Les ingénieurs doivent naviguer dans un ensemble complexe de paramètres interdépendants, allant de la géométrie de perforation et de la stimulation de la chimie des fluides à l'architecture de contrôle du sable, pour construire un système qui maximise la récupération tout en gérant les coûts et les risques opérationnels. Les méthodes d'optimisation conventionnelles, y compris la simulation numérique en physique intégrale et l'analyse univariée de sensibilité, sont souvent exigeantes en temps et peuvent lutter pour saisir les interactions de haut niveau qui existent entre les paramètres d'achèvement et les caractéristiques du réservoir.

Comprendre la conception de l'achèvement des puits

L'achèvement du puits comprend l'ingénierie et l'installation de l'équipement et des procédés nécessaires pour mettre un puits en production après la fin du forage. Cette phase traduit le potentiel théorique du réservoir en flux physique d'hydrocarbures. Les éléments clés d'un plan d'achèvement peuvent être classés dans la plus basse des étapes, qui se relie directement à la formation, et la plus haute des étapes, qui relie la plus basse des étapes à la tête de puits et aux installations de surface.

Les paramètres critiques de conception à l'intérieur de la phase inférieure sont les suivants :

  • Stratégie de perforation :[ Décisions concernant la densité des grenailles, la mise en place progressive, la profondeur de pénétration et le diamètre du trou d'entrée. Ces paramètres contrôlent directement la zone d'entrée et peuvent influencer la production de sable et la stabilité des puits.
  • Formation Stimulation:[ Pour de nombreux puits, l'obtention de débits économiques nécessite une fracturation hydraulique ou une acidisation matricielle. Les variables clés sont le type de fluide et la viscosité, la concentration de propane et la taille du maillage, le débit de pompe et le volume de traitement.
  • Sand Control:[ Dans les formations non consolidées, les méthodes de contrôle du sable telles que les paquets de gravier, les paquets de frac ou les écrans de sable extensibles sont essentielles. Le choix de la méthode et son calibrage spécifique (p. ex., la taille du maillage de gravier) doivent équilibrer la rétention du sable avec l'efficacité du débit.
  • Commandement de courant: Les dispositifs de contrôle d'écoulement (ICD) et les soupapes de contrôle d'intervalle (ICV) sont de plus en plus utilisés pour gérer l'écoulement le long de la sortie latérale, l'équilibrage et le retardement de l'eau ou du gaz.

L'optimisation de ces paramètres est rendue difficile par la nature hétérogène des formations subsurfaces. Une conception qui donne d'excellents résultats dans un grès à haute perméabilité pourrait se révéler inefficace dans un carbonate serré. Le contexte économique – prix du pétrole, coûts de service, taux d'actualisation – ajoute une autre couche de complexité à l'objectif d'optimisation, qui est souvent de maximiser la valeur nette actuelle (VAN) plutôt que de simplement la production cumulative.

L'apprentissage automatique comme solution pour l'optimisation des paramètres

Les processus traditionnels de conception reposent sur le jugement d'experts et l'analyse de sensibilité basée sur la simulation. Bien que la simulation offre une base physique robuste, elle est coûteuse sur le plan informatique. Cela limite le nombre de scénarios qui peuvent être évalués de façon réaliste.

L'apprentissage supervisé est le paradigme le plus courant pour cette tâche. Le modèle est formé pour prédire une variable cible – comme la production cumulative de pétrole sur un an, la récupération ultime estimée (EUR) ou la VAN – en fonction d'un ensemble de caractéristiques d'entrée, notamment les paramètres d'achèvement énumérés ci-dessus, les propriétés géologiques (porosité, perméabilité, pression initiale) et les données de forage (trajectoire de puits, indicateurs de dommages de formation).

Les algorithmes ML sont intrinsèquement adaptés pour saisir les relations non linéaires et à haute dimension inhérentes à la conception de l'achèvement. Ils peuvent identifier des modèles qui ne sont pas évidents pour les analystes humains en utilisant des méthodes statistiques traditionnelles. Par exemple, un modèle ML pourrait détecter qu'une combinaison particulière de phase de perforation et de concentration de propant donne des résultats supérieurs dans des régimes de stress spécifiques, une relation qui serait très difficile à quantifier par des essais de sensibilité croisés ou univariables manuels. L'application de modèles d'ensembles comme Random Forest et Gradient Boosting s'est révélée particulièrement efficace dans ce domaine. Voir études pertinentes sur OnePetro pour des exemples de ML appliquées à ce problème.

