Table of Contents

L'estimation précise des réserves de ressources naturelles à grande échelle, qu'il s'agisse de pétrole, de gaz, de minéraux ou d'eau, demeure l'une des tâches les plus exigeantes et les plus économiques en géoscience. Les flux de travail traditionnels, qui reposent souvent sur des grappes de calcul à haute performance (HPC) et des dépôts de données siloées, sont de plus en plus sollicités par l'explosion de données de subsurface provenant de levés sismiques 3D, de registres de puits et de capteurs en temps réel.

Le passage de l'estimation des réserves traditionnelles à des flux de travail compatibles avec le cloud

L'estimation des réserves a toujours été un processus à forte intensité de ressources. Les géologues et les ingénieurs des réservoirs interprètent manuellement les données sismiques, construisent des modèles statiques et dynamiques sur des postes de travail spécialisés et effectuent des simulations sur des grappes locales qui pourraient prendre des semaines. La gouvernance des données était souvent fragmentée entre les ministères, ce qui laissait la collaboration lente et sujette aux erreurs.

Les organisations peuvent maintenant faire fonctionner des centaines de machines virtuelles (VM) pendant quelques heures pour effectuer des analyses de sensibilité, puis les fermer pour éviter les coûts inactifs. Plus important encore, les plateformes cloud fournissent un environnement unifié où les géoscientifiques, les data savants et les équipes informatiques peuvent collaborer à l'aide de ensembles de données partagés, de modèles contrôlés par version et de chaînes d'outils standardisées. Ce changement n'est pas seulement une mise à niveau du matériel; il s'agit d'une refonte fondamentale de la façon dont le travail d'estimation est organisé, validé et mis à l'échelle.

Composants de base de l'informatique en nuage pour les applications géosciences

Pour déployer efficacement le cloud computing pour l'estimation des réserves, les professionnels doivent comprendre les trois modèles de services primaires et la façon dont chacun s'applique à l'analyse géologique et géophysique.

Infrastructure comme service (IaaS) pour le calcul et le stockage élastiques

Pour l'estimation des réserves, cela signifie l'accès à des instances VM à haute mémoire optimisées pour le traitement sismique, des instances accélérées GPU pour l'apprentissage automatique et le stockage massif d'objets comme Amazon S3 ou Azure Blob Storage pour les données brutes et traitées. Des fournisseurs tels que AWS pour le pétrole et le gaz et Microsoft Azure pour l'énergie[ offrent des environnements préconfigurés adaptés aux charges de travail d'imagerie sismique et de simulation de réservoir.

Plateforme de service (PaaS) pour le développement et l'orchestration simplifiés

PaaS retire l'infrastructure sous-jacente, permettant aux équipes de se concentrer sur la construction et le déploiement d'outils analytiques. Les géoscientifiques peuvent utiliser des services gérés comme Google Cloud Vertex AI pour former des modèles d'estimation de réserves personnalisés sans gérer de serveurs.

Logiciels comme service (SaaS) pour applications géoscientifiques spécialisées

De nombreux fournisseurs établis offrent maintenant des versions cloud-natives de leur réservoir de simulation et de logiciel pétrophysique. Par exemple, Schlumberger , l'environnement DELFI cognitive E&P et CGG , Earth Data Store , utilisent l'élasticité du nuage pour accélérer le traitement.

Avantages détaillés de l'informatique en nuage dans l'estimation des réserves

L'article initial énumérait cinq avantages principaux; chacun d'eux mérite une exploration plus approfondie pour comprendre son impact pratique sur les flux de travail d'estimation.

Écailabilité au-delà des limites physiques

Dans les environnements traditionnels, une équipe peut posséder un groupe de 200 noyaux, limitant la taille des modèles et le nombre de parcours simultanés. Un environnement nuageux peut s'étendre dynamiquement à des milliers de noyaux en minutes. Lorsque l'on effectue l'estimation probabiliste des réserves – qui nécessite souvent 10 000 réalisations stochastiques ou plus – cette évolutivité réduit le temps d'exécution total de semaines à heures. La capacité de répartir horizontalement de grands volumes sismiques sur plusieurs nœuds permet également des techniques d'inversion à pleine ondes (FWI) qui étaient auparavant peu pratiques.

Rentabilité par l'entremise de modèles de rémunération à l'usage

Le Cloud computing transfère cette dépense à des dépenses opérationnelles (OPEX) avec facturation granulaire par heure ou par téraoctet. Des exemples ponctuels – une capacité cloud non utilisée disponible à des rabais élevés – peuvent réduire les coûts de calcul de 60 à 90 % pour des charges de travail tolérantes aux erreurs comme les simulations Monte Carlo. De plus, les organisations évitent les coûts cachés de sur-fourniture pour la demande maximale; elles augmentent simplement la capacité au besoin et se contractent ensuite.

