FR3034546A1 - - Google Patents

Abstract

Un exemple de procédé comprend la réception d'ensembles de données brutes contenant des valeurs de paramètres de forage et de conditions d'exploitation produites au cours d'opérations de forage souterrain. Les ensembles de données brutes peuvent être séparés en ensembles de données d'entraînement sur la base, au moins en partie, des types d'opérations de forage souterrain. Au moins un modèle prédictif peut être créé sur la base, au moins en partie, d'au moins un ensemble de données d'entraînement. L'au moins un modèle prédictif peut déterminer un taux de pénétration (ROP) pour une opération de forage d'un type identique à celui auquel correspond l'au moins un ensemble de données d'entraînement.

Description

1 CRÉATION DE MODÈLES POUR LA PRÉVISION EN TEMPS RÉEL DU TAUX DE PÉNÉTRATION ARRIÈRE-PLAN La présente invention concerne, de façon générale, les opérations de forage de puits et, plus particulièrement, la création et l'utilisation de modèles pour la prévision des paramètres d'exploitation et des résultats de rendement. Les hydrocarbures, comme le pétrole et le gaz, s'obtiennent communément à partir de formations souterraines qui peuvent se trouver à terre ou en mer. L'élaboration des opérations souterraines et les processus mis en oeuvre dans l'extraction des hydrocarbures d'une formation souterraine sont complexes. En règle générale, les opérations souterraines comportent un certain nombre d'étapes différentes comme, par exemple, le forage d'un puits sur un site de puits souhaité avec un ensemble de forage, le traitement du puits pour optimiser la production des hydrocarbures, et la réalisation des étapes nécessaires à la production et au traitement des hydrocarbures issus de la formation souterraine. Au cours d'une opération de forage, le taux de pénétration (Rate of Penetration, ROP) de l'ensemble de forage à l'intérieur de la formation peut être un facteur important pour le déroulement global de l'opération de forage. Plus précisément, augmenter le ROP permet de diminuer le temps nécessaire pour forer le puits et de réduire les frais de l'opération de forage. Un opérateur à la surface peut contrôler différents aspects de l'opération de forage en réglant les paramètres de forage des éléments de l'ensemble de forage.

Les paramètres de forage peuvent influer sur le déroulement de l'opération de forage et notamment, entre autres, sur le ROP de l'ensemble de forage à l'intérieur de la formation. Toutefois, il peut être difficile de déterminer les paramètres de forage permettant de produire un ROP optimal, en raison du nombre de variables d'exploitation et de variables physiques dont dépend ce dernier.

FIGURES Pour une meilleure compréhension de certains modes de réalisation spécifiques représentatifs de l'invention, le lecteur pourra se reporter, en partie, à la description ci-après ainsi qu'aux dessins d'accompagnement. La figure 1 est un schéma d'un exemple de système de forage, selon différents aspects de la présente invention. La figure 2 est un schéma illustrant un exemple d'ensemble de données brutes de valeurs de paramètres de forage et de conditions d'exploitation collectées au cours d'une opération de forage, selon différents aspects de la présente invention. La figure 3 est un schéma illustrant un exemple d'enchaînement d'opérations pour 3034546 2 la création d'au moins un modèle prédictif spécifique au contexte, selon différents aspects de la présente invention. La figure 4 est un schéma illustrant des exemples d'étapes de processus d'une opération de prétraitement, selon différents aspects de la présente invention.

5 La figure 5 est un schéma d'un exemple de système de gestion d'informations, selon différents aspects de la présente invention. Bien que des modes de réalisation de cette invention aient été représentés et décrits et soient définis en référence aux modes de réalisation représentatifs de l'invention, ces références n'impliquent pas l'existence d'une limite de l'invention, et une telle limite ne doit en 10 aucun cas en être déduite. L'objet décrit peut se prêter à un grand nombre de modifications, d'altérations, et d'équivalents en termes de forme et de fonction, comme l'aura compris l'homme du métier disposant de cette invention. Les modes de réalisation représentés et décrits de cette invention ne sont que des exemples, et ne sont pas exhaustifs de la portée de l'invention. DESCRIPTION DÉTAILLÉE 15 Aux fins de cette invention, un système de gestion d'informations peut inclure toute instrumentalité ou tout agrégat d'instrumentalités pouvant servir à calculer, classer, traiter, transmettre, recevoir, récupérer, produire, commuter, stocker, afficher, manifester, détecter, enregistrer, reproduire, gérer ou utiliser toute forme d'information, de renseignement, ou de données à des fins commerciales, scientifiques, de contrôle ou à d'autres fins. Par exemple, un 20 système de gestion d'informations peut être un ordinateur personnel, un périphérique de stockage réseau, ou tout autre dispositif adapté et peut avoir une taille, une forme, des performances, une fonctionnalité et un prix variables. Le système de gestion d'informations peut inclure une mémoire vive (RAM), une ou plusieurs ressources de traitements telles qu'une unité centrale (CPU) ou une logique de commande de matériel ou de logiciel, une mémoire morte (ROM), 25 et/ou d'autres types de mémoire non volatile. Les composants supplémentaires du système de gestion d'informations peuvent inclure un ou plusieurs lecteurs de disque, un ou plusieurs ports réseau pour communiquer avec des périphériques externes ainsi que divers dispositifs d'entrée et de sortie (I/0), tels qu'un clavier, une souris et un écran vidéo. Le système de gestion d'informations peut également inclure un ou plusieurs bus pouvant servir à transmettre des 30 communications entre les différents composants matériels. Il peut également inclure une ou plusieurs unités d'interface capables de transmettre un ou plusieurs signaux à un contrôleur, un actionneur ou un dispositif analogue. Aux fins de cette invention, les supports lisibles par ordinateur peuvent inclure toute instrumentalité ou tout agrégat d'instrumentalités pouvant conserver des données et/ou des 3034546 3 instructions pendant un certain temps. Les supports lisibles par ordinateur peuvent inclure, par exemple et de façon non limitative, des supports de stockage tels qu'un dispositif de stockage à accès direct (par exemple, un lecteur de disque dur ou un lecteur de disquette), un dispositif de stockage à accès séquentiel (par exemple, un lecteur de bande ou de disque), un CD, un CD- S ROM, un DVD, une mémoire vive (RAM), une mémoire morte (ROM), une mémoire morte programmable et effaçable électriquement (EEPROM), et/ou une mémoire flash ; ainsi que des supports de communications tels que câbles, fibres optiques, micro-ondes, ondes radioélectriques, et autres supports électromagnétiques et/ou optiques ; et/ou toute combinaison de ces derniers.

