Gisements miniers et pétroliers
Permanent URI for this communityhttps://dspace.univ-boumerdes.dz/handle/123456789/4050
Browse
10 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 Prévention et traitement du «Liquide Loading» dans les puits de gaz à condensat dans le champ de Hassi R’mel(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Zemmal, Akram Mourad; Derradji, Taha Mustapha; Zeraibi, Noureddine (Promoteur)Ce Mémoire de master traite du problème du Liquid Loading dans les puits de gaz matures du champ de Hassi R'mel en Algérie. Une méthodologie innovante combinant modélisation avancée (PIPESIM), Python et analyse des données de production est proposée pour optimiser la gestion du Liquid Loading et prolonger la durée de vie des puits. L'étude identifie le modèle de Turner comme le plus pertinent dans le champ de Hassi R’mel pour prédire l'apparition du phénomène et évalue l'efficacité des solutions de velocity string, d'extension de tubing et de Boosting progressif pour le gérer à court et moyen terme. Les résultats soulignent la nécessité d'une approche de gestion intégrée et proactive, combinant ces solutions avec une planification à long terme des techniques de lift artificiel conventionnelles. Au-delà de son apport technique, ce mémoire met en lumière l'importance d'une exploitation durable et responsable des champs matures. Les méthodologies et recommandations proposées ouvrent des perspectives prometteuses pour l'optimisation de la prédiction et du traitement du Liquid Loading à l'aide de l'intelligence artificielle, contribuant ainsi à relever le défi de la production durable dans un contexte de ressources déclinantes.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 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.Item Leveraging artificial intelligence to re-evaluate unconventional hydrocarbon potential: the frasnian source rock in the north of Berkine basin(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Aiche, Oussama; Belghit, Abdeldjalil; Benayed, Soumya (Promoteur)Dans ce travail, nous nous sommes concentrés sur l'évolution géochimique du gaz de schiste dans la roche mère du Frasnien, située dans le bassin de Berkine, dans le Sahara algérien. Notre objectif principal était d'analyser les propriétés géochimiques de la formation Frasnien afin d'estimer les volumes d'hydrocarbures présents, en utilisant la méthode Michael (2014). Nos résultats indiquent que cette formation contient des quantités significatives de matière organique et présente un potentiel pétrolier considérable. Cependant, il est important de souligner que le développement de ces ressources nécessite des technologies spécialisées, car la formation Frasnien est considérée comme une ressource non conventionnelle. De plus, nous avons intégré des techniques d'intelligence artificielle pour améliorer l'estimation des volumes d'hydrocarbures.Item 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.Item 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.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.Item Approche sur les caractéristiques pétrophysiques du réservoir "TAGI" de El Hadjira "2" avec l’intelligence artificielle(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2022) Guemadi, Rym; Benayed, Soumya (Promoteur)Une bonne caractérisation des propriétés du réservoir pétrolier nécessite des mesures directes sur les carottes, cependant ces dernières ne sont pas toujours disponibles à cause des problèmes techniques et géologiques rencontrés durant l’opération du carottage. Pour remédier à cette lacune, le défi se situe à la recherche d’un outil efficace et rapide pour reconstituer les faciès non carottés et pour estimer certains paramètres pétrophysiques avec précision tels que : la porosité et la perméabilité représentant des éléments fondamentaux pour l’évaluation du gisement. Diverses formules ont été suggérées pour la prédiction de ses paramètres, mais elles sont limitées et peuvent entraîner des incertitudes très élevées impliquant de fausses évaluations des réserves en place, soit par une sous-estimation ou surestimation et par conséquent, cela va influencer l’aspect économique lié à l’investissement et le développement du gisement. Au cours des deux dernières décennies, de nombreuses méthodes liées l’intelligence artificielle ont été proposées pour résoudre des problèmes complexes dans l’ingénierie de pétrole surtout après la pandémie de COVID-19. L’objectif de cette thèse se focaliser sur la reconstitution des faciès non carottés et à l’estimation de la porosité et la perméabilité manquante en utilisant une technique de l’intelligence artificielle à l’aide des diagraphies de puits. Le réservoir hétérogène du Trias Argileux Gréseux Inférieur du champ d’EL Hadjira 2 au bassin d’Oued Mya sud-est de l’Algérie, a été pris comme zone d’étude en raison de la grande variation des paramètres pétrophysiques. La méthode Convolutionnel Neural Networks (CNN) est la méthode proposée et elle est utilisée pour prédire les propriétés des images de carottage. L’ensemble de données d’image est segmenté en appliquant une segmentation de bassin versant pour extraire le réseau de pores de l’échantillon. La porosité et la taille moyenne des pores sont les deux propriétés calculées pour cette étude. Une description détaillée du processus de segmentation des images, de l’architecture CNN est présentée dans ce travail.