Gisements miniers et pétroliers

Permanent URI for this communityhttps://dspace.univ-boumerdes.dz/handle/123456789/4050

Browse

Now showing 1 - 13 of 13

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.
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.
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.
Développement d’un outil d’aide à la prise de décision lors de la complétion des puits d’hydrocarbures
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2022) Megherbi, Zakaria; Laoufi, Hichem; Zeraibi, Noureddine (Promoteur)
La Production de sable est l'un des principaux problèmes de l'industrie pétrolière et gazière, plus précisément l’aspect amont. Elle affecte gravement les aspects techniques et économiques en diminuant la récupération des hydrocarbures et en augmentant les coûts opérationnels. Heureusement, il existe différentes techniques pour traiter ce phénomène mais le défi reste tout le temps d’actualité et ce pour comprendre les critères de sélection de la méthode de contrôle du sable appropriée afin de remédier à ce problème. L'objectif de cette thèse est de développer une approche de classification pour prédire la méthode optimale de contrôle du sable en utilisant des algorithmes d'apprentissage automatique. Quatre modèles différents ont été utilisés, à savoir : K-Nearest Neighbors, Support Vector Machine, Random Forest, Arbre de Decision. Cette étude a été menée sur une base de données appartenant au Dataset internationale regroupant les donnes de plus de 1900 puits, utilisée à l'origine pour comparer la fiabilité de différentes formes de contrôle du sable. Le long de ce mémoire, nous allons proposer une démarche fiable en utilisant les techniques su citées, l'analyse et le traitement des données ont montré que jusqu’à un certain niveau, ces méthodes peuvent nous fournir des solutions optimales assurant une complétion adéquate pour le puits candidat. De ce fait, cette approche s’avère une approche potentielle qui s’élève au niveau d’un outil d’aide à la prise de décision. Et par conséquent ces techniques développées peuvent venir en aide auprès des ingénieurs et les superviseurs en charge de l’étape de choix des complétions.
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.
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.
Étude qualitative des attribues sismiques sur l’extraction automatique des failles par intelligence artificielle
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2023) Saci, Mousaab; Benayed, Soumya (Promoteur)
La modélisation de réservoir est un processus long et itératif, commençant par l'interprétation, puis la modélisation, et enfin l'obtention d'aperçus et de prises de décision. Une des étapes critiques est l'interprétation sismique (plus précisément, l'interprétation des failles), où les spécialistes peuvent différer dans leur interprétation en fonction des objectifs, ce qui conduit à la génération de multiples résultats à chaque étape du flux de travail de la modélisation, d'où de nombreuses réalisations, et cela peut prendre des mois en fonction du projet. Dans cette étude, nous tenterons d'accélérer l'interprétation des failles en l'automatisant et en utilisant les dernières technologies. Il existe essentiellement trois façons possibles d'extraire les failles des données sismiques : interprétation manuelle, extraction semi-automatisée des failles à l'aide d'attributs sismiques, extraction automatique des failles à l'aide de l'apprentissage automatique sur DELFI. Les attributs sismiques se sont révélés efficaces dans l'extraction des failles, éliminant la sélection manuelle et exploitant les attributs structurales pour la détection des failles. De plus, ils sont utilisés comme filtres pour mettre en évidence les caractéristiques structurelles dans les données sismiques de mauvaise qualité. En ce qui concerne le Machine Learning, le processus d'interprétation des failles est entièrement automatisé en utilisant des algorithmes de segmentation d'images pour la détection des failles. La technique a montré un excellent potentiel, néanmoins elle reste encore peu développée. Par conséquent, nous allons tester Machine Learning Assisted Seismic Interpretation (MLASI) en utilisant des cubes sismiques originaux, puis essayer de l'améliorer en utilisant différentes entrées en suivant l'ordre de développement des attributs sismiques, et enfin comparer tous les résultats. Nous utilisons les données sismiques (3D) du sous-bassin d'Exmouth (partie du bassin de Carnarvon nord) situé au large de la côte nord-ouest de l'Australie, où se manifeste un régime tectonique extensionnel, avec des failles majeures orientées NE-SW et inclinées vers l'Est et l'Ouest. L'utilisation de (MLASI) avec les données sismiques originales a montré de bons résultats, cependant, l'utilisation des attributs structurales tels quels ne correspond pas aux résultats des sismiques originaux. Cependant, en conditionnant les données sismiques à l'aide de techniques et de flux de travail innovants tels que l’Ant-tracking (Suivis de fourmis) multiple, cela a montré une amélioration majeure par rapport à l'utilisation des seuls attributs structurales. Cela n'a été possible que grâce à l'utilisation du Cloud, ce qui a permis la réalisation de nombreuses expériences en peu de temps.
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.
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.
Optimisation du processus "WAG" par le développement d'un modelé proxy
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2022) Mellah, Amir; Saifi, Redha (Promoteur)
L'Optimisation du processus d'injection alternative eau-gaz (WAG) est un problème complexe, qui nécessite un grand nombre de simulations numériques coûteuses en temps. Par conséquent, le développement d'une méthode proxy rapide et précise devient une nécessité. Les modèles de proxies, qui sont des modèles mathématiques légers, ont une grande capacité à identifier des problèmes très complexes et non directs tels que les réponses des simulateurs numériques en peu de temps. Un modèle prédéfini est employé pour approximer les sorties des simulateurs numériques tels que la production totale des champs pétrolifères (FOPT). Cette étude démontre l'application des réseaux neuronaux artificiels comme proxy dynamique pour l'optimisation d'un processus WAG dans un champ synthétique.
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.
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.
Prévision de la production des puits dans les réservoirs de schiste par l’apprentissage automatique et l’analyse des courbes de Déclin
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2021) Taibi, Abderrahmane; Zeraibi, Noureddine (Promoteur)
Au cours de la derniere decennie, la production d'hydrocarbures provenant des zones de schiste a augmente de facon spectaculaire,ce qui a eu un impact considerable sur l'industrie petroliere. Si cette production accrue a pro te a l'industrie, ces ressources non conventionnelles ont en meme temps pose de nombreux de s aux evaluateurs de reserves de petrole et de gaz. L'un de ces de s consiste a prevoir la performance et la duree de vie a long terme de la production de schiste, en particulier de maniere rapide et able.Dans ce travail nous avons releve le de , nous avons etudier ce probleme de trois point de vue dierents, En premier lieu nous avons mis en evidences, l'incapacite des modeles standards de Arps a donner des resultats ables, ceci meme apres l'amputation des valeurs aberrantes. Ensuite, nous avons implementer un autre modele empirique, le modele LGM,qui donna des resultats plus ables. Ensuite nous avons implemente le modele stochastique base sur la methode de Box-Jenkins, Le modele SARIMA. Et nous avons ni le travail avec une methode d'apprentissage profond, l'architecture Bi-LSTM.