Gisements miniers et pétroliers

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

Browse

Now showing 1 - 2 of 2

Apport du "Back-Allocation" pour le contrôle de la production des champs pétroliers
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2023) Yahiaoui, Souhila; Tamazirt, Nesserine; Zeraibi, Noureddine (Promoteur
Cette étude se concentre sur l'utilisation de la back-allocation comme solution efficace pour corriger les débits calculés en l'absence de jaugeage individuel et détecter les anomalies dans la durée de vie des puits. Nous examinons les différentes corrélations théoriques existantes dans la littérature pour estimer les débits à travers les dusses, tant pour le régime critique que non critique. Pour améliorer les performances des modelés théorique nous utilisons les techniques de machine Learning telle que le random Forest et l’ANN et ce pour effectuer une analyse de sensibilité des paramètres à l'échelle du champ pétrolier. De même la meilleure équation de chaque régime a été réadaptée à des intervalles spécifiques de GOR, une autre alternative a été abordée à travers laquelle en évaluant la performance des puits individuellement par Le modèle LSTM. Pour corriger les débits calculés, on détermine des coefficients k spécifiques à chaque puits, déterminés à partir de l'historique de production. Cette correction vise à améliorer la précision des estimations et à se rapprocher des débits réels. On cherche également à détecter les anomalies des débits à l’aide des deux méthodes différentes z score et LSTM.
Monitoring des puits du champ de Hassi Messaoud par l’application des algorithmes de "Machine Learning"
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2021) Hadjari, Thileli; Hadjadj, Amel; Zeraibi, Noureddine (Promoteur)
Ce Projet de fin d’étude comprend le développement de plusieurs modèles pour l’estimation du débit d’huile à travers les duses au champ de Hassi Messaoud, et ce par l’adaptation de deux approches, à savoir : la modélisation semi empirique ; l’intelligence artificielle. Lors du recours à ces deux approches, certaines corrélations existantes dans la littérature, sont adaptées à des régimes spécifiques, de même la meilleure équation de chaque régime a été réadaptée sur chaque intervalle de GOR. Concernant cette problématique, divers modèles intelligents ont été réalisés pour représenter le régime critique et non critique où il a été montré que les réseaux de neurones (ANN) présentent les meilleures performances sur l’ensemble des données de test. En su de cette approche, une autre alternative a été abordée à travers laquelle chaque puits est traité individuellement en faisant appel à : la programmation génétique GP ; les modèles LSTM. Effectivement cette dernière alternative a révélé des résultats fortement intéressants et qui reste un domaine à explorer minutieusement.