Introduction à l'IA et à l'apprentissage automatique dans la production de réservoirs non conventionnels

Les réservoirs non conventionnels, y compris les formations de schiste, les sables serrés et les gisements de méthane provenant des gisements de charbon, ont fondamentalement remodelé le paysage énergétique mondial. Ces systèmes géologiques complexes nécessitent des techniques d'extraction avancées telles que la fracturation hydraulique et le forage horizontal pour assurer la viabilité économique. Toutefois, l'optimisation de la production de ces formations demeure un défi persistant en raison de leur hétérogénéité inhérente, de leur faible perméabilité et de leur dynamique complexe des flux.

L'application de l'IA et de la LM à la gestion non conventionnelle des réservoirs représente un changement de paradigme par rapport aux approches traditionnelles de modélisation basées sur la physique. Bien que la simulation conventionnelle des réservoirs repose sur des modèles mathématiques déterministes qui nécessitent des hypothèses et des ressources informatiques étendues, les méthodes fondées sur l'IA peuvent tirer des enseignements directement des données, découvrir des modèles subtils et des relations non linéaires qui régissent le comportement des réservoirs.

Cet article explore le rôle transformateur de l'IA et du ML dans l'optimisation de la production de réservoirs non conventionnels, couvrant l'intégration et l'analyse des données, la surveillance et l'optimisation en temps réel, la modélisation prédictive, l'optimisation des fractures et les implications économiques. Il aborde également les défis et les orientations futures de ces technologies, fournissant un aperçu complet aux ingénieurs, géoscientifiques et décideurs qui cherchent à tirer parti de l'IA pour améliorer les performances du réservoir.

Le rôle de l'IA et de l'apprentissage automatique dans l'ingénierie des réservoirs

L'ingénierie des réservoirs repose traditionnellement sur des modèles analytiques et numériques qui résolvent des équations différentielles partielles décrivant le flux de fluide à travers des milieux poreux. Bien que ces modèles aient bien servi l'industrie pour les réservoirs conventionnels, ils ont souvent du mal à saisir l'hétérogénéité à plusieurs échelles et les réseaux de fracture complexes caractéristiques des formations non conventionnelles.

Les techniques d'apprentissage automatique couramment appliquées dans l'ingénierie des réservoirs comprennent des méthodes d'apprentissage supervisé telles que les forêts aléatoires, les réseaux de stimulation des gradients et les réseaux neuronaux pour les tâches de régression et de classification; des méthodes d'apprentissage non supervisées telles que le regroupement et l'analyse des composantes principales pour la reconnaissance des patrons et la réduction de dimensionnalité; et le renforcement de l'apprentissage pour la prise de décisions séquentielles dans les applications de contrôle en temps réel.

Intégration et analyse des données

L'une des contributions les plus importantes de l'IA et de la ML à la gestion non conventionnelle des réservoirs est leur capacité à intégrer divers ensembles de données qui couvrent plusieurs échelles et disciplines, notamment les registres géologiques, les résultats d'analyses de base, les relevés sismiques, les données de surveillance microsismique, les paramètres de forage, les plans d'achèvement, les antécédents de production et les données transitoires de pression.

Les modèles d'apprentissage automatique peuvent alors traiter ces données intégrées pour prédire le comportement des réservoirs selon divers scénarios. Par exemple, les réseaux neuronaux formés aux données historiques de production et aux paramètres d'achèvement peuvent identifier le nombre optimal de phases de fracture, l'espacement des grappes et la charge propant pour de nouveaux puits dans un domaine donné. De même, les modèles forestiers aléatoires peuvent évaluer l'importance relative de différents facteurs géologiques et opérationnels affectant les performances des puits, aider les ingénieurs à prioriser la collecte des données et concentrer leurs efforts sur les variables les plus influentes.

