Etude de quelques problèmes inverses en génie pétrolier : application aux well tests

Abstract

Ce travail pr´esente une approche bas´ee sur l’application d’un pr´edicteur agr´eg´e form´e par plusieurs versions d’un r´eseau neuronal multicouche avec un algorithme d’optimisation de r´etro-propagation pour nous aider `a obtenir une liste de mod`eles les plus appropri´es d’interpr´etation de test de puits et ce pour un ensemble donn´e de pression./ donn´ees de production. La m´ethodologie retenue pour ce travail se d´ecompose en trois ´etapes : 1. R´eduction de la dimension des donn´ees pour r´eduire le nombre des variables input de la couche d’entr´ee dans le r´eseau de neurones artificiels, 2. R´epliques bootstrap de l’ensemble d’apprentissage o`u les donn´ees sont ´echantillonn´e `a plusieurs reprises avec une division al´eatoire des donn´ees en ensembles de trains afin de les utiliser comme nouveaux ensembles d’apprentissage, et 3. Identification automatique du mod`ele de r´eservoir via un pr´edicteur agr´eg´e form´e par un vote de pluralit´e lors de la pr´ediction d’une nouvelle classe. L’ensemble de donn´ees de formation et de test requis a ´et´e g´en´er´e `a l’aide de mod`eles de solution analytique. Dans notre cas, 600 ´echantillons ont ´et´e utilis´es : 300 pour l’apprentissage, 100 pour la validation crois´ee et 200 pour les tests. Diff´erentes structures de r´eseau ont ´et´e test´ees au cours de cette ´etude pour arriver `a une conception de r´eseau optimale. Nous remarquons que la m´ethodologie de r´eseau unique entraˆ?ne toujours une confusion dans la s´election du mod`ele correct. Nous remarquons ´egalement que la r´eduction des dimensions des donn´ees est une strat´egie efficace pour r´eduire le nombre de caract´eristiques d’entr´ee, simplifier la structure du r´eseau et r´eduire le temps de formation de l’ANN. Les r´esultats obtenus montrent que l’approche propos´ee offre une meilleures performances lors de la pr´ediction de nouvelles donn´ees avec un coefficient de corr´elation environ ´egal `a 95% Par rapport `a une approche classique qui est de 80%, la combinaison la technique de r´eduction de dimension est plus stable car elle permet d’atteindre le mˆeme objectif avec moins d’effort. L’approche propos´ee se montre comme un outil de classification avec une rigueur math´ematique et une pr´ecision int´eressante et de ce fait elle peut ˆetre g´en´eralis´ee `a l’´etude d’autres probl`emes semblables