Le problème
Les gisements de pétrole et de gaz s’épuisent à un rythme inquiétant, estimé à −10 % d’ici 2030. Les champs matures exigent de meilleures méthodes de revitalisation pour atténuer, voire inverser cette tendance. Comment, et dans quelle mesure, la modélisation numérique peut-elle compléter les traitements de puits ?
Prévisions à 2100 de la production de quatre agrégats de catégories de pétrole. Laherrère, Hall, Bentley 2022 (Curr Res in Env Sust), Total et coll. https://doi.org/10.1016/j.crsust.2022.100174
Taux de déclin des champs pétrolifères géants et leur influence sur la production mondiale. Höök, Hirsch, Aleklett 2009 (Energy Policy), Université d’Uppsala et coll. https://doi.org/10.1016/j.enpol.2009.02.020
La solution
Notre plateforme à trois niveaux propose une approche globale : modéliser différents traitements de puits dans un même environnement assisté par IA, pour l’ensemble du parc. Elle permet un gain de production de 10 à 20 %, soit potentiellement 35 à 70 milliards de dollars de revenus annuels supplémentaires pour toute l’industrie pétrolière et gazière.
Le produit
Modules
Fonctions
Avantages
Cas clients
- Conceptions détaillées de traitements acides réalisées : >1000
- Modèles types de traitements acides créés : >500 000 (parc complet), 2500 meilleurs puits identifiés
- Débit de production moyen en hausse de 12 %
- Temps consacré à la modélisation réduit de 50 %. Coûts des études de terrain et hydrodynamiques réduits de 30 %
- Forte concordance entre simulation et données réelles : >90 % pour la hausse du débit d’huile et >87 % pour le skin
- Validation du nouveau module d’endommagement de la formation dans la modélisation des traitements acides du parc de puits injecteurs
- Conceptions de traitements acides réalisées pour 15 puits
- Forte concordance entre stimulation et données réelles : >90 % pour la hausse du débit d’huile
- Validation des performances du simulateur sur des sites à basse température et des puits complexes (3 puits en dolomies)
- Forte concordance avec les données réelles : >98 % pour la hausse du débit d’huile et >94 % pour le skin
Composante IA
Limites des modèles numériques déterministes à forte charge de calcul
Dans notre Well Stock Manager, le coût de calcul des méthodes déterministes peut devenir prohibitif, en particulier lorsque plusieurs types de traitement sont modélisés sur de grands parcs de puits, avec de nombreuses itérations de conception pour chaque couple puits-traitement.
Les simulations traditionnelles par différences finies :
Le recours aux réseaux de neurones sur graphes (GNN) :
Learning Mesh-Based Simulation with Graph Networks. Pfaff, Fortunato, Sanchez-Gonzalez, Battaglia 2021 (ICLR), DeepMind
Simulation d’écoulement sur maillage par réseaux de neurones sur graphes
Les maillages irréguliers (à droite) représentent bien plus fidèlement les géométries quelconques, non rectangulaires, que les grilles régulières (à gauche)
Simulation dynamique sur maillage : évolution du champ de vitesse du fluide en présence d’un obstacle
Vue d’ensemble de l’entraînement du modèle GNN
Pour les tâches à fort volume, nous remplaçons nos modèles numériques déterministes par un GNN — les graphes représentant la géométrie et la structure de la formation — entraîné sur les résultats de nos modèles classiques à systèmes d’équations linéaires. La précision reste élevée, tandis que la vitesse de calcul est de 1 à 2 ordres de grandeur supérieure à celle de la simulation qui a servi à l’entraîner.
Learning Mesh-Based Flow Simulations on Graph Networks. Rayan Kanfar 2022 (Medium), Université Stanford, Saudi Aramco
Pour en savoir plus, contactez-nous.