10 Des modes de réalisation représentatifs de la présente invention sont décrits de manière détaillée dans les présentes. Dans l'intérêt de la clarté, tous les éléments d'une mise en oeuvre effective ne sont pas nécessairement décrits dans le présent fascicule. On aura bien entendu compris que pour élaborer effectivement l'un quelconque de ces modes de réalisation, il faut prendre de nombreuses décisions spécifiques à la mise en oeuvre afin de réaliser les objectifs 15 spécifiques de la mise en oeuvre, lesquels varient d'une mise en oeuvre à une autre. En outre, il faut noter qu'un tel effort d'élaboration peut être long et complexe, mais qu'il représente néanmoins une tâche habituelle pour l'homme du métier disposant de la présente invention. Pour faciliter la compréhension de la présente invention, des exemples de certains modes de réalisation sont donnés ci-après. En aucun cas les exemples ci-après ne doivent être 20 considérés comme limitant, ou définissant, la portée de l'invention. Les modes de réalisation de la présente invention peuvent être appliqués à des puits de forage horizontaux, verticaux, déviés ou autrement non linéaires dans un quelconque type de formation souterraine. Les modes de réalisation peuvent s'appliquer aux puits d'injection ainsi qu'aux puits de production, notamment aux puits d'hydrocarbures. Les modes de réalisation peuvent être mis en oeuvre à l'aide d'un 25 outil qui est adapté aux essais, à la récupération et à l'échantillonnage le long de sections de la formation. Les modes de réalisation peuvent être mis en oeuvre avec des outils qui peuvent, par exemple, être acheminés par un passage d'écoulement dans une colonne tubulaire ou à l'aide d'un filin, d'un câble lisse, d'un tube enroulé, d'un robot de fond ou similaire. Les termes « couplent » ou « couple » utilisés dans les présentes désignent une 30 liaison directe ou indirecte. Ainsi, si un premier dispositif est couplé à un second dispositif, la liaison en question peut se faire par le biais d'une liaison directe ou par le biais d'une liaison mécanique ou électrique indirecte via d'autres dispositifs et d'autres liaisons. De manière similaire, le terme « couplé de manière communicative » utilisé dans les présentes désigne une liaison de communication directe ou indirecte. Une telle liaison peut être une liaison filaire ou 3034546 4 sans fil comme, par exemple, Ethernet ou un réseau local (LAN). Ces liaisons filaires ou sans fil sont bien connues de l'homme du métier et ne seront donc pas détaillées dans les présentes. Ainsi, si un premier dispositif est couplé de manière communicative à un second dispositif, la liaison en question peut se faire par le biais d'une liaison directe, ou par le biais d'une liaison de 5 communication indirecte via d'autres dispositifs et d'autres liaisons. Les exploitations actuelles de forage et de production de pétrole nécessitent des informations relatives aux paramètres et aux conditions en fond de trou. Il existe plusieurs procédés permettant de collecter des informations de fond, notamment la diagraphie en cours de forage (« LWD » pour Logging-While-Drilling) et la mesure en cours de forage (« MWD » pour 10 Measurement-While-Drilling). Dans la LWD, les données sont généralement collectées au cours du forage, ce qui évite d'avoir à enlever l'ensemble de forage pour insérer un outil de diagraphie par câble. La LWD autorise donc le foreur à effectuer des modifications ou des corrections précises en temps réel afin d'optimiser le rendement tout en limitant le temps d'immobilisation. MWD est le terme qui désigne la mesure des conditions de fond concernant le déplacement de 15 l'ensemble de forage et sa position pendant que le forage se poursuit. La LWD se concentre davantage sur les mesures des paramètres de la formation. Bien qu'il puisse exister des distinctions entre la MWD et la LWD, les termes MWD et LWD s'emploient souvent indifféremment. Aux fins de cette invention, c'est le terme LWD qui sera utilisé, étant entendu que ce terme englobe à la fois la collecte des paramètres de la formation et la collecte des 20 informations relatives au déplacement et à la position de l'ensemble de forage. La figure 1 est un schéma illustrant un exemple de système de forage 100, selon différents aspects de la présente invention. Dans le mode de réalisation représenté, le système 100 comprend un derrick 102 monté sur une plate-forme 104 qui est en contact avec la surface 106 d'une formation 108 grâce à des supports 110. La formation 108 peut être composée d'une 25 pluralité de strates rocheuses 108a-e, chacune d'elles pouvant être constituée de roches de différents types dotées d'une lithologie différente. Au moins certaines des strates 108a-e peuvent être poreuses et contenir des liquides et des gaz prisonniers. Bien que le système 100 comprenne un système de forage « on-shore » (à terre) dans lequel la plate-forme 104 se trouve au niveau ou à proximité de la surface, des systèmes de forage « off-shore » (en mer) similaires sont 30 également possibles et peuvent être caractérisés par le fait que la plate-forme 104 est séparée de la surface 106 par un volume d'eau. Le système de forage 100 peut comprendre un ensemble de forage qui comprend une colonne de forage 118, un assemblage de fond (BHA) 120 et un trépan 122. Le trépan 122 peut comprendre des trépans de différentes tailles et de différents types. Comme exemples de 3034546 5 type de trépan, on peut citer, entre autres, un trépan à molettes et un trépan compact à diamant. polycristallin (PDC). La colonne de forage 118 peut comprendre plusieurs segments de tige de forage qui sont mis en prise par filetage et peuvent s'étendre vers le bas au travers d'un tube fontaine 132, d'un bloc d'obturation de puits (BOP) 134 et une tête de puits 136 jusqu'à 5 l'intérieur d'un trou de forage 116 dans la formation 108. La tête de puits 132 peut inclure une partie qui s'étend jusqu'à l'intérieur du trou de forage 116. Dans certains modes de réalisation, la tête de puits 136 peut être fixée à l'intérieur du trou de forage 116 avec du ciment. Le BOP 134 peut être couplé à la tête de puits 136 et au tube fontaine 1232, et peut coopérer avec le tube fontaine 132 pour empêcher que des pressions excessives en provenance de la formation 108 et 10 de trou de forage 116 ne se libèrent à la surface 106. Par exemple, le BOP 134 peut comprendre un BOP à mâchoires qui ferme l'annulaire entre la colonne de forage 118 et le trou de forage 116 en cas d'éruption. Le BHA 120 peut être couplé à la colonne de forage 118, et le trépan 122 peut être couplé au BHA 120. Le BHA 120 peut inclure des outils tels que des éléments LWD/MWD 120a et un système de télémétrie 120b. Les éléments LWD/MWD 120a peuvent comprendre des 15 instruments de fond, notamment des capteurs qui vont surveiller de manière continue ou intermittente les conditions de fond, les paramètres de forage et d'autres données relatives à la formation. Les informations produites par l'élément LWD/MWD 120a peuvent être stockées pendant que les instruments sont en fond de trou et récupérées à la surface ultérieurement, ou transmises à la surface à l'aide du système de télémétrie 120b.

