Les scientifiques de Skoltech et leurs collègues de l'industrie ont trouvé un moyen d'utiliser l'apprentissage automatique pour prédire avec précision la conductivité thermique de la roche, un paramètre crucial pour une récupération améliorée du pétrole. La recherche, soutenu par Lukoil-Engineering LLC, a été publié dans le Journal Géophysique International .
La conductivité thermique de la roche, ou sa capacité à conduire la chaleur, est essentiel à la fois pour modéliser un bassin pétrolier et concevoir des méthodes de récupération assistée du pétrole (EOR), la récupération dite tertiaire qui permet à un opérateur de gisement de pétrole d'extraire nettement plus de pétrole brut qu'avec des méthodes de base. Une méthode EOR courante est l'injection thermique, où l'huile dans la formation est chauffée par divers moyens tels que la vapeur, et cette méthode nécessite une connaissance approfondie des processus de transfert de chaleur au sein d'un réservoir.
Pour ça, il faudrait mesurer la conductivité thermique de la roche directement in situ, mais cela s'est avéré être une tâche ardue qui n'a pas encore produit de résultats satisfaisants utilisables dans la pratique. Alors les scientifiques et les praticiens se sont tournés vers les méthodes indirectes, qui déduisent la conductivité thermique de la roche à partir de données de diagraphie de puits qui fournissent une image haute résolution des variations verticales des propriétés physiques de la roche.
"Aujourd'hui, trois problèmes principaux excluent toute possibilité de mesurer la conductivité thermique directement dans des intervalles sans carottage. Il est, Premièrement, le temps nécessaire aux mesures :les ingénieurs pétroliers ne peuvent pas laisser le puits en attente pendant longtemps, car il est économiquement déraisonnable. Deuxièmement, la convection induite du fluide de forage affecte considérablement les résultats des mesures. Et enfin, il y a la forme instable des forages, qui a à voir avec certains aspects techniques des mesures, " L'étudiant en doctorat de Skoltech et premier auteur de l'article, Yury Meshalkin, déclare.
Les méthodes connues basées sur les logarithmes peuvent utiliser des équations de régression ou une modélisation théorique, et les deux ont leurs inconvénients liés à la disponibilité des données et à la non-linéarité des propriétés des roches. Meshalkin et ses collègues ont opposé sept algorithmes d'apprentissage automatique dans la course pour reconstruire la conductivité thermique à partir des données d'enregistrement de puits aussi précisément que possible. Ils ont également choisi un modèle théorique de Lichtenecker-Asaad comme référence pour cette comparaison.
En utilisant des données de diagraphie de puits réelles d'un champ de pétrole lourd situé dans le bassin de Timan-Pechora dans le nord de la Russie, les chercheurs ont découvert que, parmi les sept algorithmes d'apprentissage automatique et la régression linéaire multiple de base, Random Forest a fourni les prédictions les plus précises basées sur les diagraphies de puits de la conductivité thermique de la roche, battre même le modèle théorique.
« Si nous examinons les besoins pratiques d'aujourd'hui et les solutions existantes, Je dirais que notre meilleur résultat basé sur l'apprentissage automatique est très précis. Il est difficile de donner une évaluation qualitative car la situation peut varier et est limitée à certains champs pétroliers. Mais je pense que les producteurs de pétrole peuvent utiliser de telles prédictions indirectes de la conductivité thermique des roches dans leur conception EOR, " note Meshalkin.
Les scientifiques pensent que les algorithmes d'apprentissage automatique constituent un cadre prometteur pour des prédictions rapides et efficaces de la conductivité thermique des roches. Ces méthodes sont plus simples et plus robustes et ne nécessitent aucun paramètre supplémentaire en dehors des données de diagraphie de puits communes. Ainsi, ils peuvent « améliorer radicalement les résultats des enquêtes géothermiques, modélisation des bassins et systèmes pétroliers et optimisation des méthodes thermiques EOR, " conclut le journal.
