Faculté des Hydrocarbures et de la Chimie

Permanent URI for this communityhttps://dspace.univ-boumerdes.dz/handle/123456789/2340

Browse

Subject: search.filters.subject.Prévision

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    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.
  • No Thumbnail Available
    Item
    La Prédiction des propriétés "PVT" a l’aide des réseaux des neurones artificiels
    (Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2016) Belimane, Zakarya; Idir, Hamou; Saifi, Redha (Promoteur)
    La Connaissance des propriétés PVT est d'une importance primordiale dans l’industrie pétrolière. Ces propriétés PVT peuvent être obtenues à partir des tests au niveau du laboratoire en utilisant des échantillons représentatifs du fluide de réservoir prélevés à la suite d’un échantillonnage sur champ. L’utilisation des corrélations est capitale pour la prédiction de ces propriétés PVT, plusieurs corrélations ont été développées au cours des dernières décennies comme celles d’El-Marhoun, de Standing, de Glaso et de Petrosky-Farshad. Une autre méthode se présente aussi au cours de ces dernières années qui se base sur l’utilisation d’une technique de l’intelligence artificielle qui s’appelle les réseaux des neurones artificiels, cette dernière repose sur la simulation du principe de fonctionnement des neurones biologiques afin de l’utiliser pour résoudre des problèmes complexes. Le but de notre travail est de créer un modèle Black-oil prédictif de la Pb et le Bob, en se basant sur les mêmes données (Rs, TR, Pb,Bob, γg, γo) utilisées dans les corrélations citées précédemment, puis une comparaison est faite entre les deux.