20 Le derrick 102 peut comprendre un moufle mobile 112 qui permet de faire monter ou descendre l'ensemble de forage dans le trou de forage 116. L'ensemble de forage peut être suspendu au moufle mobile 112 par un ensemble crochet 180 couplé au moufle mobile 112. Dans le mode de réalisation représenté, l'ensemble de forage est suspendu à l'ensemble crochet 180 via une tête d'injection 126 qui est couplée à la colonne de forage 118 par l'intermédiaire 25 d'une tige d'entraînement (ou kelly) 128, qui soutient la colonne de forage 118 lorsqu'elle descend à travers à travers une tête d'injection motorisée ou une table de rotation 130. Un moteur 124 peut commander la position relative du moufle mobile 122 et par conséquent la position de l'ensemble de forage à l'intérieur du trou de forage 116. Une fois que le trépan 122 est en contact avec le fond du trou de forage 116, le moteur 124 et le moufle mobile 122 peuvent être utilisés 30 pour commander la force descendante appliquée au trépan 122 par l'ensemble de forage. Plus précisément, la descente du moufle mobile 122 va augmenter la force descendante appliquée au trépan 122 en augmentant le poids de l'ensemble de forage porté par la formation 108 au travers du trépan 122 plutôt que par l'ensemble crochet 180. Inversement, la remontée du moufle mobile 122 va diminuer la force descendante appliquée au trépan 122 en augmentant le poids de 3034546 6 l'ensemble de forage porté par l'ensemble crochet 180 plutôt que par la formation 108 au travers du trépan 122. La force descendante exercée sur le trépan 122 peut comprendre un paramètre de forage du système de forage 100 appelé « poids sur l'outil ». Le poids de l'ensemble de forage porté par l'ensemble crochet 180 peut être appelé « charge au crochet ».

5 Au cours d'une opération de forage, un fluide de forage, tel qu'une boue de forage, peut être pompé par une pompe à boue 138 depuis un réservoir 140 par une conduite d'aspiration 142. La boue de forage peut s'écouler de la pompe à boue 138 dans la colonne de forage 118 au niveau de la tête d'injection 126 par un ou plusieurs conduits de fluide, comprenant une tige 144, une colonne montante 146 et un tuyau flexible 148. La boue de forage 10 peut alors couler au fond du trou par la colonne de forage 118, sortant au niveau du trépan 122 et revenant par un annulaire 150 entre la colonne de forage 118 et le trou de forage 116 dans des modes de réalisation à trou ouvert, ou entre la colonne de forage 118 et un carter (non représenté) dans un mode de réalisation à trou de forage tubé. La vitesse à laquelle la boue de forage coule au fond du trou peut être commandée par la pompe 138 et peut constituer un 15 paramètre de forage du système de forage 100 appelé « débit de fond ». Pendant qu'elle se trouve dans le trou de forage 116, la boue de forage peut capturer des liquides et des gaz issus de la formation 108 ainsi que des particules et des débris qui sont produits par le trépan 122 en prise avec la formation 108. Le tube fontaine 132 peut être en communication de fluide avec l'annulaire 150, et la boue de forage peut s'écouler à travers 20 l'annulaire 150 jusqu'au tube fontaine 132 d'où elle sort par une conduite de retour 152. La conduite de retour 152 peut être couplée à un ou plusieurs mécanismes de traitement de fluide 154/156, et assurer une communication de fluide entre l'annulaire 150 et les mécanismes de traitement de fluide 154/156. La vitesse à laquelle la boue de forage s'écoule par la conduite de retour 152 peut être appelée « débit de retour ». Les mécanismes de traitement de fluide 154/156 25 peuvent séparer les particules de la boue de forage de retour avant de renvoyer la boue de forage au réservoir 140, où elle peut être remise en circulation dans le système de forage 100. Le trépan 122 peut être entraîné par la rotation de la colonne de forage 114 par la tête d'injection motorisée 130. La tête d'injection motorisée 130 peut être couplée à la colonne de forage 118 et entraînée par le moteur 124 ou par un moteur séparé. Le moteur 124 ou un autre 30 moteur du système 100 peut faire tourner la tête d'injection motorisée 130 et lui faire exercer un couple sur la colonne de forage 118, faisant ainsi tourner la colonne de forage 118 et le trépan 122. Ce système peut être qualifié de mode d'exploitation « rotatif », la vitesse de rotation de la tête d'injection motorisée 130 étant appelée « vitesse de rotation » en tours par minute (tr/min) de l'ensemble de forage, et le couple appliqué à la colonne de forage 118 par la tête d'injection 3034546 7 motorisée 130 étant appelé « couple de surface ». Le « couple de surface » peut se transmettre au trépan 122 au travers de la colonne de forage 118, avec une valeur séparée du « couple sur l'outil » caractérisant le couple ressenti par le trépan 122. En règle générale, le « couple sur l'outil » peut être fonction du « couple de surface » et de l'interaction entre le trépan 122 et la 5 formation. Dans d'autres modes de réalisation, un moteur de fond, par exemple une turbine commandée par fluide, peut être déployé dans le BHA 120 et peut à lui seul faire tourner le trépan 122, ou faire tourner le trépan 122 en complément de la rotation appliqué au trépan 122 au travers de la tête d'injection motorisée 130 et de la colonne de forage 118. Ce mode d'exploitation peut être qualifié de « coulissant ». Dans de tels cas, la vitesse de rotation du 10 trépan 122 peut être basée, au moins en partie, sur le débit du fluide de forage dans la colonne de forage 118, le « couple sur l'outil » étant fonction du couple appliqué par le moteur de fond, plutôt que par le couple de surface. La vitesse de rotation du trépan 122 peut dans les deux cas être appelée « régime du trépan ». D'autres agencements d'ensemble de forage sont possibles, comme l'appréciera l'homme du métier à la lumière de cette invention.

