Génie Pétrolier

Permanent URI for this communityhttps://dspace.univ-boumerdes.dz/handle/123456789/73

Browse

Now showing 1 - 2 of 2

Adaptation de la méthode de régularisation au traitement des données de well test
(2014) Saifi, Redha
L'interprétation des essais de puits a pour objectif principal l'identification des paramètres caractéristiques d'un modèle représentant le réservoir. En effet, durant des décennies, de nombreux chercheurs ont tenté d'élargir les conditions d'interprétation des essais de puits (wellbore storage, traitement des réservoirs d'un type particulier...etc.) en utilisant la méthode de superposition des résultats expérimentaux à l'une des courbes d'un modèle près donné. L'utilisation de cette méthode traditionnelle (superposition sur un modèle prédéfinie) pour interpréter les résultats d'un essai du puits, présente malheureusement plusieurs inconvénients : " Il est parfois difficile de trouver un modèle représentatif à cause de la géométrie complexe du réservoir. " L'existence d'une certaine erreur sur l'estimation des paramètres de modèle. " Les tests sont limités pour un seul puits et pour des essais de Drawdown ou bluid-up. Afin de remédier à ces problèmes, Durant les années 1990, une nouvelle méthode a été mise en point par Economides et al [42]. Cette méthode consiste à ajuster les paramètres initiaux obtenus à partir de l'interprétation traditionnelle d'une réponse impulsionnelle en utilisant la régression non linéaire. Le but de notre travail est de calculer la réponse impulsionnelle du réservoir et sa dérivée pour n'importe quel historique de production en utilisant un algorithme basé sur le principe de régularisation qui nous permettra d'avoir de meilleurs résultats même avec des erreurs importantes sur les mesures expérimentales. Pour atteindre notre objectif, nous avons mené cette étude en distinguant la partie suivante : " L'étude de l'influence des erreurs de mesure sur un problème mal-posé. " Le développement d'un code de calcul pour : " Simuler la pression de fond en utilisant l'équation de convolution. " Calculer la réponse impulsionnelle d'un réservoir par la technique de régularisation " Calculer la dérivée de la pression par la technique de régularisation. " L'application de la méthode de régularisation sur un test multi-rate. " Amélioration d'une fonction objective sur le terme de régularisation qui nous permet d'avoir une courbe bien lissée de la réponse impulsionnelle et sa dérivée
Etude de quelques problèmes inverses en génie pétrolier : application aux well tests
(Universite M'Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Saifi, Redha; Zeraibi, Noureddine(Directeur de thèse)
Ce travail pr´esente une approche bas´ee sur l’application d’un pr´edicteur agr´eg´e form´e par plusieurs versions d’un r´eseau neuronal multicouche avec un algorithme d’optimisation de r´etro-propagation pour nous aider `a obtenir une liste de mod`eles les plus appropri´es d’interpr´etation de test de puits et ce pour un ensemble donn´e de pression./ donn´ees de production. La m´ethodologie retenue pour ce travail se d´ecompose en trois ´etapes : 1. R´eduction de la dimension des donn´ees pour r´eduire le nombre des variables input de la couche d’entr´ee dans le r´eseau de neurones artificiels, 2. R´epliques bootstrap de l’ensemble d’apprentissage o`u les donn´ees sont ´echantillonn´e `a plusieurs reprises avec une division al´eatoire des donn´ees en ensembles de trains afin de les utiliser comme nouveaux ensembles d’apprentissage, et 3. Identification automatique du mod`ele de r´eservoir via un pr´edicteur agr´eg´e form´e par un vote de pluralit´e lors de la pr´ediction d’une nouvelle classe. L’ensemble de donn´ees de formation et de test requis a ´et´e g´en´er´e `a l’aide de mod`eles de solution analytique. Dans notre cas, 600 ´echantillons ont ´et´e utilis´es : 300 pour l’apprentissage, 100 pour la validation crois´ee et 200 pour les tests. Diff´erentes structures de r´eseau ont ´et´e test´ees au cours de cette ´etude pour arriver `a une conception de r´eseau optimale. Nous remarquons que la m´ethodologie de r´eseau unique entraˆ?ne toujours une confusion dans la s´election du mod`ele correct. Nous remarquons ´egalement que la r´eduction des dimensions des donn´ees est une strat´egie efficace pour r´eduire le nombre de caract´eristiques d’entr´ee, simplifier la structure du r´eseau et r´eduire le temps de formation de l’ANN. Les r´esultats obtenus montrent que l’approche propos´ee offre une meilleures performances lors de la pr´ediction de nouvelles donn´ees avec un coefficient de corr´elation environ ´egal `a 95% Par rapport `a une approche classique qui est de 80%, la combinaison la technique de r´eduction de dimension est plus stable car elle permet d’atteindre le mˆeme objectif avec moins d’effort. L’approche propos´ee se montre comme un outil de classification avec une rigueur math´ematique et une pr´ecision int´eressante et de ce fait elle peut ˆetre g´en´eralis´ee `a l’´etude d’autres probl`emes semblables