Etude numérique et estimation des frottements dans les puits pétroliers déviés

Abstract

Les phénomènes de frottement du train de sonde avec la paroi dans les puits déviés peuvent induire une multitude de problème si les forces de frottement issues ne sont pas proprement contrôlées. Par conséquent, une estimation précise de ces forces est capitale pour la réussite des opérations de forage. ? cette fin, deux approches différentes ont été proposées. Notre première approche dans ce travail de thèse consistait à développer un modèle numérique qui fournit une description du comportement du train de sonde en termes de force axiale, de force de contact, de moment de flexion et de couple de torsion le long du puits. Le modèle développé a été validé en confrontant ses résultats avec ceux du modèle souple, qui est le standard de l'industrie pour le calcul de couple et de traînée, et avec des données d'un puits réel. Cette comparaison a indiqué que le modèle proposé fournit des résultats similaires à ceux du modèle souple dans la plupart des cas. Cependant, il a été démontré que notre modèle fournit une analyse approfondie du train de sonde plus que le modèle souple en termes de position des points de contact, du moment de flexion et du jeu radial. Les résultats de notre modèle ont également montré un bon accord avec les données réelles. Notre modèle rigide peut servir d'outil pour optimiser la conception des puits et les paramètres de forage, conduisant à des opérations de forage plus efficaces et plus sûres. Notre deuxième approche était basée sur l'utilisation des techniques d'apprentissage automatique pour la tâche de prédiction des valeurs futures du poids au crochet en temps réel pendant le forage. Quatre modèles d'architectures différentes, y compris le modèle de régression linéaire, les machines à vecteurs de support, le modèle d'ensemble XGBoost, et la variante des réseaux de neurone récurrents LSTM, ont été entrainés et évalués en termes de précision et de besoin en temps sur l'ensemble des données du puits réel. Les résultats ont montré que le modèle de régression linéaire est la meilleure option pour la prédiction du poids au crochet en temps réel du fait de sa précision durable, sa simplicité, son temps d'entrainement réduit et sa mise en œuvre facile étant donné qu'une quantité suffisante de données lui est fournie. Cette approche peut aider à l'optimisation des paramètres de forage en temps réel et à la détection rapide des problèmes de forage