Les principales techniques d'intégration et d'analyse des données dans les réservoirs non conventionnels sont les suivantes:

  • Nettoyage et imputation automatisé des données:[ Les algorithmes d'IA détectent et corrigent les erreurs dans les données de capteurs bruyants, comblant les lacunes à l'aide de méthodes statistiques ou de modèles générateurs.
  • Ingénierie et sélection des caractéristiques:[ L'apprentissage automatique identifie les variables les plus informatives pour prédire les résultats de production, réduire la complexité du modèle et améliorer l'interprétation.
  • Réduction de la dimensionnalité:[ Des techniques telles que l'analyse des composants principaux et les auto-encodeurs compressent les données haute dimension en représentations de dimensions inférieures tout en préservant l'information essentielle.
  • Fusion multimodale:[ Les systèmes d'IA combinent des données provenant de différentes modalités (images, séries chronologiques, rapports textuels) pour offrir une vue globale des conditions du réservoir.
  • Traduire l'apprentissage:[ Les modèles pré-formés sur les données provenant de champs matures sont adaptés à de nouveaux champs avec des données limitées, accélérant le processus d'apprentissage et améliorant la précision des prédictions.

Surveillance et optimisation en temps réel

Les puits modernes non conventionnels sont équipés d'un ensemble de capteurs qui surveillent en permanence la pression, la température, les débits et la composition des fluides. Ces capteurs génèrent des flux massifs de données de séries chronologiques qui peuvent être traitées en temps réel à l'aide d'algorithmes AI et ML. La surveillance en temps réel permet aux opérateurs de détecter les anomalies, de prévoir les défaillances de l'équipement et d'ajuster les paramètres opérationnels avant que les problèmes ne se transforment en temps d'arrêt coûteux ou en incidents de sécurité.

Dans ce cadre, un agent d'IA interagit avec l'environnement du réservoir, prenant des mesures comme l'ajustement de la vitesse de la pompe ou de la position de la valve, et reçoit des retours sous forme de signaux de récompense liés aux taux de production, à la consommation d'énergie ou à l'usure de l'équipement. Au fil du temps, l'agent apprend une politique qui maximise les récompenses cumulatives, découvrant efficacement des stratégies de contrôle optimales sans exiger un modèle explicite de la dynamique du réservoir. Cette approche adaptative est particulièrement avantageuse dans les réservoirs non conventionnels, où le comportement du réservoir peut changer rapidement en raison de la fermeture des fractures, de la migration des fines ou de l'épuisement de la pression.

Les avantages d'une optimisation en temps réel de l'IA comprennent:

  • Réduit les temps d'arrêt:[ Les algorithmes de maintenance prédictive détectent les signes précoces de dégradation de l'équipement, permettant de planifier les interventions pendant les arrêts prévus plutôt que les réparations d'urgence.
  • Rétablissement amélioré: Les ajustements en temps réel des paramètres d'injection et de production maintiennent des gradients de pression optimaux et une efficacité de balayage tout au long du cycle de vie du puits.
  • Consommation d'énergie faible :[ Les systèmes d'IA optimisent les opérations de pompe et les taux d'injection de gaz pour minimiser l'utilisation de l'énergie tout en atteignant les objectifs de production.
  • Sécurité améliorée:[ Les systèmes de détection d'anomalies avertissent les opérateurs de conditions potentiellement dangereuses telles que des fuites de boîtier, des défaillances de tubes ou des pics de pression inattendus.
  • Opérations autonomes :[ Dans les endroits éloignés ou en mer, les systèmes d'IA peuvent gérer la production avec une intervention humaine minimale, réduisant ainsi l'exposition de l'équipage aux environnements dangereux.

Modélisation prédictive pour les prévisions de production

L'analyse traditionnelle des courbes de déclin, bien qu'elle soit largement utilisée, ne permet pas souvent de saisir les comportements complexes de production observés dans les réservoirs non conventionnels, comme le débit multiphasé, la fermeture des fractures et l'interférence entre les puits. Les modèles d'apprentissage par machine offrent une alternative plus souple et plus précise en apprenant directement à partir de données de production historiques et en intégrant une large gamme de variables prédicatrices.

