Des scientifiques russes ont développé un réseau neuronal pour prédire les propriétés du pétrole et accélérer la production

Des scientifiques russes ont développé un réseau neuronal et un système numérique d'apprentissage automatique qui prédit la tension interfaciale entre le pétrole et l'eau salée. Pour l'industrie, il s'agit d'une tâche pratique : le modèle peut réduire des mois d'expériences en laboratoire et aider à sélectionner plus rapidement les paramètres d'extraction pour une formation spécifique.

Comment fonctionne le modèle

La tension interfaciale est l'un des paramètres clés lors du travail avec les réservoirs de pétrole, où le pétrole, l'eau de formation et les solutions injectées interagissent pendant l'extraction. Habituellement, ces caractéristiques sont vérifiées par une série de tests physiques : la salinité varie, la composition des gaz dissous change, les conditions environnementales sont modifiées et le résultat est ensuite mesuré. La nouvelle approche transfère une partie importante de ce travail dans l'environnement numérique.

Le réseau neuronal analyse les données d'entrée et produit une prévision sans avoir besoin de répéter le long cycle de tests pour chaque nouveau scénario. En fait, il ne s'agit pas d'une seule formule, mais d'un système numérique appliqué qui peut être utilisé pour simuler le comportement de la formation avant de passer au stade des solutions de terrain coûteuses. Si la prévision est suffisamment précise, les ingénieurs obtiennent un outil pour une évaluation antérieure des options de développement.

C'est particulièrement important lorsqu'une erreur dans la sélection des paramètres d'injection d'eau ou de gaz entraîne non seulement des coûts supplémentaires, mais aussi une perte de temps en re-tests.

Où le temps est économisé

La principale valeur du système est qu'il supprime une partie du travail expérimental routinier du processus. Au lieu de plusieurs mois de vérifications en laboratoire, les spécialistes peuvent assembler plus rapidement un ensemble de scénarios, les comparer entre eux et sélectionner les plus prometteurs. Selon la description du développement, le modèle aide à déterminer à l'avance exactement comment ajuster les conditions d'impact sur la formation pour que l'extraction se déroule plus efficacement. En pratique, cela peut affecter plusieurs étapes de conception et d'exploitation à la fois :

• sélection de la salinité optimale de l'eau injectée
• évaluation de l'influence des gaz dissous sur le comportement du mélange
• simulation d'un réservoir de pétrole sans une série de tests physiques coûteux
• accélération des décisions d'ingénierie avant le démarrage des travaux

Ce qui change pour l'industrie

Pour l'industrie pétrolière et gazière, ce qui compte n'est pas le fait d'utiliser l'IA elle-même, mais qu'elle résout une tâche de production spécifique. La tension interfaciale affecte la manière dont le pétrole est déplacé par l'eau de la roche, l'efficacité avec laquelle le mode d'injection sélectionné fonctionne et les pertes qui peuvent survenir au cours du processus. Lorsque ces paramètres peuvent être prévus à l'avance, l'entreprise obtient un schéma d'exploitation du champ plus maîtrisable.

Par conséquent, la dépendance aux longs cycles d'essais et d'erreurs, qui ralentissent traditionnellement le lancement ou l'ajustement d'un projet, est réduite. Un autre effet concerne l'économie de la recherche. Les expériences à grande échelle nécessitent de l'équipement, du temps de spécialistes et la répétition multiple des mesures lors du changement des conditions.

Le modèle numérique ne remplace pas complètement le laboratoire, mais permet de réduire l'éventail des options avant que ne commencent les tests physiques. Cela signifie que les ressources peuvent être orientées non pas vers l'essai de toutes les combinaisons possibles, mais vers la validation des scénarios les plus probables et les plus utiles. Pour une industrie avec un coût d'erreur élevé, un tel changement est particulièrement significatif.

Séparément, il est important de pouvoir utiliser de tels modèles comme faisant partie d'une chaîne de développement numérique plus large pour les champs. Lorsque la prévision de la tension interfaciale est intégrée dans les logiciels d'ingénierie, les spécialistes peuvent recalculer les scénarios plus rapidement lorsque les données sources changent et voir les conséquences presque immédiatement. Ceci est pratique non seulement au stade de la planification, mais aussi lors de l'ajustement des travaux déjà en cours.

Plus l'équipe reçoit rapidement une réponse calculée, moins il y a de pauses entre l'analyse, la vérification des hypothèses et la décision de gestion réelle.

Qu'est-ce que cela signifie

Si le système confirme la précision sur des cas de production réels, le pétrole et gaz russe peut obtenir un outil clair basé sur l'IA avec un impact mesurable : moins de temps sur les expériences, un réglage plus rapide des paramètres et une extraction plus prévisible. Ce n'est pas une IA abstraite pour les rapports, mais un modèle intégré dans le processus d'ingénierie et affectant directement la vitesse de prise de décision. Pour les entreprises, c'est un moyen de prendre des décisions non pas après une longue série de mesures, mais nettement plus tôt.