15 Dans certains modes de réalisation, le système 100 peut également comprendre un ou plusieurs capteurs qui surveillent les conditions d'exploitation du système 100 en temps réel ou en temps quasi réel. Ces capteurs peuvent se trouver à l'intérieur de l'ensemble de forage, par exemple dans les éléments LWD/MWD 120a du BHA 120, et à d'autres endroits situés à la surface 106, comme les capteurs de pression 182 couplés à la colonne montante 146 pour 20 mesurer la pression de la colonne montante (SPP) de l'ensemble 100. Les conditions d'exploitation comprennent, entre autres, le couple au niveau du trépan 122, le taux de pénétration (ROP) de l'ensemble de forage, et les pressions dans le système de circulation de fluide. La sortie des capteurs peut être collectée à la surface et stockée, par exemple, dans une base de données ou dans un magasin de données pour être récupérée ultérieurement.

25 Dans certains modes de réalisation, le système de forage 100 peut comprendre une unité de commande 160 placée à la surface 106. L'unité de commande 160 peut comprendre un système de gestion d'informations qui peut être couplé en communication à un ou plusieurs éléments commandés du système de forage 100, notamment la pompe 138 et le moteur 124. Les éléments commandés peuvent comprendre du matériel de forage dont l'état de fonctionnement 30 peut être altéré ou modifié au travers de signaux électroniques de commande. Un opérateur peut interagir avec les éléments commandés au travers de l'unité de commande 160 pour modifier les paramètres de forage du système 100. Par exemple, un opérateur peut régler le régime du trépan sur une valeur particulière qui peut ensuite amener l'unité de commande 160 à transmettre un signal de commande au moteur 124 pour modifier le régime de la tête d'injection motorisée 130 3034546 8 et/ou à adresser un signal de commande à la pompe 138 pour modifier le débit du fluide de forage. De manière similaire, l'opérateur peut régler le WOB sur une valeur particulière qui peut ensuite amener l'unité de commande 160 à adresser un signal de commande au moteur 124 pour déplacer le moufle mobile 112.

5 Les paramètres de forage du système 100 réglés par l'opérateur peuvent influer sur les conditions d'exploitation du système 100. Par exemple, le ROP de l'ensemble de forage, le couple au niveau du trépan et la SPP peuvent dépendre, en partie, du WOB, du débit, et du régime du trépan. En règle générale, l'opérateur peut tenter de maintenir les conditions d'exploitation dans des plages optimales en recherchant et en identifiant les combinaisons 10 optimales de paramètres de forage. En ce qui concerne le ROP, par exemple, l'opérateur peut tenter de modifier les consignes des paramètres de forage afin d'augmenter le ROP et donc de diminuer le temps global nécessaire pour forer le puits. La détermination des paramètres de forage pour augmenter le ROP, peut toutefois être difficile du fait qu'il dépend d'un certain nombre de paramètres de forage et de caractéristiques physiques de l'ensemble de forage, du 15 puits et de la formation. La figure 2 est un schéma illustrant un exemple d'ensemble de données brutes produites au cours d'une opération de forage. Dans le mode de réalisation représenté, l'ensemble de données comprend des données dynamiques 250 et des données statiques 250. Les données dynamiques 250 peuvent comprendre des paramètres de forage, des conditions d'exploitation, ou 20 d'autres valeurs numériques suivies et stockées au cours d'une opération de forage et notamment, entre autres, le WOB, la vitesse de rotation, le régime du trépan, la charge au crochet, le couple de surface et le couple sur l'outil, le débit de la boue en fond de trou, le débit de la boue en retour, la SPP, et le ROP. Dans le mode de réalisation représenté, les données dynamiques comprennent les valeurs de WOB 201 et la valeur du régime du trépan 202 réglée 25 par un opérateur pendant que le trépan se trouve à une profondeur particulière 203 dans la formation, et les valeurs de ROP 204 qui résultent des valeurs correspondantes du WOB et du régime du trépan 201/202. Chaque rangée de l'ensemble de données peut comprendre une entrée de données unique dans laquelle toutes les valeurs dynamiques correspondent. Les données statiques 260, en revanche, peuvent comprendre des variables numériques ou nominales 30 sélectionnées au cours des opérations de planification de puits et qui ne peuvent pas être modifiées rapidement ou facilement au cours d'une opération de forage, comme la lithologie de la formation, le type de trépan, la taille du trépan, le type d'ensemble de forage (par exemple, coulissant ou rotatif), et l'inclinaison du puits par rapport à la surface. Ici, les données statiques 260 comprennent le type d'outil 205 et le type de forage 206 de l'opération de forage qui a 3034546 9 produit les données dynamiques 250. Selon certains aspects de la présente invention, un modèle prédictif peut être créé à l'aide d'ensembles de données brutes similaires à celui présenté ci-dessus. Ce modèle peut être spécifique au type d'opération de forage qui a produit les ensembles de données brutes, et peut 5 être utilisé pour prévoir le ROP d'un ensemble de forage configuré de manière similaire sur la base de certaines valeurs de paramètres de forage et de conditions d'exploitation de l'ensemble de forage en question. Dans certains modes de réalisation, les données statiques décrites ci-dessus peuvent définir au moins partiellement le type l'opération de forage correspondante afin de créer un modèle prédictif. Les ensembles de données brutes peuvent être des informations 10 stockées ou des informations en temps réel issues d'un ou plusieurs sites de puits. Par exemple, un ensemble de données brutes peut être une série de données de capteurs et de valeurs de paramètres de forage stockées en temps réel ou en temps quasi réel dans un système de gestion d'informations situé sur le site de forage, ou une série de données de capteurs et de valeurs de paramètres de forage transmises à un centre de données, un serveur, ou tout autre dispositif de 15 stockage situé à distance du site de forage. Dans certains modes de réalisation, les ensembles de données brutes issues de plusieurs opérations de forage peuvent être regroupés dans un référentiel de données central contenant les ensembles de données brutes pour un groupe de puits forés dans une formation particulière, ou dans plusieurs formations situées dans des lieux géographiques distants. Ces ensembles de données peuvent être récupérés et séparés en fonction 20 des types d'opérations de forage et de formations à partir desquels ils ont été produits, et utilisés pour créer des modèles prédictifs spécifiques au contexte qui peuvent servir à prévoir le ROP de futures opérations de forage de types similaires et dans des formations similaires. La figure 3 est un schéma illustrant un exemple d'enchaînement d'opérations 300 pour la création d'au moins un modèle prédictif, selon différents aspects de la présente invention.

