L'utilisation de l'intelligence artificielle dans l'industrie pétrolière et gazière a déjà un effet profond sur le secteur.
Avec les 20 premières compagnies pétrolières et gazières mondiales en tête, l'IA est de plus en plus adoptée en raison de l'efficacité qu'elle apporte dans différents domaines opérationnels.
L'exploration des réserves d'hydrocarbures est l'un des processus critiques qui devrait bénéficier de solutions basées sur l'IA. Cette activité à fort enjeu comporte des risques financiers et nécessite des technologies de pointe pour optimiser les taux de réussite et compenser les risques.
Les taux de réussite de l'exploration commerciale ont été enregistrés entre 29 % et 40 % entre 2020 et 2021 [1]. Les explorations infructueuses peuvent coûter entre 5 et 20 millions de dollars [2], ce qui souligne la nécessité d'augmenter les taux de réussite.
Cet article examine les applications de l'IA dans l'exploration pétrolière et gazière. Par ailleurs, nous examinons comment les principales entreprises utilisent l'IA pour optimiser les flux de travail et redéfinir les normes de l'industrie.
Les avancées technologiques telles que l'IA révolutionnent la manière dont les entreprises en amont mènent leurs activités d'exploration. De l'analyse sismique à la modélisation des réservoirs, l'IA continue d'aider l'industrie à optimiser ses opérations.
Voici les cinq principales applications de l'IA dans l'exploration pétrolière et gazière.
L'évaluation est essentielle pour estimer les ressources en hydrocarbures et prendre des décisions. Cependant, trouver des failles mineures qui peuvent être riches en ressources peut être une tâche fastidieuse qui nécessite l'analyse de vastes ensembles de données. Les méthodes traditionnelles dépendent des analystes humains et prennent beaucoup de temps.
Les solutions basées sur l'IA facilitent les tâches d'exploration ciblées telles que la recherche de failles. Ces outils peuvent analyser les données satellites et les données historiques d'exploration afin d'identifier les zones présentant des gisements potentiels. À l'aide de réseaux neuronaux, les modèles peuvent identifier des schémas et des anomalies du sous-sol, ce qui permet de trouver rapidement des sites d'exploration appropriés.
D'autres approches d'IA, telles que l'optimisation non graduelle, ont été utilisées pour créer des outils de cartographie des roches réservoirs. L'IA accélère le processus, qui passe de plusieurs semaines à quelques secondes, tout en réduisant considérablement les risques de cartographie erronée dus à des erreurs humaines [3].
En outre, l'évaluation géologique permet de cartographier le sous-sol afin d'identifier les réservoirs potentiels. Le processus fournit différents ensembles de données tels que des données sismiques et géologiques, des images satellites et des diagraphies de puits. L'interprétation sismique des volumes sismiques tridimensionnels prend généralement des semaines ou des mois [4].
Les systèmes d'apprentissage profond peuvent analyser ces données et identifier rapidement des caractéristiques spécifiques à partir d'évaluations géologiques. Ils peuvent accélérer l'interprétation des données d'un facteur de 10 à 1000 [5]. Les techniques de reconnaissance des formes peuvent identifier des caractéristiques telles que les volumes de probabilité de faille qui indiquent la présence d'hydrocarbures [6].
Par exemple, IBM a développé un outil intelligent pour analyser de vastes ensembles de données géologiques non structurées pour Wintershall Dea. L'outil a utilisé l'apprentissage automatique (ML) et le traitement du langage naturel (NLP) pour construire une solution qui aide les experts à prendre des décisions au cours des premières phases de l'exploration pétrolière et gazière. Les agents IA aident à prédire les volumes de pétrole et de gaz attendus.
L'objectif de l'opération de forage est de maximiser le contact entre le puits de forage et la zone de paiement. L'optimisation du forage implique l'amélioration du taux de pénétration du forage, la réduction des coûts de forage et l'optimisation du poids du trépan.
Les opérations de forage modernes collectent de nombreuses données à partir de capteurs qui surveillent et enregistrent en permanence le processus en temps réel. En raison de la production intensive de données, l'IA peut aider à surmonter des défis tels que les pannes d'équipement et les déversements de pétrole.
