Faculté des Hydrocarbures et de la Chimie
Permanent URI for this communityhttps://dspace.univ-boumerdes.dz/handle/123456789/2340
Browse
25 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 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.Item Control of liquid level in coupled tanks «CT-100» using reinforcement learning(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2025) Belouanas, Mohamed Hani; Beddek, Karim (Promoteur)This Document proposes an application where Reinforcement Learning (RL) could be applied to maintain the liquid on a desired level in a system with a known non-linear dynamics. In Artificial Intelligence (AI), Reinforcement Learning (RL) is one of the most important technics of Machine Learning (ML), an initial introduction to these fundamental technics is given in Chapter 1, which serves as an introduction before exploring deeper reinforcement learning techniques. In Chapter 2, an exploration of (RL) methods including Model-Based (MB) and Model-Free (MF) learning is introduced, then digging into two important algorithms; Policy Iteration (PI) and Q learning. Since this document contains a simulation, it is essential to develop a comprehensive coupled tanks system model using physical and mathematical laws such us the principle of mass conservation. This model will outline the key components and dynamics of the system, providing a foundation for accurate simulations. Chapter 3 details the construction and parameters of the system model. Finally, Chapter 4 introduces the application of reinforcement learning (RL) algorithms to control the liquid level in our coupled tank system. It includes a description of the MATLAB implementation results, followed by an overview of the results.Item Automated detection and classification of defects in the outer surface of transportation pipelines(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Hadidi, Anfel; Khebli, Abdelmalek (Promoteur)This Dissertation explores the critical importance of defect detection in pipelines and advocates for the integration of artificial intelligence (AI) to enhance inspection capabilities. Traditional methods of pipeline inspection are prone to human error and lack scalability. By employing machine learning models, this study proposes a novel approach to pipeline inspection. The integration of AI offers numerous advantages, including increased efficiency, accuracy, and scalability in defect detection. Through rigorous experimentation and evaluation, this research demonstrates the effectiveness of AI-driven approaches in enhancing pipeline integrity management. Furthermore, the study emphasizes the sensitivity of AI-based defect detection systems and underscores the significance of feature engineering using deep learning techniques. By extracting rich features from pipeline images, the VGG architecture combined with machine learning models facilitates more robust and discriminative representations, enhancing the model's ability to detect subtle defects with high precision and recall. This dissertation contributes to the advancement of pipeline inspection practices, highlighting the potential of integrating advanced technologies to ensure safer, more reliable, and cost-effective maintenance strategies in the industrial sector.Item Deep Q-Learning and Double Deep Q-Learning for optimizing transitions within deterministic environments(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Gherbia, Oussama; Kohil, Yasser; Lachekhab (Kahoul), Fadhila (Promoteur)The Development of intelligent decision-making algorithms has become important for technological growth in the era of artificial intelligence (AI), machine learning, and deep learning. These sectors have not only transformed whole businesses, but they have also completely changed the way we use technology every day. Reinforcement learning, a subfield of machine learning that focuses on teaching agents to make logical choices in dynamic environments. This document offers a deep review of reinforcement learning, with special attention paid to three essential algorithms: Q-learning , deep Q-learning, and double deep Q-learning. Each of these algorithms offers ever more advanced methods for handling challenging issues in a variety of fields, matting an important turning point in the pursuit of intelligent decision-making.Item Surveillance d’un turbocompresseur Propane industriel basée sur le Deep Learning(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Bennabi, Merina; Mammasse, Melissa; Habbi, Hacene (Promoteur)Les Processus industriels sont sujets à de multiples défaillances, ce qui rend la détection et le diagnostic de défauts un domaine de recherche d’une importance majeure. De nombreuses méthodes ont été développées à cet effet dans le contexte de l'apprentissage de la machine (Machine Learning ou ML), et plus précisément le Deep Learning qui est une branche du ML ayant suscité un intérêt particulier ces dernières années. Dans cette thèse, nous nous sommes intéressés au problème particulier de la surveillance du turbocompresseur propane de la boucle de réfrigération au propane entrant dans le cycle de liquéfaction du gaz naturel dans le Complexe GL2Z de la zone industrielle d’Arzew. Notre approche de surveillance est typiquement orientée vers la conception d’un système de classification de défauts basée sur les réseaux de neurones à convolution (CNN), dont le développement engage l’emploi d’une quantité importante de mesures prélevée sur le système réel dans différentes périodes de fonctionnement par les opérateurs sur site. Cette base de données regroupe des situations de fonctionnement normal et défaillant présentant des caractéristiques très variées et complexes. Les modèles de diagnostic développés ont été validés sur les données expérimentales du processus à surveiller, montrant des performances supérieures en termes de training, testing et prédiction des défauts. Nos résultats constituent une preuve de faisabilité de l’approche de surveillance par Deep Learning en milieu industriel, offrant par conséquent des solutions de monitoring très prometteuses en matière d’exploitation de l’historique des mesures à des fins de surveillance industrielle.Item Allocation optimale des débits de gaz dans clusters de puits en «Gas Lift» via «Machine Learning»(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Boulares, Lyna; Mechehoud, Khoula; Zeraibi, Noureddine (Promoteur)Cette Étude explore l'optimisation de l'allocation du gas lift afin de maximiser la production de pétrole dans un champ multi-puits. Notre approche combine des méthodes analytiques traditionnelles avec des techniques avancées de machine learning, telles que le Perceptron Multicouche (MLP) et le Gradient Boosting, pour modéliser les courbes de performance du gas lift et prédire les taux d'injection de gaz optimaux. En utilisant des méthodes d'optimisation comme Sequential Least Squares Programming (SLSQP), nous allouons le gaz de manière efficace à travers les différents puits, tout en tenant compte des contraintes de ressources disponibles. Cette intégration de modèles prédictifs et d'optimisation vise à améliorer significativement l'efficacité de la production pétrolière et à offrir une solution robuste aux défis opérationnels dans l'industrie pétrolière.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 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.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.
- «
- 1 (current)
- 2
- 3
- »