25 Dans certains modes de réalisation, parmi toutes les étapes ci-après, certaines peuvent être mises en oeuvre dans un ou plusieurs systèmes de gestion d'informations exécutant des instructions lisibles par ordinateur sous forme de logiciel. Par exemple, un système de gestion d'informations peut inclure un logiciel exécutable par un processeur du système de gestion d'informations pour effectuer chacune des étapes ci-après, notamment la consultation ou sinon la réception de 30 données brutes en provenance d'une installation distante de stockage de données au travers d'un réseau de données, la manipulation des données brutes, la création d'un ou plusieurs modèles prédictifs, et le stockage des modèles prédictifs créés dans cette même installation distante de stockage de données, ou dans une installation différente, au travers des réseaux de données. L'étape 301 comprend la réception de données produites au cours d'au moins une 3034546 10 opération de forage effectuée sur un ou plusieurs sites de puits. Dans le mode de réalisation représenté, les données comprennent des données dynamiques 301a et des données statiques 301b, et peuvent être similaires à l'ensemble de données décrit ci-dessus à propos de la figure 2. Dans le mode de réalisation représenté, toutes les variables nominales contenues dans les 5 données statiques 301b peuvent être binarisées sous forme numérique et intégrées aux valeurs numériques des données dynamiques 301a. Dans d'autres modes de réalisation, tout ou partie des données statiques 301b peut être laissé sous forme nominale, séparé des données dynamiques 301a reçues à l'étape 301, et utilisé à un stade ultérieur du processus pour séparer les données dynamiques 301a afin de créer les modèles prédictifs spécifiques au contexte associés à tout ou 10 partie des données statiques. L'étape 302 peut comprendre des étapes de prétraitement permettant d'éliminer les données bruyantes, corrompues ou manquantes des données reçues 301. Par exemple, les étapes de prétraitement peuvent inclure l'application d'un ou plusieurs seuils, filtres de données et algorithmes de réduction du bruit, pour modifier ou supprimer des entrées de données 15 spécifiques ou des ensembles de données complets. Dans certains modes de réalisation, l'étape de prétraitement 302 peut également inclure une fonction de séparation des données dans laquelle les données reçues 301 sont séparées en un ou plusieurs ensembles de données d'entraînement T1-T qui comprennent chacun tout ou partie des données reçues prétraitées 301. Chacun des ensembles de données d'entraînement T1-Tr, peut être associé à une ou plusieurs 20 variables statiques différentes, identifiées au travers des variables binarisées des données reçues 301 ou au travers des valeurs nominales 350 reçues à l'étape de prétraitement 302. Par exemple, l'un des ensembles de données d'entraînement T1-Tr, peut comprendre toutes les entrées de données prétraitées issues des données reçues 301 qui ont été produites au cours d'une opération de forage utilisant un trépan à molettes ; un autre peut comprendre toutes les entrées de données 25 prétraitées produites au cours d'une opération de forage utilisant un trépan PDC ; et un autre encore peut comprendre toutes les entrées de données prétraitées produites au cours d'une opération de forage utilisant un trépan PDC et un ensemble de forage du type coulissant dans une formation de schiste. Comme il est expliqué ci-après, chacun de ces ensembles de données d'entraînement T1-T' séparés peut être utilisé pour créer un modèle prédictif spécifique au 30 contexte différent, associé aux mêmes variables statiques que l'ensemble de données d'entraînement utilisé pour créer le modèle. Ces modèles peuvent ensuite servir à prévoir de manière précise le ROP pour de futures opérations de forage en utilisant les mêmes variables statiques que le modèle. L'étape 303 comprend une étape d'extraction de caractéristiques qui peut être 3034546 11 utilisée pour réduire la dimensionnalité des ensembles de données d'entraînement T1-T avant que ceux-ci soient utilisés pour créer des modèles prédictifs. Comme il sera expliqué de façon détaillée ci-après, les modèles prédictifs spécifiques au contexte permettent d'identifier une relation entre certains des paramètres de forage et des conditions d'exploitation d'une opération 5 de forage et le ROP résultant de l'ensemble de forage, de sorte que si une combinaison de paramètres de forage et de conditions d'exploitation est utilisée comme entrée du modèle, le ROP résultant peut être calculé. Dans certains cas, toutefois, certains des paramètres de forage et des conditions d'exploitation peuvent être redondants ou n'avoir autrement qu'un effet limité, voire aucun, sur le ROP résultant, et l'inclusion de ces paramètres de forage et ces conditions 10 d'exploitation peuvent augmenter la charge de calcul nécessaire pour créer le modèle prédictif, et réduire de fait la précision du modèle à cause d'un surapprentissageajustement excessif?. L'étape d'extraction de caractéristiques peut simplifier les ensembles de données d'entraînement TI-T. en excluant certaines entrées de données et/ou certains paramètres de forage et conditions d'exploitation à l'aide d'au moins une technique d'extraction de caractéristiques, ce qui permet 15 de simplifier les modèles prédictifs résultants et d'augmenter leur précision. Dans certains modes de réalisation, les techniques d'extraction de caractéristiques peuvent comprendre une ou plusieurs techniques linéaires et/ou non linéaires de réduction de la dimensionnalité. Comme exemples de techniques linéaires de réduction de la dimensionnalité on peut citer, entre autres, l'analyse en composantes principales, la régression partielle des moindres 20 carrés et l'analyse en composantes indépendantes. Comme exemples de techniques non linéaires de réduction de la dimensionnalité on peut citer, entre autres, les isomaps et les auto-encodeurs. En règle générale, chacune de ces techniques de réduction peut être mise en oeuvre par un processeur d'un système de gestion d'informations exécutant un logiciel sous forme d'instructions lisibles par ordinateur stockées dans un périphérique mémoire couplé au 25 processeur. Ces instructions peuvent amener le processeur à effectuer une ou plusieurs étapes des algorithmes associés aux techniques linéaires et/ou non linéaires de réduction de la dimensionnalité, dont certains exemples sont décrits ci-après. En ce qui concerne les exemples de techniques linéaires de réduction de la dimensionnalité, l'analyse en composantes principales peut comprendre un algorithme statistique 30 dans lequel un ensemble d'observations de variables éventuellement corrélées, par exemple, les variables dynamiques et le ROP d'une opération de forage, sont transformées à l'aide d'une transformation orthogonale en un ensemble de valeurs de variables non corrélées linéairement, appelées composantes principales. Ces composantes principales des variables des ensembles de données d'entraînement