Présentation

L'analyse des courbes de déclin est une pierre angulaire de l'ingénierie des réservoirs, fournissant les prévisions qui sous-tendent la planification du développement des champs, l'estimation des réserves et l'évaluation économique.Depuis des décennies, l'industrie s'appuie sur deux familles distinctes de modèles : des méthodes empiriques, fondées sur les données, qui s'adaptent à la production historique à des fonctions mathématiques simples, et des modèles mécaniques fondés sur la physique qui tentent d'honorer les équations gouvernantes du flux de fluides dans des milieux poreux. Chaque approche comporte des compromis inhérents.

Les ingénieurs ont besoin de prévisions à la fois précises et robustes, surtout lorsque les données de production sont limitées ou bruyantes. En intégrant les contraintes physiques, les modèles hybrides réduisent le risque de suradaptation et d'amélioration des performances dans des conditions changeantes telles que l'épuisement de la pression, l'interférence dans les puits ou la stimulation. Cet article examine le paysage des modèles empiriques et basés sur la physique, puis se penche sur la conception, les avantages et les défis des solutions hybrides.

Modèles de déclin empirique

Les modèles empiriques traitent le taux de production en fonction du temps, dépourvus de la physique sous-jacente des réservoirs. Leur simplicité est leur principal avantage: ils ne nécessitent que des données de production, s'adaptent rapidement et produisent des prévisions immédiates.

q(t) = qi / (1 + b D[i t)[1/b

où qi est le taux initial, D[i est le taux initial de déclin, et b est l'exposant du déclin. Les modèles Arps couvrent des déclins exponentiels (b=0), hyperboliques (0<b<1) et harmoniques (b=1). Ils sont largement utilisés pour les réservoirs conventionnels à flux dominé par les limites, mais leur application à des puits non conventionnels – qui présentent souvent un débit linéaire ou bilinéaire étendu – conduit à des valeurs b] supérieures à 1, une impossibilité physique pour les conditions dominées par les limites.

Duong (2011) a introduit un modèle adapté aux réservoirs fracturés avec un débit linéaire transitoire:

q(t) = qi t-n exp[(a/(1-n)) (t1-n - 1)]

où a et n sont des paramètres adaptés. Le modèle de Duong surpasse souvent les Arps hyperboliques dans la phase transitoire de la vie précoce, mais peut surestimer la production à long terme. Le modèle de croissance logistique (Clark et al., 2011) et le modèle exponentiel étendu sont également communs. Chaque approche empirique a un domaine de validité limité; l'extrapolation bien au-delà de la fenêtre d'étalonnage n'est pas fiable, surtout lorsque les conditions de réservoir ou d'exploitation diffèrent de celles dans lesquelles l'ajustement a été effectué.

Modèles de déclin basés sur la physique

Les modèles basés sur la physique intègrent explicitement les équations qui régissent le débit de fluide, l'hydraulique des puits et les caractéristiques du réservoir, allant de solutions analytiques pour les géométries idéales aux simulateurs de réservoir numériques complets. Les courbes de type Fetkovich (1980) combinent, par exemple, le déclin des Arps avec des solutions analytiques pour le prélèvement à taux constant et le débit dominé par les limites.

Pour les réservoirs complexes, les puits horizontaux à plusieurs étages, qui sont rompus hydrauliquement dans les schistes, construisent souvent des modèles numériques qui simulent le débit multiphasé, la géomécanique et les changements de conductivité des fractures. Ces modèles peuvent représenter des processus physiques tels que le blocage de l'eau, la désorption des gaz et la perméabilité dépendante du stress. Cependant, leur compétence prédictive dépend fortement de la qualité des données d'entrée (porosité, perméabilité, perméabilité relative, géométrie de fracture, PVT) et de l'étalonnage par rapport à l'historique de production.