Accélération de la vision

Les plateformes Cloud offrent des services d'apprentissage automatique préconçus, des grappes GPU et des interconnexions rapides qui accélèrent considérablement l'analyse des données. Par exemple, une équipe qui a mis trois semaines auparavant pour exécuter une simulation de match historique peut maintenant la compléter en deux jours en utilisant des instances GPU à la demande avec des accélérateurs NVIDIA V100 ou A100. L'intégration de deep learning pour la classification des faciès sismiques sur les plateformes Cloud réduit encore le temps d'interprétation tout en améliorant la précision.

Collaboration mondiale et gouvernance des données

Les lacs de données basés sur le nuage fournissent une seule source de vérité, avec des contrôles d'accès basés sur le rôle, garantissant que seul le personnel autorisé peut modifier les modèles de réservoirs sensibles. La coédition en temps réel de modèles, de cahiers Jupyter partagés et de systèmes de contrôle de versions intégrés (p. ex., CDV pour les données) élimine la confusion des fichiers par courriel et la tenue de copies locales.

Sécurité et conformité accrues des données

Pour le secteur pétrolier et gazier, où les données de réserve sont propriétaires et parfois soumises à des réglementations nationales, les services cloud peuvent être déployés dans des régions spécifiques pour répondre aux exigences de résidence des données. L'authentification multifactorielle, les politiques granulaires de MAI et la détection automatisée des menaces fournissent un niveau de sécurité que de nombreux opérateurs de petite taille à moyenne taille ne peuvent pas atteindre avec des solutions sur site.

Une feuille de route structurée pour la mise en œuvre de l'estimation des réserves basées sur le cloud

La migration des flux de travail d'estimation des réserves vers le cloud n'est pas un projet unique mais une transformation progressive.

Phase 1: Migration des données et catalogage

La première étape consiste à évaluer le paysage actuel des données : volumes sismiques, journaux de puits, historique de production et modèles interprétés. Les données sont nettoyées, doublonnées et transférées au stockage d'objets en nuage en utilisant des services tels que AWS DataSync ou Azure Data Box pour les gros envois physiques. Un catalogue de métadonnées (à l'aide d'Atlas Apache ou d'outils cloud-native) est créé pour permettre la recherche et la découverte.

Phase 2: Sélection d'outils et configuration de l'environnement

Les équipes sélectionnent les logiciels appropriés en fonction des tâches d'estimation spécifiques (volumetric, déterministic, probabilistic, p. ex.), de nombreux paquets géoscientifiques commerciaux sont maintenant disponibles sur les marchés du cloud, pré-licencenés et optimisés pour les images de machines virtuelles. Des solutions de rechange open-source comme Open Porous Media (OPM) peuvent également être déployées sur des grappes de cloud.

Phase 3 : Attribution des ressources et automatisation du flux de travail

Les organisations définissent les types et les nombres d'instances en fonction de la complexité de la simulation. Par exemple, une simulation de réservoir nécessitant 500 Go de RAM peut être exécutée sur une VM à haute mémoire, tandis que la migration de profondeur sismique peut nécessiter des instances GPU avec des centaines de carottes.

Phase 4: Exécution, validation et itération

Les simulations sont exécutées en parallèle sur de nombreux nœuds. Les résultats – cartes de pression, distributions de saturation et fonctions de densité de probabilité des réserves – sont stockés dans le lac de données nuageuses. La validation croisée par rapport aux données de production historiques et les tests de puits aveugle sont effectués automatiquement. Si le modèle échoue aux critères de validation, le flux de travail peut être re-démarré avec des paramètres ajustés, tous dans le même environnement nuageux.

Phase 5: Intégration aux systèmes de rapports et de décision

Les estimations finales des réserves sont exportées par des API sécurisées vers des outils de tableau de bord comme Power BI ou Tableau, et vers des systèmes de planification des ressources d'entreprise (PGI) pour l'établissement de rapports d'entreprise.

Études de cas sur le monde réel : l'informatique en nuage en action

Les avantages décrits ci-dessus ne sont pas théoriques. Plusieurs grands opérateurs et entreprises de services ont publiquement partagé leurs réussites.