T1-Tn peuvent comprendre des hyperplans de variance minime entre le 3034546 12 ROP d'une opération de forage et les variables indépendantes des ensembles de données d'entraînement T1-T qui influent sur le ROP. Le nombre de composantes principales des variables des ensembles de données d'entraînement 203 peut être inférieur ou égal au nombre de variables contenues dans les variables des ensembles de données d'entraînement T1-T', les 5 composantes principales d'ordre supérieur ayant une variance très peu appréciable avec le ROP. L'exclusion d'une partie de ces composantes principales d'ordre supérieur permet de déterminer et de sélectionner les variables présentant une variance élevée avec le ROP, et d'exclure celles qui présentent une variance limitée. La régression partielle des moindres carrés, autre exemple de technique linéaire de réduction de la dimensionnalité, est un algorithme statistique dans lequel 10 des variables dépendantes (par exemple, le ROP) et des variables indépendantes (par exemple, la charge au crochet, le débit etc.) des ensembles de données d'entraînement TI-Ti, sont reçues par un processeur et projetées dans un nouvel espace. Le processeur peut alors déterminer un modèle de régression linéaire qui identifie les structures de covariance entre les projections, lesquelles peuvent ensuite être utilisées pour identifier les variables indépendantes des ensembles de 15 données d'entraînement T1-T. ayant la plus forte incidence sur le ROP résultant. D'autres exemples de techniques linéaires de réduction de la dimensionnalité comprennent l'analyse en composantes indépendantes et toutes les autres techniques linéaires de réduction de la dimensionnalité que saura apprécier l'homme du métier à la lumière de cette invention. Un exemple de technique non linéaire de réduction de la dimensionnalité 20 comprend l'utilisation d'un auto-encodeur qui peut comprendre un réseau neuronal sans rétroaction qui est entraîné pour effectuer une fonction spécifique. Tel qu'utilisé dans les présentes, un réseau neuronal peut comprendre un ou plusieurs processeurs ou systèmes de gestion d'informations mettant en oeuvre un algorithme d'apprentissage statistique qui présente généralement un système de « neurones » interconnectés qui ont été entraînés pour produire une 25 sortie prédéfinie sur la base d'un ensemble de valeurs d'entrée prédéfinies. Dans le contexte des présentes applications, le réseau neuronal peut être entraîné pour recevoir en comme entrées les variables indépendantes et dépendantes provenant des ensembles de données d'entraînement T1- Tri et pour « coder » ces entrées en un ensemble de données d'une dimensionnalité inférieure. Au travers de l'étape de codage, le réseau neuronal peut sélectionner les variables qui ont les effets 30 les plus significatifs sur le ROP résultant, de sorte que les variables non sélectionnées par le réseau neuronal peuvent être exclues des ensembles de données d'entraînement T1-T. D'autres techniques non -linéaires de réduction de la dimensionnalité sont possibles, comme saura l'apprécier l'homme du métier à la lumière de cette invention. L'étape 304 comprend une étape d'optimisation de la taille de l'ensemble 3034546 13 d'entraînement qui peut être utilisée pour améliorer les performances prédictives des modèles prédictifs résultants, et décrite ci-après. La taille de l'ensemble d'entraînement peut influer sur la précision du modèle prédictif résultant. En règle générale, l'ensemble d'entraînement doit être suffisamment grand pour capturer le comportement sous-jacent, mais des ensembles 5 d'entraînement qui sont trop grands peuvent conduire à un surapprentissage. Optimiser la taille des ensembles d'entraînement peut donc améliorer la précision du modèle prédictif résultant et réduire le temps de calcul nécessaire pour créer le modèle. Dans certains modes de réalisation, l'étape d'optimisation de la taille peut être effectuée en déterminant un seuil de taille optimal pour des ensembles de données ou pour un 10 groupe d'ensembles de données particuliers, et en limitant le nombre d'entrées de données dans les ensembles de données d'entraînement en fonction de ce seuil. Dans certains modes de réalisation, le seuil peut être déterminé en divisant un ensemble de données d'entraînement type en un sous-ensemble d'entraînement et un sous-ensemble de test. Un modèle prédictif peut ensuite être entraîné en utilisant des nombres croissants d'entrées de données issues du sous- 15 ensemble d'entraînement, jusqu'à ce que la précision du modèle prédictif résultant se stabilise, de sorte que l'augmentation du nombre d'entrées de données utilisées pour former le modèle prédictif n'améliore pas la précision du modèle résultant plus que d'une quantité seuil, par exemple 0,5%. Une fois établi, ce seuil peut être appliqué globalement à tous les ensembles de données d'entraînement, ou aux ensembles de données d'entraînement qui partagent des 20 caractéristiques, par exemple des variables statiques, avec l'ensemble de données d'entraînement utilisé pour établir le seuil. Dans d'autres modes de réalisation, des analyses de données peuvent être utilisées pour déterminer la taille optimale des données d'entraînement. Une fois que le seuil et/ou la taille optimale des données d'entraînement ont été sélectionnés, chaque ensemble de données d'entraînement peut être réduit à un sous-ensemble d'entrées de données sélectionnées 25 aléatoirement à partir de l'ensemble de données d'entraînement correspondant, le nombre d'entrées de données de chaque sous-ensemble étant basé, au moins en partie, sur le seuil et/ou la taille optimale des données d'entraînement. L'étape 305 comprend une étape d'entraînement dans laquelle au moins un algorithme d'apprentissage 305a avec des paramètres associés 305b peut être entraîné avec les 30 ensembles de données d'entraînement T1-T' pour produire un ou plusieurs modèles prédictifs spécifiques au contexte M1-Mn. Par exemple, un algorithme d'apprentissage peut recevoir comme entrée un ensemble de données d'entraînement T1 et déterminer une relation entre les paramètres de forage et les conditions d'exploitation dans l'ensemble de données d'entraînement T1 et les valeurs de ROP de l'ensemble de données d'entraînement T1 qui résultent des 3034546 14 paramètres de forage et des conditions d'exploitation associés. La relation déterminée peut comprendre un modèle prédictif spécifique au contexte M1 correspondant à l'ensemble de données d'entraînement T1 qui est entraîné pour déterminer une valeur résultante de ROP pour les opérations de forage avec les mêmes valeurs de variables statiques ou le même contexte que 5 l'ensemble de données d'entraînement T1, lorsqu'il reçoit comme entrée des paramètres de forage et des conditions d'exploitation du même type que dans l'ensemble de données d'entraînement T1 Des modèles prédictifs spécifiques au contexte M1-Mn correspondant respectivement à chacun des ensembles de données d'entraînement T1-Tr, peuvent être produits de la même manière.

