Gisements miniers et pétroliers
Permanent URI for this communityhttps://dspace.univ-boumerdes.dz/handle/123456789/4050
Browse
Item Optimisation des paramètres mécaniques de forage par le modèle d’énergie spécifique (ES) dans le champ Haoud Berkaoui : cas des puits "BKRE-5" et "OKJ-22"(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2017) Nouali, Walid; Daoud, Zakaria; Boumaza, Nadia (Promoteur)L’un de défis de la technologie de forage de nos jours et d’atteindre l’objectif à moindre coût tout en assurant les meilleurs conditions de travail et de sécurité. Une étude statistique à travers les gisements pétroliers du monde a permet d’estimer que 60% du prix total d’un forage est étroitement lié à la durée de sa réalisation. Ce travail sera divisé en deux grande partie ; la première va aborder quelque notions théoriques sur le forage et ses paramètres qui influent la vitesse d’avancement et la deuxième sera consacrée à présenter une approche d’optimisation des paramètres mécaniques de forage essentiellement le poids sur l’outil et la vitesse de rotation par le modèle d’énergie spécifique , ce modèle sera basé sur une régression non linéaire qui prend en compte tous les paramètres et facteurs liés à la formation traversé par ce forage. Et en combinant théorie et pratique on va appliquer le modèle réalisé auparavant par ces deux approches sur les puits : BKRE-5 (par la première approche), et OKJ-22(par la deuxième approche) à Hassi Messaoud plus précisément à Haoud Berkaoui. Enfin et comme conclusion on va commenter sur les résultats obtenus et calculer le gain de temps ainsi que celui dans le prix du mètre foré.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.