile l'interprétation manuelle.

Caractérisation et modélisation du réservoir

Une fois qu'une perspective est identifiée, la caractérisation du réservoir quantifie ses propriétés : porosité, perméabilité, saturation du fluide et épaisseur de la paye nette. L'IA intègre des données provenant de sources multiples et de mdash;sismiques attributs, des registres de puits, des mesures de base et des tests de production et de mdash;pour construire des modèles de réservoir 3D qui respectent toutes les informations disponibles.

L'apprentissage automatique accélère également le couplage historique, le processus d'ajustement d'un modèle de réservoir pour correspondre aux données de production observées. L'appariement historique traditionnel est itératif et à forte intensité de temps. Les workflows basés sur l'IA peuvent exécuter des centaines de simulations en parallèle, en harmonisant automatiquement les paramètres pour minimiser les erreurs de concordance.

Optimisation du forage et réduction des risques

L'IA aide à réduire le risque de forage en prédisant les formations dangereuses, en optimisant les trajectoires des puits et en surveillant les données de forage en temps réel. Les modèles prédictifs formés sur les puits de compensation peuvent prévoir la pression interstitielle, les gradients de fracture et les limites de lithologie avant le débit, ce qui permet des ajustements proactifs aux programmes de poids de boue et de tubage.

Les systèmes d'IA en temps réel analysent les données des capteurs de surface et de trous d'amont pour détecter les signes précoces de défaillance de l'équipement ou les conditions anormales de forage. Ces systèmes avertissent l'équipe de forage de potentiel de tuyaux bloqués, de circulation perdue ou d'événements de démarrage avant qu'ils ne s'aggravent, protégeant le personnel et l'investissement.

Entretien prédictif des biens d'exploration

Les opérations d'exploration dépendent de l'équipement spécialisé : navires sismiques, navires de forage, outils d'exploitation forestière et navires de soutien. Les temps d'arrêt imprévus sur l'un de ces actifs peuvent retarder les programmes d'exploration et augmenter les coûts. La maintenance prédictive fondée sur l'IA utilise les données des capteurs et les registres historiques de défaillance pour prévoir quand les composants risquent de échouer.

Prévisions de production et planification du développement sur le terrain

Les modèles d'IA formés à des champs analogues peuvent générer des prévisions de production anticipées pour une nouvelle découverte à l'aide de données limitées provenant de puits de découverte et de sismiques. Ces prévisions éclairent les décisions concernant le forage d'évaluation, le calibrage des installations et l'économie des projets.

Avantages de l'intégration de l'IA

Les entreprises qui intègrent l'IA avec succès dans leurs flux de travail d'exploration présentent plusieurs avantages mesurables.

Amélioration de l'exactitude et réduction de l'incertitude

Les modèles d'IA, une fois formés, appliquent la même logique à chaque point de données. Cette cohérence améliore la précision des interprétations structurales et stratigraphiques, ce qui permet de mieux estimer le volume et de mieux évaluer les risques.

Délais accélérés

Les projets d'exploration fonctionnent sous pression temporelle, surtout lorsque les conditions de licence exigent des engagements de forage sur une période déterminée. AI raccourcit les cycles d'interprétation de mois à semaines, permettant aux équipes d'évaluer plus de perspectives et de prendre des décisions plus rapides.

Réduction des coûts

En réduisant le risque de trou sec et en optimisant les opérations de forage, l'IA réduit directement les coûts d'exploration. Chaque puits qui identifie avec succès les hydrocarbures évite le coût d'un trou sec qui peut se chiffrer en eaux profondes à des dizaines de millions de dollars.

Sécurité accrue

Les systèmes de surveillance en temps réel alertent les équipages pour qu'ils puissent contrôler les événements potentiels avant qu'ils ne deviennent critiques. Les équipements autonomes ou à distance réduisent l'exposition humaine aux risques tels que les opérations à haute pression, les rejets de gaz toxiques et les ascenseurs lourds.

Avantages pour l'environnement

L'IA appuie également la caractérisation du site de captage et de stockage du carbone (SCC) en appliquant les mêmes techniques d'imagerie et de modélisation subsurface utilisées pour l'exploration des hydrocarbures pour identifier et surveiller les réservoirs de stockage appropriés. Cette capacité de croisement place l'IA comme un catalyseur de la transition énergétique, et non comme un outil d'extraction des combustibles fossiles.

Défis et limites

Malgré sa promesse, l'adoption de l'IA dans l'exploration pétrolière est confrontée à des obstacles importants que les entreprises doivent surmonter pour réaliser leur pleine valeur.

Qualité et quantité des données

Les modèles d'IA sont aussi bons que les données qu'ils forment. Les ensembles de données d'exploration sont souvent bruyants, incomplets ou étiquetés de façon incohérente. Différents modèles de données sismiques peuvent avoir des paramètres d'acquisition différents, ce qui rend difficile la formation d'un modèle unique qui fonctionne à travers les enquêtes.

Interprétabilité et confiance

De nombreux modèles d'IA, en particulier les réseaux neuronaux profonds, fonctionnent comme des boîtes noires : ils produisent des prédictions sans expliquer le raisonnement qui les sous-tend. Les géoscientifiques et les décideurs hésitent à donner suite aux recommandations qu'ils ne peuvent comprendre ou vérifier. Des méthodes d'IA explicables (XAI) émergent pour combler cette lacune, mais les outils prêts à la production qui s'intègrent aux logiciels d'exploration existants demeurent limités.

