L'intelligence artificielle (IA) a un impact rapide sur différentes industries, et le secteur du pétrole et du gaz ne déroge pas à la règle.
Malgré les nombreux défis auxquels l'industrie est confrontée, l'IA a conduit à un changement de paradigme, qui se traduit par de nouvelles opportunités telles que le forage intelligent, façonnant ainsi le futur développement commercial du secteur.
Daniel Jeavons, vice-président de la science informatique et de l'innovation digitale chez Shell, a admis que l'utilisation de l'IA pour créer des solutions a contribué à accroître l'efficacité opérationnelle, ce qui a permis de réduire les coûts et d'améliorer la fiabilité[1].
Un rapport récent a confirmé cette tendance. L'analyse indique que la taille du marché de l'IA dans l'industrie du pétrole et du gaz passera de 2,67 milliards de dollars à 4,63 milliards de dollars entre 2023 et 2028, soit un TCAC de 11,68 % au cours de cette période[2]. L'impact est important et se fera sentir sur l'ensemble des segments opérationnels (amont, intermédiaire, aval).
Dans cet article, nous explorons les applications et impacts de l'IA dans l'industrie du pétrole et du gaz, ainsi que ses défis et ses promesses.
L'IA exerce déjà une influence tangible sur l'ensemble des opérations. En effet, l'industrie exploite de vastes quantités de données, que l'IA et les techniques de machine learning peuvent passer au crible pour fournir des informations uniques. Voici les cinq principaux cas d'utilisation de l'IA dans l'industrie pétrolière et gazière.
L'exploration pétrolière et gazière est un processus complexe, qui prend du temps et nécessite des investissements importants. Elle implique des études sismiques, la diagraphie des puits et l'analyse des carottes de laboratoire. Toutes ces études, examens et tests aboutissent à des modèles 3D, qui sont ensuite analysés à la recherche de gisements de pétrole et de gaz.
L'IA s'est imposée comme un atout important, contribuant à accélérer et à réduire les risques dans de nombreux processus de prospection pétrolière. Voici un aperçu de certains de ces processus :
L'interprétation des données sismiques : Ce processus est essentiel pour identifier les champs et les réserves exploitables. Traditionnellement, cette étape dépendait d'interprètes experts ou de l'interprétation sismique, ce qui demande beaucoup de ressources. Les modèles de deep learning formés avec des données sismiques peuvent déterminer efficacement la présence de gisements récupérables[3].
Cartographie des réservoirs et diagraphie des puits : Les images sismiques et les données de diagraphie des puits sont utilisées pour déterminer la topologie du réservoir et les caractéristiques du puits. Le temps nécessaire au traitement de ces données et la précision des résultats sont grandement améliorés par les algorithmes d'apprentissage automatique. Des études révèlent que la précision peut atteindre 92 % et que le processus est 1000 fois plus rapide que la cartographie manuelle[4].
En outre, les initiatives d'IA axées sur la modélisation de la sous-surface et des réservoirs peuvent améliorer la production de 15 à 30 % supplémentaires[5].
Total Energies s'est associé à Google pour utiliser l'IA afin d'optimiser l'interprétation des images de la sous-surface à partir de données sismiques en utilisant la vision par ordinateur[6].
La détermination exacte de la production des réservoirs est essentielle pour aider à la conception et au développement des champs. La principale méthode utilisée est la simulation numérique des réservoirs, qui consomme beaucoup de ressources informatiques et de temps.
La capacité de l'intelligence artificielle et des techniques de machine learning à analyser rapidement de grandes quantités de données donne aux ingénieurs une longueur d'avance sur les méthodes précédentes. Les entreprises utilisent différentes techniques, notamment la logique floue, les réseaux neuronaux artificiels et les algorithmes génétiques, pour tirer parti de la reconnaissance des formes et de l'optimisation des paramètres afin d'obtenir des prévisions plus précises[7]. Des plateformes telles que Novi offrent déjà aux entreprises du secteur amont de meilleures méthodes de prévision de la production[8].
Les déversements de pétrole et de biocarburants ont représenté 43 157 barils et 578 incidents de pipeline aux États-Unis en 2020[9]. Un réseau de capteurs alimenté par l'IA, des robots autonomes et des systèmes de vision par ordinateur peuvent aider à surveiller le matériel et d'autres infrastructures critiques, même dans des zones reculées. Un tel système peut détecter l'usure et alerter les opérateurs.
Grâce à des mises à jour en temps réel provenant du terrain, des entreprises comme Shell utilisent la maintenance prédictive pour surveiller l'état des équipements et des infrastructures critiques. L'entreprise économise des millions de dollars et a déjà réparé près de 90 vannes en identifiant précisément les défaillances des dispositifs[10].
