PROJET DE RECHERCHE EN VUE D’UNE SÉLECTION EN MASTER RECHERCHE À

L’ÉCOLE DE GÉOLOGIE ET D’EXPLOITATION MINIÈRE (EGEM)

RÉDIGÉ PAR : YANG DAMAKOA Joseph, Ingénieur en génie mécanique, pétrolier et gazier

Thèmes : Prédiction des pressions de Réservoir par deep learning pour l’optimisation de la
production d’un gisement pétrolier mature.

INTRODUCTION : Le projet et son contexte

Présentation
Mon parcours en génie mécanique, pétrolier et gazier m’a solidement formé aux
mécaniques des fluides, des structures et des roches, ainsi qu’aux sciences des matériaux et
à la modélisation numérique. J’ai été particulièrement captivé par les applications de ces
connaissances dans le secteur pétrolier, en particulier la simulation de réservoirs.

Lors de mon projet de fin d’études, j’ai mis en œuvre mes compétences en simulant
l’écoulement d’un fluide à haute vitesse autour d’une coque de navire, afin de déterminer
les contraintes induites par l’interaction fluide-structure. Ce travail pratique, réalisé avec le
logiciel COMSOL Multiphysics, m’a permis d’acquérir une expérience significative en
simulation numérique.

Par ailleurs, j’ai développé une expertise dans l’utilisation de logiciels clés de
l’industrie pétrolière tels que PETREL et CMG.

Je suis convaincu que mon socle technique, allié à ma passion pour la simulation numérique
et l’apprentissage profond, me permettra d’apporter une contribution innovante à ce
domaine.

1/6
Contexte et Objectifs

L’industrie pétrolière est confrontée à un défi majeur : optimiser la récupération du

pétrole dans les gisements matures, c’est-à-dire ceux qui ont déjà été exploités pendant
plusieurs années. En effet, la pression au sein de ces réservoirs diminue avec le temps, ce qui
rend l’extraction de plus en plus difficile et coûteuse.

La prédiction précise de la pression de réservoir est essentielle pour prendre des

décisions éclairées en matière de production. Elle permet :

− d’optimiser les stratégies d’injection (eau, gaz, produits chimiques) pour maintenir la
pression et stimuler la production.

− de prévenir les problèmes de production tels que les sables mouvants ou les chutes
de pression brutales.

− d’augmenter le taux de récupération ultime du gisement.

Le deep learning, une branche de l’intelligence artificielle, offre de nouvelles

perspectives pour relever ce défi. En analysant de grandes quantités de données historiques
(production, pression, composition des fluides, etc.), les modèles de deep learning peuvent
apprendre à :

− identifier des patterns complexes dans les données qui ne sont pas facilement
détectables par des méthodes statistiques classiques.

− effectuer des prédictions de la pression de réservoir avec une précision accrue.

− s’adapter à l’évolution des conditions du réservoir en apprenant continuellement de

nouvelles données.
L’objectif de ce projet est de développer une méthodologie innovante pour optimiser
la production d’un gisement pétrolier mature. En s’appuyant sur des données historiques de
production et des simulations numériques, nous proposons une approche combinant

2/6
l’apprentissage automatique et la simulation de réservoir pour prédire l’évolution de la
production et identifier les meilleures stratégies d’injection.

INTÉRÊTS DU PROJET DE RECHERCHE

Enjeux et défis :
− Déclin naturel de la production.

− Optimisation des coûts de production.

− Réduction de l’empreinte environnementale.

− Intégration des nouvelles technologies.

Avancées majeures :
− Nouvelles techniques de récupération assistée (injection de gaz, de produits
chimiques, etc.).

− Développement de modèles numériques plus précis pour la caractérisation des

réservoirs.

− Utilisation de l’intelligence artificielle pour l’optimisation de la production.

Axes de recherche actuels :

− Optimisation des schémas d’injection.

− Développement de matériaux innovants pour les traitements chimiques.

− Intégration des données géophysiques pour une meilleure compréhension du

réservoir.

3/6
PLAN D’ÉTUDE

Introduction
− Problématique : Déclin de la production dans les champs matures, nécessité
d’optimiser la production.

− Objectif : Développer un modèle de deep learning précis pour prédire les pressions
de réservoir et améliorer la planification de la production.

− Contributions :

○ Nouveau modèle de prédiction.

○ Optimisation des plans de production.
○ Amélioration de la rentabilité.
Revue de la Littérature
− Méthodes actuelles de prédiction (ex : modèles empiriques, statistiques).

− Limites des méthodes existantes.

− Intérêt du deep learning pour la prédiction de séries temporelles.

− Applications du deep learning dans le domaine pétrolier.

Données
− Description des données disponibles (historique des pressions, débits, etc.).

− Prétraitement des données (nettoyage, normalisation).

− Sélection des caractéristiques pertinentes

Méthodologie
− Architecture du RNN (choix des couches, activation, etc.).

− Entraînement du modèle (algorithme d’optimisation, fonction de perte).

− Validation du modèle (métriques d’évaluation).

4/6
Résultats
− Performance du modèle (précision, sensibilité).

− Comparaison avec les méthodes existantes.

− Analyse des erreurs.

Discussion
− Interprétation des résultats.

− Limites du modèle.

− Perspectives d’amélioration.

Conclusion
− Synthèse des principaux résultats.

− Contributions originales.

− Implications pour l’industrie pétrolière.

Perspectives
− Extensions possibles du modèle (multi-pas, incertitude).

− Intégration dans un outil de décision.

STRATÉGIE DE RECHERCHE
La réussite de ce projet est fortement liée à la quantité de données exploitables par
notre modèle de deep learning. Afin de pallier ce potentiel manque de données, nous
utiliserons la base de données des recherches menées au sein de l’EGEM, complétée par des
données synthétiques générées à l’aide des logiciels PETREL, ECLIPSE, CMG et COMSOL
Multiphysics. Ces logiciels, ainsi que des données de terrain disponibles, serviront à évaluer
la performance de notre modèle.

5/6
BIBLIOGRAPHIE

1. J. B. Godwe; Luc Leroy Mambou Ngueyep; Jordan Eze Eze; Theodore Tchotang; Pore
pressure prediction of hydrocarbon reservoirs with empirical models and artifcial
neural network: case study in the Doba basin, Chad, Discover Geoscience, 03
September 2024
2. A. H. Alquraini; H. H. Al Sadah; M. M. AlBori; M. S. Al-Kadem, The Utilization of
Machine Learning and Deep Learning to Predict Real-Time ESP Well Status, Paper
presented at the SPE Artificial Lift Conference and Exhibition - Americas, The
Woodlands, Texas, USA, August 2024.
3. S. A. Thabet; H. A. Zidan; A. A. Elhadidy; A. G. Helmy; T. A. Yehia; H. Elnaggar; M.
Elshiekh, Application of Machine Learning and Deep Learning to Predict Production
Rate of Sucker Rod Pump Wells, Paper presented at the GOTECH, Dubai, UAE, May
2024.
4. Chris Carpenter, Deep Learning Enhances Transfer Learning for Tight-Oil Production
Prediction, J Pet Technol 75 (10)
5. Jaewook LeeDavid E. Lumley, Predicting shale mineralogical brittleness index from
seismic and elastic property logs using interpretable deep learning, Journal of
Petroleum Science and Engineering, January 2023

6/6