Forage des puits

Permanent URI for this collectionhttps://dspace.univ-boumerdes.dz/handle/123456789/4051

Browse

Now showing 1 - 8 of 8

Conception de la solution digitale TerraVerse pour la prédiction de la lithologie en temps réel et l'assurance du cheminement de puits contre les interférences magnétiques
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2023) Houdaifa, Khalifa; Boubekour, Zine El Abidine (Promoteur)
Cette thèse vise à fournir aux chercheurs, ingénieurs et opérateurs des disciplines du forage et de l'amont un outil complet basé sur les données. Avec une large gamme de fonctionnalités, notamment des modèles prédictifs et des outils analytiques, cet outil exploite l'intelligence artificielle pour rationaliser les opérations et atténuer les catastrophes potentielles. Le projet utilise des données provenant du prestigieux village de Volve, divulgué par Equinor en 2018, en tant que ressource précieuse pour faire progresser la recherche et l’innovation dans l'industrie pétrolière et gazière.
Conception optimisée de fluides de forage à base de nanoparticules et contrôle amélioré de la filtration : méthodologies de Mapping inverse et algorithmes évolutifs
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Boualouache, Ahmed; Attaba, Mohamed Amine; Belimane, Zakaria (Promoteur)
L'Incorporation de nanoparticules dans les fluides de forage a émergé comme une technique prometteuse pour améliorer le contrôle de la filtration dans les opérations de forage. Cette étude vise à déterminer la composition optimale des fluides de forage enrichis en nanoparticules en utilisant des techniques de modélisation avancées. Nous avons développé deux modèles généraux de réseaux de neurones artificiels (ANN) : le premier prédit le volume de filtrat de la boue à base de nanoparticules, tandis que le second, comprenant quatre sous-modèles, prévoit les propriétés rhéologiques de cette même boue. Pour identifier la composition optimale du fluide de forage nano, nous avons utilisé la cartographie inverse avec des algorithmes évolutifs (EA), intégrant un mécanisme de partage pour restreindre l'espace de recherche en utilisant le modèle rhéologique comme modèle de contrôle. Nos modèles ont montré des performances robustes, affichant des améliorations significatives dans la prédiction des propriétés de filtration et de rhéologie des fluides de forage enrichis en nanoparticules. Les données utilisées pour l'entraînement et la validation proviennent entièrement d'expériences en laboratoire. Un travail futur intégrant ces modèles avec des données réelles pourrait révolutionner la conception et l'application des fluides de forage, conduisant potentiellement à des opérations de forage plus efficaces et plus économiques.
Développement d’un système intelligent pour la détection et l’atténuation du phénomène de "Stick-slip" à l’aide des algorithmes d’apprentissage automatique
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2023) Abderrahmane, Daoud; Zerara, Aymen; Boubekour, Zine El Abidine (Promoteur)
La réussite d'un forage de puits de pétrole et/ou de gaz repose essentiellement sur le bon fonctionnement du train des tiges qui sont souvent sujettes à un phénomène de vibration appelé stick-slip. Ce phénomène entraîne de nombreux problèmes tels que l’usure de l'outil de forage, la détérioration des parois des puits et une réduction du taux de pénétration, entraînant ainsi une diminution des performances de forage et augmentation du temps non productif (NPT). Dans ce travail, nous avons développé un système intelligent visant à détecter automatiquement la présence du phénomène de stick-slip et à recommander la solution optimale pour atténuer son effet. Pour cela, plusieurs méthodes, notamment l'algorithme d'apprentissage automatique SVM et la méthode de SAX ont été utilisées. Ces approches nous ont permis de créer un système robuste qui utilise les données de surface pour soutenir l'équipe de forage. Les résultats obtenus en analysant les paramètres de forage tels que le poids sur le trépan (WOB) et la vitesse de rotation (RPM) à travers notre système, ont démontré que les techniques d'apprentissage automatique peuvent automatiser le processus de forage en temps réel, améliorant ainsi son efficacité et réduisant les effets néfastes liés au stick-slip.
Emulating "Directional Driller Decision-Making" for trajectory : optimization using "Machine Learning" in Ain Aminas field
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2025) Sayah, Aya; Mansour, Mohammed Tahar; Belimane, Zakaria (Promoteur)
While traditional methods like Positive Displacement Motors (PDM) served their purpose, modern directional drilling thrives on advanced Rotary Steerable Systems (RSS). This thesis introduces a revolutionary approach: leveraging Artificial Intelligence (AI) to emulate and surpass human expertise in guiding complex wellbore trajectories. Our research meticulously integrates RSS capabilities with real-time Measurement While Drilling (MWD) data. Through sophisticated machine learning techniques,including the application of the eXtreme Gradient Boosting (XGBoost) algorithm and optimization techniques, we interpret intricate drilling parameters to replicate the intuitive decisions of seasoned human operators. This innovative framework transforms directional drilling from a human-dependent craft into a highly autonomous and adaptive system, ensuring unparalleled accuracy and operational integrity. This work pioneers intelligent drilling solutions that precisely mirror human proficiency in trajectory planning and execution.
Optimisation de «ROP» et «MSE» utilisant les algorithmes «META-HEURISTIQUES»
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Ghebache, Abdenncer; Bouchema, Ayyoub; Belimane, Zakaria (Promoteur)
