Machine Learning Models for Calculating Pump Intake Pressure in Pumped Wells

Profondément sous la terre, les puits de pétrole ne sont pas de simples trous dans le sol ; ce sont des systèmes complexes et pressurisés où des fluides sont entraînés vers le haut contre la gravité. Pour que ces puits produisent efficacement, les ingénieurs doivent connaître la pression tout au fond de la pompe, une valeur connue sous le nom de pression à l'entrée de la pompe. Cette mesure agit comme un signe vital pour le puits, indiquant aux opérateurs si la pompe travaille trop dur, si le fluide s'écoule correctement ou si l'équipement risque de tomber en panne. Le moyen le plus direct d'obtenir ce chiffre est de descendre un capteur dans le puits, mais cela est coûteux, et ces capteurs peuvent se briser ou tomber en panne, laissant le puits sans une lecture critique. Lorsque le capteur est absent, les ingénieurs se sont historiquement appuyés sur des formules mathématiques pour deviner la pression en fonction de ce qu'ils peuvent mesurer en surface, comme la pression au sommet du tuyau ou le niveau de fluide dans le puits. Cependant, ces méthodes de devinettes traditionnelles ont souvent été imprécises, laissant les opérateurs avec une image floue de ce qui se passe profondément sous terre.

Une équipe de chercheurs s'est donné pour mission de dissiper ce brouillard en apprenant aux ordinateurs à comprendre la relation entre les mesures de surface et la pression profonde. Ils ont rassemblé une vaste collection de données réelles provenant de plus d'une centaine de puits de pétrole en Égypte, qui étaient tous équipés de capteurs fonctionnels fournissant les lectures de pression réelles. À partir de cette base de données, ils ont sélectionné des milliers de moments spécifiques où ils connaissaient la pression exacte à l'entrée de la pompe, ainsi que les conditions de surface correspondantes à ce moment précis. Ils ont ensuite injecté ces informations dans six types différents de modèles informatiques, allant de simples équations statistiques à des systèmes plus complexes qui imitent la façon dont le cerveau humain traite l'information. L'objectif était de voir si ces modèles numériques pouvaient apprendre les schémas cachés qui relient les données de surface à la pression profonde, permettant ainsi de prédire avec précision les lectures des capteurs manquants.

Les chercheurs ont testé chaque modèle pour voir à quel point il pouvait prédire la pression pour des données qu'il n'avait jamais vues auparavant. Les modèles les plus simples, qui reposaient sur des relations linéaires entre les variables, ont rencontré des difficultés importantes. Ils passaient à côté de la cible de manière significative, leurs prédictions s'écartant des valeurs réelles de près de soixante-dix pour cent en moyenne. Même lorsque les chercheurs ont tenté d'utiliser des courbes mathématiques plus complexes, l'amélioration fut minimale. Certains des modèles, spécifiquement ceux qui construisent des règles de décision comme un organigramme, se sont trop concentrés sur les données d'entraînement. Ils ont mémorisé parfaitement les exemples mais ont échoué à généraliser, ce qui a donné des prédictions qui étaient précises pour les données étudiées mais peu fiables pour de nouveaux puits. Ce surapprentissage signifiait que, bien qu'ils paraissaient parfaits sur le papier, ils n'étaient pas assez robustes pour une utilisation en conditions réelles.

Le vainqueur incontesté de cette comparaison fut le réseau de neurones artificiels, un type de modèle conçu pour trouver des connexions non linéaires complexes dans les données. Contraant aux autres méthodes, ce modèle ne se contentait pas de tracer une ligne droite ou une courbe simple ; il a appris un réseau complexe de relations entre les neuf facteurs d'entrée, tels que le taux de production de pétrole, la teneur en eau, la pression à la tête de puits et la profondeur de la pompe. Testé contre les lectures réelles des capteurs, ce réseau de neurones s'est avéré remarquablement précis. Il a prédit la pression à l'entrée de la pompe avec une erreur moyenne d'environ douze pour cent, une amélioration considérable par rapport aux autres méthodes. Le modèle était si cohérent qu'il a performé de manière presque égale sur les données apprises et sur les nouvelles données testées, montrant qu'il avait véritablement appris la physique sous-jacente du système plutôt que de simplement mémoriser des chiffres.

L'étude a également révélé quelles informations étaient les plus critiques pour permettre au modèle de faire ses estimations précises. Bien que la profondeur du liquide au-dessus de la pompe ait été le facteur le plus important, le modèle s'appuyait également fortement sur la pression dans l'espace entourant le tuyau et sur la taille de cet espace. Lorsque les chercheurs ont supprimé ces entrées spécifiques, la précision du modèle a chuté brutalement, prouvant que même des détails apparemment mineurs sont essentiels pour obtenir une image complète. Les conclusions suggèrent que dans les puits où les capteurs de fond coûteux sont manquants ou en panne, cette approche par intelligence artificielle offre une alternative fiable. En utilisant uniquement les mesures qui sont déjà prises de routine en surface, les opérateurs peuvent désormais calculer la pression profonde avec un niveau de confiance auparavant inatteignable, garantissant que ces puits continuent de fonctionner en toute sécurité et avec efficacité sans nécessiter de réparations d'équipement constantes et coûteuses.