Les méthodes de détection des déversements d'hydrocarbures par voie aérienne ou sur le terrain sont inefficaces, en particulier dans les milieux marins, où elles s'avèrent coûteuses et contribuent à des effets écologiques néfastes[11]. Actuellement, de nombreuses études montrent qu'il est possible d'utiliser différentes techniques d'IA pour détecter les marées noires. La plupart d'entre elles utilisent l'imagerie SAR à apprentissage profond, en particulier dans la mer Méditerranée.
De nombreux problèmes, tels que l'usure du trépan, l'instabilité du trou de forage et les vibrations du sommeil du bâton, entravent le forage. Les algorithmes d'apprentissage automatique peuvent fournir des informations à partir des données du site de forage, en particulier pour déterminer les caractéristiques de la roche et la direction du forage[12]. Les ingénieurs peuvent voir le type de roche forée et la détection des défaillances grâce à la télémétrie de forage en temps réel[13].
ExxonMobil utilise actuellement un système de forage contrôlé par l'IA pour ses opérations en Guyane, capable de déterminer de manière autonome les paramètres de forage. Le système améliore la sécurité et l'efficacité des opérations en réduisant les tâches répétitives des opérateurs de forage[14].
Les compagnies pétrolières et gazières pratiquent une maintenance régulière et programmée des actifs. Toutefois, l'utilisation de capteurs et de l'IA permet de suivre l'état opérationnel des équipements et d'identifier les anomalies tout en recommandant une maintenance précise. Grâce aux algorithmes de machine learning et à l'analyse des données, il est possible de disposer de solutions qui identifient les problèmes de débit, de pression et de thermographie des équipements afin d'éviter des pannes coûteuses.
Des entreprises comme Chevron, BP et ExxonMobil ont déployé l'IA pour la maintenance prédictive. En voici quelques exemples :
ExxonMobil utilise des solutions de maintenance prédictive dans son bassin permien[15].
Chevron a déployé une plateforme en collaboration avec Microsoft qui a aidé l'entreprise à prévenir 12 accidents majeurs et à économiser 12 millions de dollars au cours de la première année de déploiement[16].
Shell gère un programme de maintenance prédictive alimenté par l'IA qui surveille plus de 13 000 pièces, en tirant des informations d'un lac de données composé de 3 000 milliards de lignes[17].
L'IA a le potentiel d'ouvrir des perspectives sur l'ensemble de la chaîne de valeur des entreprises pétrolières et gazières. Elle aide le secteur à réaliser d'incroyables bénéfices, en inspirant de nouvelles efficacités dans l'exploration, la production et la distribution. Toutefois, comme la technologie n'en est qu'à ses premiers stades de développement et d'adoption, il reste encore beaucoup à faire et des défis à relever.
Voici quelques-uns des avantages de l'utilisation de l'IA dans l'industrie du pétrole et du gaz.
Efficacité accrue
L'IA continue d'améliorer l'efficacité de l'industrie gazière et pétrolière dans de nombreux domaines, tels que la maintenance des équipements et la modélisation des réservoirs. Par exemple, les systèmes alimentés par l'IA qui utilisent le machine learning et le deep learning peuvent aider les opérateurs en amont à trouver les puits optimaux. Des études indiquent que l'IA peut contribuer à améliorer la récupération des hydrocarbures de 10 %, ce qui correspond à l'accès à environ 1 000 milliards de dollars de pétrole[18].
Réduction des coûts
L'utilisation de l'IA permet aux entreprises de réduire leurs coûts de différentes manières. L'efficacité opérationnelle est atteinte grâce aux systèmes d'IA, qui contribuent à réduire les coûts tout en améliorant la production. Par exemple, la maintenance prédictive identifie de manière précise et fiable les actifs susceptibles de tomber en panne, ce qui permet d'économiser sur la maintenance programmée et les conséquences coûteuses. Les pannes d'équipement non planifiées peuvent coûter entre 2 et 3 millions de dollars par jour sur les plateformes pétrolières et gazières offshore[19].
Shell peut exploiter 1 à 2 % supplémentaires de la production de GNL en utilisant l'IA pour optimiser les performances des actifs.
Rationalisation des opérations
L'IA apporte d'immenses avantages dans le back-office, en aidant à la prise de décision, au traitement des tâches répétitives, à la gestion de la supply chain et à la surveillance.
Par exemple, il est possible de tirer parti du machine learning pour passer au crible de vastes ensembles de données afin d'identifier des schémas et de formuler des recommandations pour aider les opérateurs dans diverses tâches. L'analyse des itinéraires de transport pourrait permettre d'optimiser les itinéraires, tandis que les données sur les schémas météorologiques et les forages pourraient conduire à des conditions de travail plus sûres.