10 Dans certains modes de réalisation, l'algorithme d'apprentissage 305a peut comprendre des algorithmes d'apprentissage supervisés et non supervisés et peut inclure un arbre de décision, un réseau bayésien de croyances, un algorithme génétique, un réseau neuronal artificiel, et/ou une machine à vecteurs de support. Chacun des algorithmes d'apprentissage précités peut « apprendre » en créant et en affinant un modèle interne basé sur l'ensemble de 15 données d'entraînement. Ce modèle interne peut être le modèle prédictif spécifique au contexte correspondant à l'ensemble de données d'entraînement. Dans certains modes de réalisation, le processus d'apprentissage de tel ou tel algorithme d'apprentissage peut dépendre, au moins en partie, d'un ou plusieurs paramètres accordables de l'algorithme. Le processus de sélection des paramètres peut comprendre une 20 étape séparée contenue dans l'étape d'entraînement 305 et devant être effectuée avant que les modèles prédictifs M1-Mr, soient produits. Ces paramètres peuvent être accordés manuellement, par un utilisateur, ou sélectionnés automatiquement pour optimiser le processus d'apprentissage. Un exemple de processus de sélection de paramètres optimisés comprend une recherche par grille, dans laquelle une grille de paramètres à l'intérieur de plages spécifiques est identifiée, et 25 chaque combinaison de paramètres est testée dans l'algorithme d'apprentissage et notée. Un autre exemple de processus comprend une technique d'optimisation randomisée des paramètres dans laquelle des valeurs types issues d'une distribution de valeurs possibles de paramètres sont sélectionnées aléatoirement et notées, les valeurs de paramètre optimisées étant extrapolées à partir des notes types. Un autre exemple de processus comprend une technique de recherche 30 linéaire dans laquelle chaque valeur de paramètre d'un ensemble de valeurs de paramètres est sélectionnée et testée individuellement. Dans certains modes de réalisation, la plage des valeurs de paramètres peut être prédéfinie par un utilisateur, et un processus d'un système de gestion d'informations peut récupérer les valeurs prédéfinies en fonction d'un ensemble d'instructions lisibles par ordinateur associées à l'algorithme d'apprentissage et au processus de sélection de 3034546 15 paramètres correspondants. Dans certains modes de réalisation, des processus séparés de sélection de paramètres peuvent être effectués pour chacun des ensembles de données d'entraînement T1-T pour augmenter la précision des modèles prédictifs M1-Mn correspondants. Dans certains modes de réalisation, une fois que les modèles prédictifs M1-M' ont 5 été produits, ils peuvent être stockés dans un référentiel de données central similaire au référentiel de données dans lequel sont stockés les ensembles de données brutes. Ces modèles prédictifs spécifiques au contexte M1-Mn peuvent ensuite être consultés ultérieurement et sélectionnés le cas échéant pour prévoir les valeurs de ROP pour des opérations de forage. Dans certains modes de réalisation, un ou plusieurs des modèles prédictifs spécifiques au contexte M1- 10 Mn peuvent être sélectionnés en fonction du contexte d'exploitation de l'opération de forage suivante. Par exemple, si une opération de forage planifiée doit utiliser un trépan à molettes et un ensemble de forage du type coulissant, les modèles prédictifs spécifiques au contexte associés au contexte d'exploitation peuvent être sélectionnés et utilisés avec les paramètres de forage et les conditions d'exploitation dynamiques issus de l'opération de forage en question pour identifier le 15 ROP résultant. Si le ROP résultant n'est pas suffisant, les paramètres de forage peuvent être modifiés jusqu'à ce qu'une valeur acceptable soit obtenue. Dans certains modes de réalisation, les modèles prédictifs spécifiques au contexte M1-Mn stockés peuvent également être consultés et modifiés en fonction de données brutes accessibles ultérieurement. Plus précisément, des données brutes produites après que les modèles 20 prédictifs spécifiques au contexte M1-Mn ont été constitués peuvent être utilisées en tant que nouveaux ensembles de données d'entraînement pouvant modifier des relations établies au sein des modèles prédictifs. Cela peut améliorer la précision des modèles et permettre d'obtenir, par exemple, une détermination plus précise du ROP au fur et à mesure de la progression. Comme il est expliqué ci-dessus à propos de la figure 3, le processus peut inclure 25 des étapes de prétraitement permettant d'éliminer les données bruyantes, corrompues ou manquantes des données reçues. La figure 4 est un schéma illustrant des exemples d'étapes de processus d'une opération de prétraitement, selon différents aspects de la présente invention. En règle générale, les étapes décrites ci-après peuvent être effectuées par un processeur d'un système de gestion d'informations qui récupère les données issues des opérations de forage et 30 modifie ou supprime des entrées de données à partir des ensembles de données en fonction d'un ensemble d'instructions lisibles par ordinateur associé à chacune des étapes. L'étape 401 comprend une étape seuil qui vise les valeurs numériques des entrées de données des données reçues qui se trouvent en dehors d'une plage définie par l'utilisateur. Par exemple, si la valeur numérique du paramètre WOB de telle ou telle entrée de données se trouve 3034546 16 en dehors de tel ou tel seuil (par exemple, si le paramètre WOB a une valeur négative) l'entrée de données peut être supprimée des données reçues de manière à ne pas se propager dans un ensemble de données d'entraînement. Tout ou partie des paramètres de forage et des conditions d'exploitation peut avoir des seuils associés qui sont sélectionnés pour supprimer des données 5 reçues toutes les entrées de données ayant des valeurs non réalistes, ou encore des valeurs qui n'indiquent pas le bon fonctionnement d'un ensemble de forage. Ces seuils peuvent être appliqués, par exemple, en vérifiant de manière itérative la valeur de chaque entrée de données correspondant à tel ou tel seuil, en répétant le processus pour chaque seuil identifié, et en supprimant des données reçues toutes les entrées de données ayant au moins une valeur qui se 10 trouve en dehors d'un seuil. L'étape 402 comprend une étape de filtrage dans laquelle des entrées de données peuvent être supprimées sur la base d'une évaluation qualitative de l'entrée de données. Par exemple, certains ensembles de données brutes incluent des valeurs de ROP qui ont été mesurées au cours de l'opération de forage, mais calculées après les faits, et des entrées de données ou des 15 ensembles d'entrées de données brutes contenant des valeurs de ROP peuvent être supprimés des données reçues. D'autres facteurs qualitatifs peuvent également être pris en compte, notamment la plage entre la profondeur mesurée de l'outil et la profondeur mesurée du trou au moment où les données ont été collectées. L'étape 403 comprend une étape de réduction du bruit qui peut identifier des 20 valeurs dans des entrées de données qui se trouvent en dehors des seuils de l'étape 401 mais qui contiennent néanmoins des valeurs corrompues. Dans un certain mode de réalisation, cette étape peut comprendre un tracé des valeurs correspondantes dans les entrées de données consécutives et la détermination d'une ou plusieurs lignes de tendance dans ce tracé. Si une valeur s'écarte de la ligne de tendance d'un certain pourcentage, ou d'une quantité dépassant un seuil d'erreur, par 25 exemple, la valeur en question peut être identifiée comme un « bruit » ou une erreur et les entrées de données contenant cette valeur peuvent être supprimées des données reçues. L'étape 404 comprend une étape de calcul de moyenne qui peut être utilisée à la place ou en complément de l'étape de réduction du bruit 403. Dans un certain mode de réalisation, l'étape de calcul d'une moyenne peut inclure la détermination de la valeur moyenne 30 d'un paramètre de forage ou d'une condition d'exploitation donnés dans un nombre prédéterminé d'entrées de données consécutives, ou dans une plage prédéterminée de profondeur ou de temps. Grâce au calcul de la moyenne des valeurs, les entrées bruyantes ou erronées peuvent être identifiées ou supprimées, ou la valeur moyenne peut remplacer les valeurs instantanées dans les entrées de données.