Méthodes de base et flux de travail

La mise en œuvre d'un workflow d'optimisation de l'achèvement basé sur ML implique plusieurs étapes distinctes, chacune exigeant une attention particulière aux détails. Le succès de l'ensemble du projet dépend de la qualité des données et de la rigueur du processus de validation.

Curation des données et ingénierie des fonctionnalités

Pour les travaux d'achèvement, cela signifie l'assemblage d'un ensemble de données cohérent entre plusieurs puits, ce qui implique souvent de tirer des données provenant de sources différentes : rapports de forage, rapports d'achèvement, registres pétrophysiques, bases de données de production et dossiers financiers. La normalisation des noms variables, des unités et des fréquences de mesure est une première étape nécessaire.

Le traitement des données manquantes est un défi commun. Les puits peuvent manquer de journaux clés, avoir des rapports de stimulation incomplets ou des données de pression manquantes. Les stratégies d'imputation doivent être choisies avec soin pour éviter d'introduire des biais. L'ingénierie des caractéristiques est là où l'expertise du domaine devient inestimable.

  • Intensité de stimulation: Masse totale de l'propant divisée par la longueur de l'intervalle perforé.
  • Rapports sans dimension: Rapport de conductivité de la fracture, facteur de peau sans dimension.
  • Indicateurs géomécaniques: Le module de Young et le ratio de Poisson ont été moyens sur la zone cible.
  • Caractéristiques spatiales:[ Distance jusqu'au contact avec l'eau, distance jusqu'aux injecteurs offset, espacement du puits.

L'ingénierie des caractéristiques permet d'améliorer la précision des modèles et, dans le cas des modèles à base d'arbres, fournit un moyen direct de comprendre quels processus physiques le modèle considère comme les plus importants.

Sélection de l'algorithme

Plusieurs classes d'algorithmes conviennent pour l'optimisation de l'achèvement. Le choix dépend de la taille de l'ensemble de données, de l'interprétation requise et de la cible de prédiction spécifique.

  • Random Forest: Un ensemble d'arbres de décision qui calcule des prédictions en moyenne. Il est robuste pour aberrer, gère bien la non-linéarité et fournit des scores d'importance de caractéristiques indigènes.
  • Gradient Boosting (XGBoost, LightGBM, CatBoost):[Ces algorithmes construisent des arbres séquentiellement, chaque nouvel arbre corrigeant les erreurs des précédents. Ils obtiennent souvent des résultats de pointe sur les données tabulaires. Le document XGBoost fournit une compréhension fondamentale de cette méthode (disponible sur arXiv.
  • Réseaux neuronaux: Des réseaux neuronaux profonds entièrement connectés peuvent capter des interactions complexes, mais ils nécessitent des ensembles de données plus importants et un réglage hyperparamétrique plus prudent.
  • Support Vector Machines (SVM):[ Efficace pour les ensembles de données plus petits et les espaces haute dimension, mais moins fréquent pour ce problème de régression spécifique par rapport aux méthodes d'ensemble.

Dans la pratique, une combinaison de ces modèles est souvent évaluée et le meilleur interprète est choisi en fonction des paramètres de validation.

Formation modèle, validation et quantification de l'incertitude

La validation croisée standard par un facteur k suppose que les échantillons de données sont indépendants et distribués de façon identique. Cette hypothèse est souvent violée dans les données de puits parce que les puits dans le même champ partagent une histoire géologique et opérationnelle commune. Si les puits du même champ sont répartis entre les ensembles de formation et de validation, le modèle apparaîtra plus précis qu'il ne l'est vraiment. Une technique appelée validation croisée par blocs, où les puits d'un champ ou d'une région géographique spécifique sont regroupés, fournit une estimation plus réaliste de la performance du modèle sur les puits à venir complètement invisibles.

La quantification de l'incertitude est essentielle pour la prise de décisions éclairées par le risque. Au lieu de prévoir un seul point (p. ex., EUR = 500 000 barils), les modèles ou méthodes bayésiens comme la régression quantique peuvent fournir un intervalle de prédiction (p. ex., 10e centile = 400 000, 90e centile = 600 000). L'évaluation de l'exactitude de ces intervalles est une étape essentielle pour valider le modèle pour l'utilisation commerciale.

Avantages pratiques d'un flux de travail d'achèvement piloté par ML

L'intégration de l'apprentissage automatique dans le processus de conception de l'achèvement offre plusieurs avantages tangibles qui se traduisent directement par une amélioration des performances des actifs.

