Un modèle d’apprentissage en profondeur pourrait améliorer l’extraction du pétrole

Une équipe de recherche de Skoltech a présenté un modèle pour faciliter l’étape de planification du développement des puits de pétrole. Cela aidera à obtenir des données importantes sur un puits – par exemple, le modèle peut comparer un puits potentiel avec ceux qui fonctionnent déjà à proximité pour prédire ses propriétés de production de pétrole et améliorer le forage de puits. L’étude est sortie en Lettres IEEE sur la géoscience et la télédétection.

Le développement des puits de pétrole et de gaz peut être divisé en trois étapes : la découverte, l’évaluation et le développement des champs pétrolifères en tant que tels. L’évaluation porte, par exemple, sur le volume des réserves pétrolières et leur répartition. Cette étape consiste à forer des puits d’exploration et à les sonder pour enregistrer certains indicateurs : radioactivité des couches, mobilité des eaux souterraines, etc. Plus tard, ces informations permettent de prendre des décisions relatives au développement des puits.

« Dans l’état actuel des choses, l’évaluation des champs pétrolifères produit un tas de données fragmentées et personne ne sait comment les utiliser. Notre étude vise à construire un modèle basé sur ces données qui fera une représentation mathématique – un vecteur décrivant entièrement le puits », commente Alexander Marusov, le premier auteur et ingénieur de recherche Skoltech.

Le vecteur renvoyé par le modèle contient des informations utiles sur le puits dans un format compressé. En plus de prédire ses propriétés, le modèle aidera à résoudre le problème du forage dans la mauvaise direction. Lors de l’approfondissement de la couche, il est important de limiter le forage à un seul et même type de roche. Sinon, il faut forer à nouveau, dans une direction différente, et cela coûte très cher.

« Notre modèle aidera à déterminer le type de roche et à ajuster le forage. La précision de la prédiction du type de roche dans notre modèle est de 82 %, alors qu’auparavant, le meilleur résultat était de 59 %. Notre modèle facilitera la prise de décision dans le développement des puits de pétrole », a déclaré Marusov. ajoute.

Le modèle a été formé par un apprentissage auto-supervisé. Il diffère des méthodes traditionnelles d’apprentissage automatique, qui nécessitent des données étiquetées. L’apprentissage auto-supervisé ne les utilise pas. Par exemple, une sonde peut enregistrer un rayonnement ou d’autres signaux géophysiques dans le puits d’exploration. L’apprentissage auto-supervisé utilise ces données brutes, sans aucune étiquette.

« Les méthodes d’apprentissage auto-supervisées peuvent être divisées en méthodes contrastives et non contrastives. Nous avons utilisé cette dernière approche, qui traite des paires d’objets similaires, par exemple, des intervalles de signaux provenant d’un seul et même puits », précise le chercheur.