Forage des puits

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

Browse

Author: search.filters.author.Boubekour, Zine El Abidine (Promoteur)Subject: search.filters.subject.Apprentissage automatique

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    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.
  • No Thumbnail Available
    Item
    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.