Coûts élevés de mise en œuvre

Le déploiement de l'IA à l'échelle exige des investissements dans l'infrastructure informatique, les plates-formes logicielles, les pipelines de données et les talents spécialisés.Les organismes d'exploration n'ont pas tous le budget ou l'engagement stratégique pour effectuer ces investissements.Les exploitants indépendants de moindre taille peuvent manquer de ressources pour concurrencer les grandes entreprises qui ont dédié des équipes d'IA.

Intégration avec les flux de travail hérités

L'intégration des prévisions d'IA dans les plateformes d'interprétation existantes, les systèmes de bases de données et les processus de rapport nécessite un développement personnalisé et une gestion du changement. Les employés habitués aux méthodes traditionnelles peuvent résister à l'adoption d'outils axés sur l'IA, surtout s'ils perçoivent la technologie comme une menace pour leur expertise.

Considérations réglementaires et éthiques

Si un modèle d'IA recommande un emplacement bien sec, qui est responsable? Les cadres réglementaires de l'IA dans le secteur du pétrole et du gaz sont toujours en évolution et les entreprises doivent se pencher sur les questions de responsabilité, de propriété intellectuelle et de confidentialité des données. De plus, l'utilisation de l'IA pour optimiser l'extraction des hydrocarbures soulève des questions éthiques à une époque de changement climatique et de transition énergétique.

Orientations futures

La trajectoire de l'IA dans l'exploration pétrolière indique une plus grande autonomie, une intégration plus profonde et une application plus large au-delà des hydrocarbures.

Systèmes autonomes d'exploration

La prochaine frontière est l'exploration entièrement autonome, où les systèmes d'IA gèrent tout, de la conception d'acquisition sismique au classement de la perspective sans intervention humaine. Bien que la pleine autonomie reste à plusieurs années, des étapes progressives sont déjà visibles : traitement sismique automatisé, planification de puits pilotée par l'IA et systèmes de forage robotique.

Intégration avec les Twins numériques

Dans l'exploration, un jumeau numérique d'un réservoir peut intégrer des données sismiques, des données de puits et des données de production dans un modèle unique et vivant qui évolue à mesure que de nouvelles informations arrivent. L'IA alimente la couche analytique des jumelles numériques, détecte les anomalies, exécute des simulations et recommande des actions. La combinaison de jumelles numériques et d'IA permet une optimisation continue des activités d'exploration et de développement, réduisant les temps de cycle et améliorant les facteurs de récupération.

AI pour les applications de transition énergétique

Les compétences en sous-sol développées pour l'exploration pétrolière s'appliquent directement aux technologies de transition énergétique. L'IA est déjà utilisée pour caractériser les sites de captage et de stockage du carbone (CCS) et d'énergie géothermique. Les mêmes techniques d'interprétation sismique et de modélisation des réservoirs qui trouvent du pétrole et du gaz peuvent identifier des formations rocheuses poreuses adaptées à l'injection de CO2 ou à l'extraction de chaleur.

L'IA collaborative et l'augmentation humaine

Les systèmes d'IA collaboratifs présentent les géoscientifiques avec des interprétations de candidats, mettent en évidence les anomalies et quantifient l'incertitude, permettant à l'expert humain de se concentrer sur les décisions les plus critiques. Ce modèle de partenariat conserve l'expérience et l'intuition d'interprètes qualifiés tout en tirant parti de la vitesse et de la cohérence de l'IA.

Incidences sur l'éducation et l'industrie

L'intégration de l'IA dans l'exploration pétrolière a des implications sur la formation des géoscientifiques et des ingénieurs. Les universités mettent à jour les programmes d'études pour inclure la science des données, l'apprentissage automatique et la programmation aux côtés des cours traditionnels de géologie et de géophysique. Les étudiants qui obtiennent leur diplôme avec à la fois l'expertise du domaine et les compétences en AI seront une prime sur le marché du travail.

La collaboration de l'industrie est également à l'origine de l'adoption de l'IA. Des consortiums tels que les Schlumberger Innovation Centers[ et IHS Markit[ (qui font maintenant partie de S&P Global) fournissent des repères, des ensembles de données de formation et des pratiques exemplaires pour l'IA en exploration.

Conclusion

L'intelligence artificielle n'est pas une tendance à la disparition de l'exploration pétrolière, mais une évolution fondamentale de la façon dont les données sur le fond sont analysées, prises de décisions et gérées par les risques.De l'interprétation sismique et de la modélisation des réservoirs à l'optimisation des forages et à l'entretien prédictif, l'IA permet de mesurer les gains en précision, en vitesse, en rentabilité et en sécurité.

Toutefois, pour réaliser le plein potentiel de l'IA, il faut surmonter les véritables défis : la qualité des données, l'interprétation des modèles, les coûts de mise en oeuvre et l'intégration avec les flux de travail existants.

Les mêmes capacités d'IA qui améliorent l'exploration des hydrocarbures aujourd'hui sont également applicables au stockage du carbone, à l'énergie géothermique et à d'autres défis de la subsurface.À mesure que l'industrie énergétique passe à un avenir à faible intensité de carbone, les compétences et les outils mis au point pour l'exploration de l'IA resteront pertinents et précieux.Pour les professionnels du domaine, rester informé de ces technologies n'est pas facultatif et il est essentiel pour la pertinence de la carrière à long terme et pour contribuer à une industrie énergétique plus efficace, plus sûre et plus respectueuse de l'environnement.