Approches de modélisation hybride

Les modèles hybrides sont conçus pour combler l'écart entre la commodité et la cohérence physique, et plusieurs stratégies ont été mises en place, chacune comportant des méthodologies et des domaines d'application distincts.

Étalonnage séquentiel des modèles de physique avec empirique

Un schéma hybride commun utilise des modèles empiriques pour initialiser ou restreindre une prévision basée sur la physique. Par exemple, un exposant du déclin d'Arps b peut être utilisé pour déduire le régime de débit (p. ex. b=2 pour le flux linéaire pur), ce qui informe ensuite les paramètres d'une solution analytique.

Modèles empiriques formés par la physique

Une autre approche impose des contraintes physiques directement sur l'ajustement empirique de la courbe. Par exemple, le taux de déclin D pourrait être forcé de suivre une forme fonctionnelle attendue dérivée de l'équilibre matériel, de sorte que le modèle ne puisse pas violer la conservation de la masse. De même, les fonctions hybrides de déclin peuvent intégrer des relations linéaires à partir de l'analyse du régime d'écoulement (p. ex., un flux linéaire dans un q vs. 1/=t graphique) tout en permettant toujours aux paramètres empiriques de s'ajuster aux données. Un exemple bien connu est le modèle de Power-Law Exponental (PLE)[ qui généralise le déclin exponentiel en insérant un exposant de la loi de puissance : q(t) = qi]]exp(-a t]nn[FLT:]

Correction des modèles de physique par des données

Dans cette catégorie, un modèle de physique fournit une prévision de base et une couche d'apprentissage empirique ou machine corrige les résidus. Par exemple, un simulateur numérique peut générer une tendance de déclin de premier ordre, et un processus gaussien ou un réseau neuronal est formé pour prédire la différence entre les taux observés et simulés. Le modèle combiné conserve la structure physique du simulateur mais apprend des erreurs systématiques, calibrant efficacement le modèle de physique pour les données observées sans re-simuler. Cette méthode est particulièrement efficace lorsque plusieurs puits partagent la même géologie – le modèle d'erreur peut tirer parti de l'information sur les puits croisés.

Apprentissage par machine en Physique

Les récents progrès dans l'apprentissage profond ont introduit les réseaux neuronaux éclairés en physique (PINNs), qui intègrent le PDE dominant (p. ex., l'équation de diffusion) comme terme de régularisation dans la fonction perte.Pour les applications de courbe de déclin, un PINN peut être formé à la vitesse de sortie par rapport au temps tout en pénalisant les prédictions qui violent l'équilibre matériel ou les résidus d'équation de flux.

Études de cas et applications

Dans un document de la SPE de 2020 (SPE-201571-MS), les chercheurs ont développé une approche hybride qui a couplé un modèle numérique basé sur l'équilibre matériel avec un réseau neuronal formé sur les données de production sur le terrain de la Bakken. La prévision hybride a réduit l'erreur de la moyenne-carré de la racine de 30% par rapport aux Arps purs et de 18% par rapport au modèle physique non corrigé. Une autre étude (Miao et al., 2022, Journal of Petroleum Science and Engineering) a proposé un modèle de données de physique-contrainte pour les puits Marcellus, où un déclin de type Duong a été modifié en utilisant un terme intégral exponentiel tiré de la solution de pression transitoire.

Les opérateurs de terrain utilisent également des modèles hybrides indirectement par le biais de plates-formes logicielles qui mélangent RTA avec un ajustement de courbe statistique. Par exemple, les outils commerciaux (IHS Harmony[ ou Fekete RTA[) permettent aux utilisateurs d'imposer des contraintes de régime de flux sur des ajustements empiriques, créant ainsi un flux de travail hybride.

Les défis dans le développement de modèles hybrides

Malgré leur promesse, les modèles hybrides doivent relever plusieurs défis durables. Premièrement, l'intégration de différents cadres de modélisation[ exige une attention particulière aux échelles de temps, aux conditions limites et à la validation.Un modèle séquentiel qui utilise une adaptation empirique pour initialiser une simulation physique peut propager des erreurs si la adaptation empirique est faible.