Amélioration de la sécurité
Les entreprises pétrolières et gazières continuent de chercher des moyens d'améliorer la sécurité de leurs travailleurs et de leurs installations. Les solutions d'IA permettent de surveiller la sécurité des travailleurs et des équipements sur des sites caractérisés par des équipements lourds, des pressions et des températures élevées.
Il est possible d'utiliser des algorithmes de deep learning et de computer vision dans des systèmes qui détectent les violations de la sécurité. Par exemple, les solutions de reconnaissance des formes peuvent analyser les flux vidéo des sites, ce qui permet de repérer le personnel qui n'est pas suffisamment protégé. En outre, les opérateurs peuvent être alertés de l'état de sécurité des actifs, ce qui permet de prendre des mesures de dissuasion proactives pour éviter les incidents de sécurité[20].
Les opérations en amont sont confrontées à des environnements toxiques avec des risques de libération de gaz inflammables et toxiques, qui peuvent être extrêmement dangereux. Les systèmes d'IA peuvent aider à surveiller les niveaux de toxicité et fournir des alertes en temps utile pour éviter des événements catastrophiques[21].
Voici quelques-uns des défis auxquels est confrontée l'utilisation de l'IA dans l'industrie pétrolière et gazière.
Qualité et quantité des données
La plupart des données des entreprises du secteur pétrolier et gazier proviennent de leurs capteurs, de leurs opérations de forage et de leurs équipements. Ces données peuvent exister en silos, dans des formats différents et être de qualité variable, ce qui les rend difficiles à intégrer.
Dans une enquête réalisée par IBM, seuls 38 % des dirigeants d'entreprises pétrolières et gazières ont indiqué qu'ils disposaient de normes d'information à l'échelle de l'entreprise. Il est difficile de tirer des enseignements significatifs de données qui ne sont pas correctement gérées. Sans données de qualité, les résultats des modèles d'IA peuvent être trompeurs ou inefficaces[22]. Les solutions probables comprennent l'adaptation de meilleurs flux de travail et la centralisation du stockage des données[23].
Questions éthiques et niveau de compétence
Les systèmes d'IA utilisent de grands ensembles de données, qui peuvent inclure des données personnelles ou géologiques, dont le traitement peut nécessiter des méthodes différentes en fonction de la juridiction. En outre, les systèmes d'IA doivent être correctement évalués afin d'éviter les préjugés et d'accroître la transparence.
En outre, il est nécessaire que le personnel se perfectionne à mesure que l'industrie pétrolière et gazière continue de s'appuyer sur l'IA. Par exemple, l'utilisation d'équipements autonomes, de robots et de solutions pilotés par l'IA nécessitera un perfectionnement des travailleurs. Par exemple, ExxonMobil a admis qu'il y avait des difficultés à adopter son nouveau système lors du déploiement de l'IA sur sa plateforme offshore en Guyane[24].
Les entreprises qui ont adopté des solutions d'IA ont vu leurs revenus augmenter, leurs dépenses diminuer et elles sont devenues plus rentables que leurs homologues. Cela est vrai, en particulier pour l'optimisation intelligente du forage des puits, que de nombreuses entreprises en amont ont adoptée.
De plus en plus d'entreprises souhaitent continuer à intégrer l'IA dans leurs opérations à l'avenir. Les prévisions montrent que les entreprises nord-américaines devraient représenter le plus grand marché de l'IA dans le secteur du pétrole et du gaz, en raison de l'existence d'entreprises de logiciels d'IA et de fournisseurs de systèmes informatiques bien établis[25].
Voici quelques-unes des autres technologies prometteuses assistées par l'IA qui s'appliqueront au secteur du pétrole et du gaz :
L'industrie pétrolière et gazière a bénéficié d'un impact significatif de l'utilisation de l'IA. Bien que ce secteur soit réputé pour sa complexité, de nombreuses entreprises ont trouvé des moyens d'intégrer la technologie dans leurs opérations. Du forage assisté par l'IA aux opérations de back-office, les compagnies pétrolières et gazières ont récolté de nombreux avantages, allant de la réduction des coûts à l'amélioration de l'efficacité.
Des entreprises comme Shell et ExxonMobile ont mis l'IA au service de différents cas d'utilisation, notamment l'exploration en amont, les prévisions de production et la maintenance prédictive. Cependant, certains défis entravent l'utilisation de l'IA, notamment les questions éthiques et les problèmes de gestion des données.
Les tendances actuelles et les perspectives d'avenir indiquent que l'IA jouera un rôle important dans l'industrie à mesure que les entreprises continueront à nouer des partenariats, à développer de meilleures pratiques en matière de données et à innover.
Ecrit par Baptiste Aelbrecht & Jacques Mojsilovic.