L'Obtention du taux de pénétration maximal "ROP" est l'une des nombreuses techniques permettant de réduire les coûts et Le temps non productif dans le forage des puits. Cette étude a été développée en trois parties : tout d'abord, les données ont été sélectionnées et prétraitées. Dans la deuxième partie, cinq modèles d'apprentissage automatique (Forêt aléatoire, Gradient Boosting, Support Vector Regressor, Réseau de neurones et Ada Boost) ont été mis en œuvre pour créer un modèle de "ROP". Ensuite, une optimisation mono-objective du "ROP" et de l'énergie spécifique mécanique (MÉSE) a été réalisée en utilisant Îles algorithmes d'évolution différentielle (DE) et d'optimisation par essaim de particules (FSO). L'algorithme génétique de tri non domine Il (NSGA-Il) est ensuite utilisé pour l'optimisation multi-objectif avec le taux de pénétration et l'énergie spécifique mécanique comme objectifs d'optimisation. Les résultats de cette étude fournissent des informations précieuses sur l'application des modèles d'apprentissage automatique et des algorithmes d'optimisation dans l’industrie du forage, offrant une approche systématique pour améliorer l'efficacité du forage et réduire les coûts opérationnels.
Optimisation du «ROP» en utilisant les techniques d’apprentissage automatique : cas d’une boue à base d’eau haute performance
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Doumane, Hamza; Toumi, Mohamed Ibrahim; Azril, Nadjet (Promoteur)
Pendant des décennies, les puits pétroliers ont été forés en utilisant une boue à base d'eau conventionnelle « WBM » dans la section supérieure et des systèmes de boue à base d'huile « OBM » dans les autres sections du puits. La conception standard du puits générant des coûts élevés d'élimination des déchets à terre el en mer, notamment en ce qui concerne les déchets d'OBM. Dans le cadre de la stratégie d'amélioration environnementale, l'équipe de l'opérateur et du fouisseur de fluides a identifié des économies potentielles significatives en matière de coûts d'élimination pour un essai à terre. L'utilisation d'un système « WBM » pour le forage des sections supérieures ainsi que des sections inférieures pourrait entraîner des économies de coûts grâce à la réduction de la dilution du fluide de la section supérieure ainsi qu'à une réduction des couts d'élimination des déchets. Un système de boue à base d'eau à haute performance « HPWBM » avec des performances similaires à un système « OBM » a été propose dans le cadre d'un essai pour démontrer ces économies potentielles de coûts d'élimination pour un puits à terre. L'essai sur le terrain a été un grand succès par rapport aux systèmes et méthodologies de fluides conventionnels.
Prédiction du taux de pénétration (ROP) en forage directionnel par "Apprentissage Automatique" : étude de cas du puits "MDZ-802"
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2025) Hamidatou, Abdelkader; Mayouf, Mansour (Promoteur)
Porte sur l’optimisation du taux de pénétration (ROP) dans le contexte spécifique du forage directionnel, où la prédiction du ROP demeure un défi en raison de la complexité et de la non-linéarité des paramètres géologiques, de forage et rhéologiques. Pour y répondre, trois modèles de régression issus de l’apprentissage automatique ont été appliqués : la régression linéaire, Random Forest et XGBoost. Après un prétraitement rigoureux des données, les modèles ont été évalués, et Random Forest a montré la meilleure performance avec un score R² de 0.8116. Les résultats mettent en évidence le potentiel de l’intelligence artificielle pour améliorer la prise de décision dans les opérations de forage directionnel.
Prédiction intelligente des coincements en utilisant les algorithmes de l’apprentissage automatique
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2022) Alalouche, Wassim; Chalah, Nina; Azril, Nadjet (Promoteur)
De nos jours, avec la croissance exponentielle du niveau de difficulté des défis rencontrés quotidiennement par l’industrie du pétrole et du gaz et avec la croissance parallèle de la demande énergétique mondiale. La nécessité de l’optimisation des processus ne peut être suffisamment accentuée, alors que la récente tendance à l’automatisation modifie fondamentalement la façon dont la plupart des processus industriels sont menés. L’industrie du pétrole et du gaz s’adapte à son tour à ces changements, avec l’émergence de solutions numériques et d’équipements améliorés grâce à la puissance de l’analyse des données et de l’intelligence artificielle. Le présent travail a porté sur un problème fréquemment rencontré durant le forage dans le monde entier qui est les coincements des garnitures, Malgré toutes les précautions prises il reste parmi les problèmes majeurs qui constituent un grand obstacle pour la poursuite du forage et qui conduit à une perte en temps et d’argent considérable. Dans ce travail une nouvelle approche consiste à prédire l’occurrence les coincements en utilisant les Techniques de l’intelligence artificielle, plus particulièrement l’apprentissage automatique. Avant que le phénomène se met en place, Pour arriver à cette fin, en premier temps nous allons acquis, préparer, nettoyer et filtrer le data RTOM appuyé avec les rapports journaliers de forage (DDRs) et les rapports finaux (FWRs) de 30 puits dans une région (α) du Sud Algérien, Puis nous allons enchaîné avec la modélisation, en utilisant le langage “Python” plusieurs modèles (7 au total) sur 75% du data et les allons testé avec les 25% restants. Nous validerons le meilleur modèle ayant obtenu les meilleurs scores (Accuracy, Precision, Recall et f1-Score) avec un data de validation. Par ailleurs nous estimerons la probabilité d’occurrence des coincements en temps réel en utilisant les paramètres RTOM.