Optimiser les opérations de forage géothermique avec le Machine Learning

Dec 16, 2023

La géothermie a été considérée comme l'une des sources d'énergie les plus neutres en carbone, les plus durables et les plus renouvelables pouvant fournir à la fois de l'électricité de base et de l'électricité distribuable au réseau. Malgré son potentiel d'être un acteur important dans la transition vers un avenir net zéro, la géothermie est actuellement la ressource renouvelable la plus sous-utilisée en raison du coût élevé de la géothermie profonde.

Un élément majeur du coût de tout projet géothermique concerne le forage et l'achèvement, représentant jusqu'à 70 % du développement global du projet. En plus de cela, l'industrie du forage est confrontée à plusieurs défis en matière de forage et de complétion de puits géothermiques, tels qu'un faible taux de pénétration (ROP) et un manque de sensibilisation au fond du trou, ce qui entraîne des déclenchements et du temps non productif (NPT) consacré aux caractéristiques de la formation.

L'industrie manque de numérisation et d'automatisation, s'appuyant sur des compétences personnelles et des données anciennes. Les systèmes de forage existants sont conçus pour des bassins d'hydrocarbures avec des boues à base de pétrole, limitant leur utilité pour les formations géothermiques et de roches dures. Les systèmes actuels reposent également sur le forage rotatif, alors que le secteur du forage géothermique nécessite de nouvelles technologies comme le forage thermique à percussion et sans contact.

La transformation numérique de l'industrie de l'énergie en amont a engendré une croissance exponentielle des quantités et des types de données générées ces dernières années. Les progrès de l'apprentissage automatique (ML) et de l'intelligence artificielle (IA) créent des opportunités d'innovation et d'optimisation dans l'industrie du forage géothermique. Ces outils innovants améliorent la précision et le coût de l'exploration géothermique et optimisent les opérations géothermiques, réduisant ainsi le coût global de l'énergie géothermique.

L'utilisation d'algorithmes d'apprentissage automatique peut aider à identifier les réponses anormales dans les données et à différencier les problèmes de forage des difficultés opérationnelles ou logistiques. En développant des stratégies d'assainissement basées sur les résultats, il peut être possible de réduire les risques des projets de chaleur géothermique profonde et de les rendre plus attrayants pour les investisseurs.

Le projet OptiDrill est financé par la subvention Horizon 2020 de la Commission européenne qui vise à développer des modules d'apprentissage automatique dans le cadre d'un système de conseil unifié. Chaque module sera responsable de l'analyse, de la prédiction ou de l'optimisation d'un aspect du processus de forage ou de complétion.

La conception du système OptiDrill s'articule autour du développement d'un système qui peut améliorer l'efficacité du forage dans n'importe quelle formation. L'objectif est de tirer parti des données et du transfert de connaissances existants, de résoudre les problèmes existants et d'améliorer les méthodes et technologies existantes en utilisant les approches suivantes dans le cadre intégré du système consultatif de forage géothermique OptiDrill :

• La numérisation des données de forage précédentes et des rapports textuels par le biais de méthodes d'apprentissage en profondeur de traitement du langage naturel (NLP) pour créer une base de données numérique des rapports et des problèmes quotidiens de forage et d'achèvement ouvre la voie à la numérisation des rapports de forage quotidiens et permet le transfert de connaissances du secteur pétrolier et gazier ; le processus ; • Des données expérimentales simulées et à l'échelle du réservoir pour combler les lacunes dans les ensembles de données disponibles et simuler divers scénarios de problèmes de forage, y compris des scénarios de simulation. Une base de données complète et sans faille permettra aux modèles d'atteindre leurs compétences de prédiction les plus élevées, même dans des scénarios de formation ou de situation pour lesquels il y avait très peu de données enregistrées antérieurement disponibles ; • Modélisation de forage géothermique et prédiction et optimisation des performances par l'utilisation d'une combinaison d'apprentissage automatique et de nouvelles méthodes d'apprentissage en profondeur ; NPT pendant les processus de forage et de complétion ; • Modélisation de la complétion et de l'amélioration des puits pour les groupes de puits horizontaux et multilatéraux, et prédiction et optimisation des performances par l'utilisation d'une combinaison d'apprentissage automatique et de nouvelles méthodes d'apprentissage en profondeur ; • Validation de la modélisation statistique et optimisation des modèles d'apprentissage automatique ; et• Le schéma Federate ML en combinaison avec des algorithmes d'auto-apprentissage donnera au système OptiDrill une possibilité unique d'être mis à jour à chaque nouvelle activité de forage et de complétion. Cette fonctionnalité garantira une capacité pérenne et auto-évolutive du système de conseil OptiDrill.

L'OptiDrill est un projet mené par l'industrie, et le consortium est composé de 11 partenaires parmi des foreurs et des opérateurs hautement expérimentés, des consultants en forage, des organismes de recherche et des experts en technologie, notamment :

Les partenaires du consortium OptiDrill ont accès aux données de forage et de diagraphie de plus de 500 puits et de centaines de formations allant des mudstones tendres aux roches ignées et métamorphiques très dures. De plus, nous obtiendrons des données de deux puits géothermiques profonds au Royaume-Uni - Eden Project (4,5 km) et United Downs Project (5,2 km). En plus des partenaires de forage, nous aurons également des données du projet Parta en Roumanie, ÉS-Géothermie (pour les données du bassin parisien, France), Koekoekspolder (Pays-Bas), Federal Institute for Geoscience and Natural Resources (Allemagne) et VITO (Belgique). Nous sommes également en discussion avec Dago, Hogewerf, ACL, etc., pour les données de forage et de diagraphie.

Le système OptiDrill sera validé dans des conditions opérationnelles pertinentes sur la foreuse d'un partenaire au niveau de maturité technologique (TRL) 5.

Les modèles d'apprentissage automatique de la ROP, de la lithologie, des problèmes de forage, de l'achèvement et de l'amélioration des puits et des modèles d'optimisation de forage géothermique couplés développés par le projet OptiDrill sont conçus pour améliorer la ROP, la durée de vie et la fiabilité par rapport aux technologies existantes. Les modèles ML d'optimisation de forage couplés à OptiDrill dans le système de conseil en forage permettront aux foreurs d'atteindre de manière rentable des profondeurs plus importantes et des températures plus élevées sur tous les types de formations géologiques pour le forage géothermique. Ce projet vise à optimiser les paramètres de forage, accélérant ainsi le forage de puits de production et d'injection pour l'énergie géothermique. Il renforcera la croissance de l'énergie géothermique en réduisant considérablement les dépenses d'investissement des centrales géothermiques (CapEx) consacrées au forage tout en réduisant considérablement l'impact environnemental lors de l'installation.

Le projet OptiDrill est financé par l'action de recherche et d'innovation Horizon 2020 de l'Union européenne dans le cadre de la convention de subvention n° 101006964.

Divulgation: Toute information sur ce travail reflète uniquement le point de vue de l'auteur, et ni l'Union européenne ni CINEA ne sont responsables de l'utilisation qui pourrait être faite des informations qu'il contient.

Attention, cet article paraîtra également dans la quatorzième édition de notre publication trimestrielle.

Enregistrez mon nom, mon adresse e-mail et mon site Web dans ce navigateur pour la prochaine fois que je commenterai.

D