Deuxièmement, la qualité et la quantité des données[ demeurent des facteurs limitatifs.Les modèles basés sur la physique exigent des détails de pression, de propriétés fluides et d'achèvement; les modèles empiriques ont besoin d'un historique de production fiable.Les modèles hybrides héritent des faiblesses des deux si les données sont rares ou peu fiables.

Troisièmement, les dépenses de computation[ peuvent être une barrière.L'utilisation d'un simulateur de réservoir complet pour des milliers de puits dans un flux de travail quotidien de prévision est peu pratique.Même des modèles analytiques de physique réduite, couplés à une optimisation itérative, peuvent devenir trop lents pour des applications en temps réel.

Quatrièmement, la sélection et la validation des modèles ne sont pas des modèles triviaux. Avec un modèle hybride, l'ingénieur doit décider quelles contraintes physiques imposer et combien de poids leur donner par rapport à la valeur des données. Surconstraining la physique peut réduire la capacité du modèle à correspondre à l'histoire, tandis que sous-constraining conduit à un surajustement empirique pur. Il n'y a pas de recette universelle; chaque réservoir et bien réglé nécessite un réglage.

Orientations futures

L'évolution des modèles hybrides de déclin sera guidée par des progrès dans quatre domaines : apprentissage automatique, assimilation des données, surveillance en temps réel et jumeaux numériques.

Apprentissage automatique et découverte de la physique automatique

Par exemple, identification par l'espace de la dynamique non linéaire (SINdy)[ peut extraire les équations régissant directement les courbes de temps de vitesse, produisant des modèles à la fois axés sur les données et parcimonieux. Lorsqu'ils sont combinés avec des connaissances physiques antérieures (p. ex., équilibre matériel), ces méthodes peuvent générer automatiquement des modèles hybrides interprétables. De nombreux chercheurs travaillent sur répertoires neuronaux encombrés de physique qui maintiennent la mémoire de flux transitoire, remplaçant potentiellement les courbes de type PRMS (Probabilistic Resource Management System) par des représentations apprises qui respectent toujours la diffusion de pression.

Assimilation des données et mise à jour continue

Les filtres et filtres à particules de l'ensemble Kalman permettent aux modèles hybrides de se mettre à jour à mesure que de nouvelles données de production arrivent. Au lieu d'une seule prévision statique, le modèle évolue avec le temps, réajustant les paramètres empiriques et les entrées de physique (p. ex. multiplicateurs de perméabilité). Ce cadre boucle fermée est déjà utilisé dans certains domaines intelligents, mais demeure rare pour l'analyse systématique des courbes de déclin.

Jumelles numériques pour le cycle de vie du puits

Une extension naturelle est le jumeau numérique bien spécifique, un modèle continuellement mis à jour qui combine les simulateurs de physique avec des données de production en temps réel, des essais de puits et des journaux opérationnels. La composante de prévision hybride passerait automatiquement entre les modèles basés sur la détection du régime de débit, en utilisant des formules empiriques pour les phases transitoires et en passant à l'équilibre matériel physique pour les périodes dominées par les frontières.

Conclusion

En conservant la simplicité et la puissance de l'application des données des méthodes empiriques tout en ancreant les prévisions aux lois physiques, elles abordent les limites de chaque approche pure. Le domaine évolue rapidement, les innovations en apprentissage automatique et en assimilation des données étant prêtes à fournir des modèles auto-étalonnage, adaptatifs et capables de gérer les complexités des réservoirs non conventionnels. Pour les ingénieurs et les gestionnaires d'actifs, la connaissance de ces techniques hybrides n'est plus facultative, elle est essentielle pour une évaluation fiable des ressources et un développement optimisé du champ dans une ère d'abondance de données et de puissance de calcul.