Les modèles de prévision de séries chronologiques, tels que les longs réseaux de mémoire à court terme (LSTM) et les unités de récurrence fermées (GRU), ont été appliqués avec succès pour prédire les taux de production pour les puits individuels et les champs entiers. Ces modèles peuvent saisir les dépendances temporelles et les tendances non linéaires que les méthodes traditionnelles de courbe de déclin manquent.

Optimisation de la fracture en utilisant l'IA

La fracturation hydraulique est une technologie essentielle pour déverrouiller les réservoirs non conventionnels, mais concevoir des traitements de fracture optimaux reste un défi technique complexe. Les paramètres de conception clés comprennent l'espacement des étapes, l'espacement des grappes, la conception de perforation, le type et le volume de fluide, le type et la concentration de propane, ainsi que le débit et la pression de la pompe.

Les algorithmes génétiques, l'optimisation des essaims de particules et l'optimisation bayésienne font partie des techniques utilisées pour rechercher l'espace de conception haute dimension pour les paramètres de rupture qui maximisent la valeur nette actuelle ou la production cumulative.Ces méthodes d'optimisation peuvent être combinées à des modèles de substitution, tels que les régressions de processus gaussien ou les réseaux neuronaux, qui approximent la relation entre les paramètres de conception et les résultats de production en utilisant moins de simulations calculables coûteuses.

Les zones clés où l'IA contribue à l'optimisation des fractures comprennent:

  1. L'espacement des étages et des grappes :[ Les modèles d'apprentissage automatique formés sur les données microsismiques et les registres de production identifient l'espacement optimal qui maximise le volume de roche stimulé tout en minimisant l'interférence et le coût de la fracture.
  2. Sélection et placement des proppants:[ Les algorithmes d'IA analysent les simulations de transport des proppants et les données de laboratoire pour recommander les types et les concentrations de propant qui atteignent la conductivité de fracture souhaitée dans des conditions de réservoir spécifiques.
  3. Conception du système de filtration:[ Les modèles prédictifs évaluent les performances de différentes formulations de fluides fracturants, en tenant compte de facteurs tels que la viscosité, la vitesse de fuite et le potentiel de dommages à la formation.
  4. Optimisation du programme de pompe:[ Les approches d'apprentissage du renforcement optimisent le débit de pompe et les programmes de rampes de concentration de propane pour obtenir une propagation efficace des fractures et un placement de propane.
  5. Analyse diagnostique :[ L'apprentissage automatique interprète des données diagnostiques telles que des courbes de chute de pression et des distributions d'événements microsismiques pour déduire la géométrie de la fracture et identifier les zones à améliorer.

Avantages économiques et opérationnels de l'adoption de l'IA et de la LM

L'adoption de technologies d'IA et de ML dans la gestion des réservoirs non classiques offre des avantages économiques et opérationnels mesurables qui vont au-delà de l'amélioration des taux de récupération. Les entreprises qui ont mis en place des flux de travail axés sur l'IA à l'échelle font état de réductions importantes des coûts de forage et d'achèvement, d'une meilleure utilisation des actifs et d'une plus grande rapidité et précision de prise de décisions.

L'un des arguments économiques les plus convaincants pour l'adoption de l'IA et de la LM est la réduction de l'incertitude et du risque.En fournissant des prévisions plus précises de la performance du réservoir et en identifiant des stratégies d'exploitation optimales, les systèmes d'IA aident les exploitants à éviter les erreurs coûteuses telles que le forage dans des endroits sous-optimaux, les traitements de fractures sur ou sous-conception, ou le retard de l'entretien nécessaire.