Shell: Simulation de réservoir à l'échelle sur le nuage

Shell, l'une des plus grandes entreprises énergétiques du monde, a migré ses charges de travail de simulation de réservoir vers le cloud pour accélérer la prise de décision. En tirant parti de HPC natif du cloud, Shell a pu exécuter 10 fois plus de scénarios de simulation dans le même délai que les grappes sur site. L'élasticité leur a permis de tourner des milliers de carottes sur demande pour l'analyse probabiliste puis de les libérer, réduisant ainsi les coûts globaux de calcul de 40%. Shell a également intégré l'apprentissage de la machine basé sur le cloud pour améliorer la précision de l'historique, coupant des semaines du cycle d'étalonnage. (Lire la suite sur Shell=s Cloud strategy.)

ENI: Analyse des données en temps réel sur Azure

Eni a réalisé des travaux de recherche sur les ressources naturelles en Europe, en particulier dans le domaine de la protection de l'environnement, de la santé et de la sécurité, de la santé et de la sécurité, et a réalisé des travaux de recherche sur les ressources naturelles et les ressources naturelles.

CGG: Imagerie sismique basée sur le nuage

Pour une étude de fond à grande échelle dans le golfe du Mexique, CGG a déployé un groupe de nuages de plus de 10 000 cœurs pour effectuer une migration de temps inverse (RTM) sur un ensemble de données de 200 téraoctets. Le travail accompli en moins de 48 heures – un exploit qui aurait nécessité des semaines sur l'infrastructure interne. Le modèle de paiement à l'usage a permis à CGG de comparer le projet avec un prix concurrentiel sans investir dans de nouveaux équipements. Voir l'étude de cas CGG sur Google Cloud].

Intégration de l'intelligence artificielle et de l'apprentissage automatique

Avec de vastes GPU de stockage et à la demande, les géoscientifiques peuvent former des modèles d'apprentissage profond sur des sections sismiques marquées pour choisir automatiquement des horizons, détecter des défauts et caractériser les faciès. Les distributions de probabilité pour les réserves peuvent être générées à l'aide de réseaux antagonistes générateurs (RAG) qui apprennent à partir de données de terrain historiques.

Une application notable est l'utilisation de réseaux neuronaux récurrents (RNN) ou de modèles de transformateurs pour prédire les propriétés des réservoirs à partir de registres de puits, réduisant ainsi le besoin d'analyses de base coûteuses.Ces modèles sont formés sur des grappes de nuages avec des milliers d'époques puis déployés comme API que les ingénieurs peuvent interroger à partir de leurs postes de travail. L'intégration de l'IA réduit les biais humains et accélère la génération de multiples réalisations géologiques, qui est essentielle pour une quantification robuste de l'incertitude.

Surmonter les défis : sécurité, latence et gestion des coûts

Malgré ses avantages, l'adoption du cloud dans l'estimation des réserves n'est pas sans obstacles. La sécurité des données reste une préoccupation primordiale, en particulier pour les compagnies pétrolières nationales (NOC) qui ont des lois strictes sur la souveraineté des données. Les fournisseurs de Cloud offrent désormais des solutions cloud souveraines avec des régions dédiées et des architectures à gain d'air.

La latence peut être un problème lors du transfert de données extrêmement grandes (cents de téraoctets) vers le cloud. Les solutions incluent l'utilisation d'interconnexions de cloud directes (AWS Direct Connect, Azure ExpressRoute) et l'expédition de périphériques physiques (Snowball, Data Box). Une fois les données dans le cloud, le réseau à haut débit entre les nœuds calculateurs minimise les goulets d'étranglement d'E/S.

Les dépassements de coûts sont un risque réel si les ressources du cloud ne sont pas gérées correctement. Les organisations devraient mettre en place des budgets, des alertes et la détection des ressources inactives. L'utilisation d'instances ponctuelles pour les charges de travail non critiques, la fixation de limites d'échelle automatique et la suppression régulière de instantanés temporaires sont des pratiques exemplaires.

L'avenir des réserves drainées par le nuage Estimation

En ce qui concerne l'avenir, plusieurs tendances vont transformer le paysage. Premièrement, la convergence du cloud computing avec l'IA de pointe permettra le traitement en temps réel des données de forage et des mises à jour immédiates des modèles de réserve. Deuxièmement, le calcul quantique, accessible par les services de cloud, pourrait éventuellement résoudre des problèmes complexes d'optimisation de la gestion des réservoirs qui sont insolubles pour les ordinateurs classiques.

Conclusion

En tirant parti de l'infrastructure élastique, de l'analyse avancée et de l'IA, les géoscientifiques peuvent réduire l'incertitude, accélérer le calendrier des projets et collaborer plus efficacement que jamais. Les études de cas de Shell, Eni et CGG démontrent que la technologie est mature et offre une valeur commerciale mesurable. Pour toute organisation sérieuse sur l'optimisation de la gestion des ressources dans un environnement riche en données et soucieux des coûts, une stratégie cloud bien planifiée n'est plus facultative.