Le forage prend la moitié du temps nécessaire à la construction d'un puits. Cependant, il peut être confronté à de nombreux problèmes, tels que l'incohérence du taux de pénétration du forage (ROP), la rupture du forage, la partialité de l'opérateur et l'absence de directives sur le terrain, qui entraînent tous une escalade des coûts [7].
Avec le forage autonome, les modèles ML analysent en temps réel les données de télémétrie, les données de subsurface, les plans de puits et le jumeau numérique du puits. Cela permet de déterminer l'état le plus récent du puits et de guider le système de forage en ajustant les paramètres en temps réel [8]. Il en résulte une augmentation de la vitesse de rotation, des puits de qualité, des réductions de coûts et des gains de temps.
Elle comprend plusieurs activités, dont la modélisation des réservoirs. Elle traite de l'écoulement des fluides, de la prévision de la production et de l'optimisation des gisements [9]. Elle aide les compagnies pétrolières et gazières à obtenir des informations correctes sur le réservoir, ce qui leur permet de déterminer la meilleure façon d'exploiter le gisement.
Les techniques d'IA telles que les réseaux neuronaux artificiels (ANN) sont très utilisées pour estimer les propriétés des réservoirs [10]. Les autres domaines dans lesquels l'IA contribue à l'ingénierie des réservoirs sont les suivants :
Calculs plus rapides : La modélisation des réservoirs par convection est lente et limite le nombre de simulations générées. Pour une planification optimale, l'IA peut optimiser ce processus en générant rapidement des modèles [11].
Amélioration de la mise à l'échelle : La mise à l'échelle combine des données provenant de différentes échelles en un seul modèle unifié. Le processus actuel peut être subjectif, les ingénieurs de réservoir utilisant différentes méthodes pour développer le modèle. Les algorithmes d'apprentissage profond peuvent être formés sur de multiples cas de mise à l'échelle manuelle afin de rendre le processus plus rapide et plus objectif [12].
Amélioration de la correspondance historique : les algorithmes d'apprentissage profond peuvent réconcilier les informations sur la production passée avec le modèle de réservoir. La solution peut accélérer la mise en correspondance de l'historique et être plus objective [13].
Les temps d'arrêt non planifiés entraînent des pertes financières considérables. Par exemple, les statistiques indiquent que l'industrie pétrolière et gazière offshore subit 27 jours d'arrêts imprévus par an, ce qui représente un coût de 38 millions de dollars [14].
En raison de leur environnement de travail, les équipements des plates-formes subissent une forte usure. Il est essentiel de réduire au minimum les temps d'arrêt des plates-formes au cours de la phase d’exploitation, qui peut s'avérer coûteuse. La maintenance prédictive permet d'identifier les défaillances potentielles des appareils de forage et d'y remédier rapidement.
Les appareils de forage sont équipés de nombreux capteurs qui collectent en permanence des données telles que les variations de pression, les vibrations et les niveaux de chaleur [15]. Les points de données sont ensuite analysés à l'aide de la ML et de l'analyse avancée des données pour donner l'état de l'appareil de forage en temps réel.
La solution peut également être adaptée pour déterminer la durée de vie utile restante de composants tels que les trépans. Les opérateurs peuvent tirer parti de ces informations pour effectuer une maintenance préventive en temps voulu afin de maximiser le temps de fonctionnement des actifs.
L'utilisation de systèmes robotiques autonomes gagne du terrain dans l'industrie pétrolière et gazière. Ils combinent plusieurs technologies, notamment le lidar, l'informatique de pointe, les capteurs IoT et l'IA. La plupart de ces robots sont déployés à des fins d'inspection, en particulier dans les zones dangereuses et difficiles d'accès.
Les robots pétroliers et gaziers sont principalement impliqués dans l'exploration sous-marine et le forage en mer. Leur utilisation limite l'exposition des humains à des terrains complexes et à des environnements dangereux et imprévisibles.
À des fins d'exploration, les véhicules sous-marins autonomes (UAV) peuvent utiliser la navigation par IA car la communication par radiofréquence est inutilisable sous l'eau [16]. En outre, la vision par ordinateur permet au robot d'inspecter les zones d'intérêt et d'éviter les collisions. L'IA peut doter les systèmes robotiques sous-marins de capacités telles que la planification de missions, l'exécution de tâches et le suivi d'actions.