Résumé des principaux avantages:

  • Précision améliorée:[ Les modèles prédictifs améliorent la précision des simulations de réservoirs et des prévisions de production, ce qui permet des décisions d'investissement plus fiables.
  • Réduction des coûts :[ Les opérations de forage, d'achèvement et de production optimisées réduisent les dépenses inutiles en matériaux, en équipement et en personnel.
  • Faster Decision-Making:[ L'analyse automatisée et la surveillance en temps réel accélèrent les temps de réponse aux changements des conditions du réservoir ou des problèmes d'équipement.
  • Rétablissement accru:[ Une meilleure compréhension de la dynamique des réservoirs et du comportement des fractures conduit à des facteurs de récupération ultimes plus élevés de chaque puits.
  • Extended Asset Life:[ La maintenance proactive et les calendriers de production optimisés prolongent la vie économique des puits et réduisent la fréquence des interventions de reprise.
  • Améliorations de la durabilité :[ L'optimisation dirigée par l'IA réduit l'utilisation de l'eau et des produits chimiques, minimise les émissions de gaz à effet de serre et réduit l'empreinte environnementale des opérations.

Défis et limites de la mise en oeuvre de l'IA et de la LM

Malgré le potentiel important de l'IA et de la ML pour l'optimisation des réservoirs non conventionnels, plusieurs défis entravent leur adoption et leur efficacité généralisées.

Qualité et disponibilité des données

Dans de nombreux réservoirs non conventionnels, les données historiques peuvent être rares, incohérentes ou contaminées par des erreurs de mesure. Les données manquantes, les intervalles d'échantillonnage irréguliers et les changements dans les protocoles de mesure au fil du temps peuvent tous dégrader le rendement du modèle. De plus, les données issues d'expériences en laboratoire et d'essais pilotes ne représentent pas pleinement les conditions de terrain, ce qui conduit à des modèles qui fonctionnent mal lorsqu'ils sont déployés dans de nouveaux contextes.

Modèle d'interprétation et de confiance

Dans une industrie critique en matière de sécurité, comme le pétrole et le gaz, les ingénieurs et les organismes de réglementation ont besoin d'explications pour établir des prévisions de modèles afin de renforcer la confiance et d'assurer la responsabilisation. Des techniques d'IA explicables, comme SHAP (SHapley Additive exPlanations) et LIME (Local Interpretable Model-agnostic Explications) sont en cours d'élaboration pour fournir des explications post-hoc pour les extrants du modèle, mais ces méthodes ont des limites et peuvent ne pas satisfaire pleinement aux exigences de transparence pour les décisions à haute prise.

Exigences en matière d'expertise spécialisée

Le développement, le déploiement et l'entretien des systèmes d'IA et de ML dans les applications d'ingénierie des réservoirs exigent une combinaison d'expertise en génie pétrolier et de compétences techniques en sciences des données, en génie logiciel et en informatique en nuage.Ce jeu de compétences hybride est rare, et de nombreuses organisations luttent pour recruter et conserver des talents avec les capacités nécessaires.

Coûts initiaux d'investissement élevés

Les coûts initiaux de la mise en œuvre de l'IA et de la ML peuvent être considérables, notamment les investissements dans l'infrastructure de données (capteurs, stockage de données, mise en réseau), les plates-formes logicielles, les ressources informatiques (sur site ou en nuage) et le personnel. Pour les petits opérateurs dont le budget des immobilisations est limité, ces coûts peuvent être prohibitifs, en particulier lorsque le rendement de l'investissement est incertain et peut prendre plusieurs années pour se concrétiser.

Orientations futures et tendances émergentes

Le domaine de l'IA et de la ML pour l'optimisation des réservoirs non conventionnels évolue rapidement, plusieurs tendances émergentes étant prêtes à transformer davantage l'industrie dans les années à venir. Ces évolutions promettent de remédier aux limitations actuelles, d'élargir le champ d'application et d'accélérer l'adoption d'approches fondées sur les données dans le secteur amont.

Apprentissage par machine en Physique

L'une des directions les plus prometteuses est l'intégration des connaissances physiques directement dans les modèles d'apprentissage automatique.Les réseaux neuronaux éclairés par la physique intègrent des équations de régulation telles que l'équation de diffusion, les lois de conservation et les relations constitutives dans la fonction de perte utilisée pendant la formation.Cette approche garantit que les prédictions satisfont aux principes physiques connus, améliorent la généralisation à des conditions invisibles et réduisent la quantité de données de formation requises.