Speed of Evaluation: Un simulateur physique étalonné peut prendre des heures ou des jours pour évaluer un scénario d'achèvement unique. Un modèle ML peut évaluer des millions de scénarios en une fraction de seconde. Cela permet aux ingénieurs d'explorer de façon exhaustive l'espace de conception complète, plutôt que d'être limité à une poignée de cas sélectionnés manuellement. Cette vitesse permet également d'optimiser en temps réel les opérations de stimulation, où les modèles peuvent être mis à jour avec des données réelles pour ajuster les horaires de pompe et les concentrations à la volée.

Analyse objective et systématique :[ Les biais et les idées préconçues humains peuvent inadvertance influencer les processus de conception traditionnels.Un modèle ML, formé à un ensemble de données historiques, pondère objectivement les données de tous les puits disponibles. Il applique systématiquement la même logique dans l'ensemble du portefeuille, assurant la cohérence dans la prise de décision.

Conceptabilité probabiliste:[ Plutôt que de produire une conception unique «optimale», les modèles ML peuvent générer une prévision probabiliste complète pour tout scénario d'achèvement donné. Cela permet aux opérateurs de négocier explicitement entre le risque et la récompense. Par exemple, une conception avec un risque médian légèrement inférieur à EUR mais nettement inférieur à la baisse pourrait être préférée dans un environnement à bas prix.

Défis techniques et opérationnels

Malgré son potentiel, l'application de la LM à la conception de puits n'est pas sans défis importants qui doivent être explicitement gérés.

Qualité et quantité des données: C'est l'obstacle le plus souvent cité. Les ensembles de données de puits sont notoirement clairs, bruyants et incohérents. De nombreuses variables qui influencent les performances de puits ne sont pas mesurées ou sont enregistrées de façon incohérente dans les acquisitions. Un modèle formé à des données de mauvaise qualité produira des prédictions peu fiables, peu importe la sophistication de l'algorithme.

Modèle Interpretability and Trust: Les ingénieurs et les décideurs hésitent à faire confiance à un modèle dont les travaux intérieurs sont opaques. Un modèle peut prédire de fortes performances pour un design particulier, mais si les ingénieurs ne comprennent pas pourquoi, ils seront réticents à l'utiliser. Des outils comme SHAPley Additive exPlanations ont fait des progrès importants dans l'ouverture de la boîte noire. Ces outils décomposent la prédiction d'un modèle dans la contribution de chaque fonctionnalité d'entrée, montrant précisément pourquoi un design est prédit pour fonctionner bien ou mal. Les contributions de la fonctionnalité de compréhension sont essentielles pour bâtir la confiance.

L'intégration avec les flux de travail existants :[ Adopter une approche axée sur les ML exige des changements aux flux de travail d'ingénierie établis. Il faut une collaboration entre les spécialistes des données, les pétrophysiciens, les géologues et les ingénieurs d'achèvement.La résistance culturelle au changement, le manque d'expertise en matière de sciences des données au sein de l'équipe et l'absence de plates-formes logicielles intégrées peuvent tous entraver l'adoption.

L'évolution de l'ingénierie des achèvements avec l'IA

La vague actuelle d'applications ML n'est que le début. Le champ se dirige vers des systèmes d'IA plus intégrés et plus cohérents physiquement.

Réseaux neuronaux formés en physique (PINNs): Les réseaux neuronaux standards peuvent faire des prédictions qui violent les lois physiques.Les PINN intègrent les équations différentielles partielles (par exemple, équations de flux de fluide) qui régissent directement la fonction de perte pendant l'entraînement.

Renforcement Learning for Real-Time Control:[ Pour les puits avec des finitions intelligentes (p. ex., plusieurs CVC), l'apprentissage du renforcement peut être utilisé pour former un agent à gérer de façon autonome les paramètres de puits en temps réel.L'agent apprend une politique de contrôle qui maximise la récompense cumulative (p. ex., production d'huile) en ajustant les valves en réponse à des changements de conditions de trou d'eau (coupe d'eau, GOR, pression).

Les modèles génériques: Les réseaux d'avalersariaux (GAN) et les auto-encodeurs de variation (VAE) peuvent être utilisés pour générer des données de puits synthétiques réalistes, particulièrement utiles pour augmenter les ensembles de données rares ou pour générer un ensemble diversifié de modèles candidats qui explorent de nouveaux domaines de l'espace de paramètres, guidant la recherche de réalisations vraiment optimales.

Conclusion

L'intégration de l'apprentissage automatique dans la conception de puits constitue une étape importante dans la capacité de l'industrie d'optimiser la valeur des actifs. La transition des workflows purement physiques à des workflows fondés sur la physique hybride est bien en cours. Bien que des défis liés à la qualité des données, à l'interprétation des modèles et au changement organisationnel demeurent, la capacité d'explorer rapidement et systématiquement l'espace de conception à haute dimension offre un avantage concurrentiel clair.