Les robots capturent également des flux continus de données. Ces informations peuvent être utilisées dans des modèles d'IA pour différents cas d'utilisation, tels que les fonds marins et les études de faisabilité.
Par exemple, une startup canadienne a mis au point une plate-forme robotique autonome utilisant l'apprentissage automatique, le traitement des nuages et les technologies lidar. Le robot effectue des tâches répétitives à grande vitesse avec une grande efficacité [17].
L'IA dans l'industrie du pétrole et du gaz remonte à fort longtemps, avec des entreprises comme Total appliquant l'IA dans ses opérations dans les années 1990. Les progrès progressifs des technologies, notamment l'IdO et le big data, ont encore stimulé l'adoption de l'IA.
Voici plusieurs exemples de sociétés pétrolières et gazières qui utilisent l'IA dans leurs activités d'exploration.
En partenariat avec le MIT, ExxonMobil a mis au point un robot doté d'une intelligence artificielle pour détecter les suintements de pétrole naturels dans les eaux profondes. Le robot sera équipé d'une IA qui lui permettra d'apprendre et d'adapter ses missions. Il pourra ainsi opérer dans des environnements difficiles et enquêter sur des anomalies [18].
L'entreprise a également utilisé d'autres solutions d'IA capables de passer au crible les données sismiques pour accélérer la prospection pétrolière et gazière. Les informations fournies par cette solution aident l'entreprise à déterminer les meilleurs endroits pour poursuivre l'exploration et le forage [19].
Total s'est associé à Google Gloud en 2018 pour développer une solution pilotée par l'IA pour l'analyse des données de sous-sol. Le programme interpréterait les données à l'aide de la vision par ordinateur, en particulier les images provenant d'études sismiques.
En outre, le programme disposerait de capacités NLP que les géologues pourraient utiliser pour effectuer des requêtes et obtenir des réponses en langage naturel. Il mettrait en corrélation les informations provenant de documents techniques et d'analyses d'images, ce qui aiderait les experts à évaluer plus rapidement les gisements de pétrole et de gaz [20].
L'entreprise a mis en place un système d'IA pour un forage plus rapide et plus précis. Le système de forage alimenté par l'IA utilise un modèle ML avec de multiples points de données historiques, des simulations et des relevés de capteurs en temps réel.
L'appareil de forage alimenté par l'IA permet à Shell d'optimiser les trajectoires de forage, ce qui contribue à un meilleur positionnement du puits de forage. Le système est également doté d'un système d'apprentissage par renforcement qui lui permet d'apprendre au fil du temps [21].
En termes de production, BP est l'un des plus grands producteurs indépendants de pétrole en Europe. Fereidoun Abbassian, ancien vice-président de la transformation, technologie en amont chez BP, a confirmé que l'analyse prédictive basée sur l'IA était un catalyseur pour l'amélioration de l'efficacité opérationnelle et était essentielle pour aider l'entreprise à devenir un net zero (émissions compensées) d'ici 2050 [22].
En raison de défaillances catastrophiques d'une pompe multiphase, BP a déployé une solution de maintenance prédictive alimentée par l'IA sur sa plateforme sans personnel à Tambar. Au bout de six mois, le logiciel d'IA a averti Aker BP de la possibilité d'une défaillance de la pompe multiphase. La solution utilise un modèle de comportement normal qui suit les écarts de fonctionnement [23].
Auparavant, les pannes non planifiées coûtaient plus de 10 millions de dollars en production. En prédisant la panne, le dysfonctionnement de la pompe a été évité, ce qui a permis de maintenir la production.
L'utilisation de l'IA et du machine learning s'est développée dans divers aspects de l'exploration pétrolière et gazière. La capacité de l'IA à analyser de grandes quantités de données a aidé l'industrie à mieux comprendre les vastes ensembles de données dont elle dispose.
De la détermination du meilleur endroit pour mener des études sismiques à l'exploration robotique autonome, l'IA renforce les capacités humaines dans la recherche d'hydrocarbures. La technologie permet principalement d'améliorer l'efficacité et d'optimiser les tâches répétitives ou dangereuses. Des entreprises de premier plan comme Shell et BP Aker utilisent déjà l'IA dans l'exploration, en se concentrant sur des activités telles que l'exploration du sous-sol et la maintenance prédictive.
Ecrit par Baptiste Aelbrecht & Victoria Sihabouth