Informatique de bord et AI en temps réel

Les progrès réalisés dans le matériel informatique de pointe et les architectures de réseau neuronal optimisées permettent d'effectuer l'inférence d'IA directement sur des capteurs de trous d'aval, des équipements de surface ou des plates-formes distantes, plutôt que d'exiger la transmission de données à un serveur central pour le traitement, ce qui réduit les latences, réduit les coûts de transmission des données et permet la prise de décisions en temps réel même dans des environnements à connectivité limitée ou intermittente.

fédéré apprentissage et confidentialité des données

Dans de nombreux cas, des données précieuses sur les réservoirs sont distribuées à de nombreux exploitants, entreprises de services ou organismes de réglementation qui hésitent à partager des informations exclusives en raison de préoccupations concurrentielles ou juridiques. fédérated learning est une approche émergente qui permet de former des modèles d'apprentissage automatique à travers des sources de données décentralisées sans exiger la centralisation des données brutes.

L'IA générative pour la modélisation des réservoirs

Des réseaux antagonistes (RAG) et des auto-encodeurs variables sont actuellement explorés pour produire des modèles géologiques réalistes, des réseaux de fractures et des scénarios de production. Ces modèles générateurs peuvent produire de multiples réalisations plausibles des propriétés des réservoirs qui honorent les données observées tout en captant toute la gamme d'incertitudes.

Collaboration entre les personnes atteintes d'IA et flux de travail accrus

Au lieu de remplacer les ingénieurs humains, l'IA et le ML sont de plus en plus conçus pour accroître les capacités humaines, en fournissant des recommandations, des alertes et des visualisations qui améliorent la prise de décisions tout en laissant les décisions finales entre les mains de professionnels expérimentés.Les systèmes interactifs d'apprentissage automatique permettent aux ingénieurs de fournir des rétroactions aux modèles, de corriger les erreurs ou d'ajuster les priorités, de permettre une amélioration continue et une adaptation aux conditions changeantes sur le terrain.

Conclusion

L'intégration de l'intelligence artificielle et de l'apprentissage machine dans la gestion des réservoirs non conventionnels représente l'un des progrès technologiques les plus importants dans l'industrie pétrolière et gazière en amont au cours des dernières décennies. En permettant l'analyse efficace de vastes ensembles de données diversifiés, en fournissant des capacités d'optimisation en temps réel et en améliorant la précision des prévisions de production, ces technologies offrent la possibilité d'améliorer considérablement les taux de récupération, de réduire les coûts et de prolonger la vie économique des actifs non conventionnels.

Toutefois, la mise en oeuvre réussie de l'IA et de la ML dans l'optimisation des réservoirs non conventionnels n'est pas sans difficultés. Les problèmes de qualité des données, les préoccupations liées à l'interprétation des modèles, le besoin d'expertise spécialisée et les coûts d'investissement initiaux élevés demeurent des obstacles importants qui doivent être surmontés par la poursuite de la recherche, de la collaboration et de l'investissement dans les infrastructures et le capital humain.

En attendant, les nouvelles tendances, telles que l'apprentissage automatique, l'informatique de pointe, l'apprentissage fédéré, l'IA générative et la collaboration entre les humains et les AI, devraient accroître encore les capacités et l'accessibilité de l'optimisation des réservoirs axée sur l'IA, ce qui permettra de prévoir avec plus de précision et de fiabilité, de prendre des décisions plus rapides et plus autonomes et, en fin de compte, de produire plus efficacement et durablement à partir de réservoirs non conventionnels.

Pour de plus amples informations sur ces sujets, la Society of Petroleum Engineers (SPE) publie une vaste documentation technique sur les applications de l'IA en génie des réservoirs, y compris des documents présentés à la SPE Annual Technical Conference and Exhibition[.La bibliothèque numérique OnePetro[ donne accès à des milliers de documents examinés par des pairs sur l'apprentissage automatique en génie pétrolier. De plus, le Journal of Petroleum Science and Engineering publie régulièrement des articles de recherche sur les approches fondées sur les données en matière de caractérisation des réservoirs et d'optimisation de la production.