Forage des puits
Permanent URI for this collectionhttps://dspace.univ-boumerdes.dz/handle/123456789/4051
Browse
3 results
Search Results
Item 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.Item 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.Item 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.