3034546 17 L'étape 405 comprend une étape de mise à l'échelle dans laquelle les valeurs dans les entrées de données peuvent être mises à l'échelle ou autrement normalisées. Par exemple, les valeurs du paramètre WOB dans les entrées de données peuvent être mises à l'échelle ou normalisées pour se trouver entre 0 et 1, ou entre -1 et 1. L'opération de mise à l'échelle peut 5 consister à identifier les valeurs maximale et minimale à partir du paramètre WOB dans les entrées de données, puis pour chaque valeur du paramètre WOB dans les entrées de données, à soustraire la valeur minimale et à diviser par la différence entre les valeurs maximale et minimale. Dans certains cas, des valeurs mises à l'échelle ou normalisées peuvent augmenter la précision du modèle prédictif résultant.

10 L'étape 406 comprend une étape de création de sous-ensembles dans laquelle les données reçues peuvent être divisées en une pluralité d'ensembles de données d'entraînement T1-T. Comme il est expliqué ci-dessus, les données reçues peuvent être divisées en fonction du contexte de l'opération de forage au cours de laquelle les données ont été produites, tel qu'il est indiqué par les variables statiques correspondant aux données. Par exemple, les données reçues 15 peuvent être divisées ou séparées en fonction de la lithologie du forage de la formation au moment où les données ont été collectées, de la taille ou du type du trépan utilisé au cours de l'opération de forage, et/ou du type d'ensemble de forage utilisé. Comme il est expliqué également ci-dessus, chacun des ensembles de données d'entraînement T1-T peut être utilisé pour entraîner un modèle prédictif différent spécifique au contexte.

20 L'étape 407 comprend une étape de sélection des données dans laquelle les données des ensembles de données d'entraînement T1-T sont limitées aux entrées de données correspondant à des performances idéales ou acceptables de l'opération de forage. Par exemple, l'étape 407 peut inclure un processus de sélection dans lequel seules les entrées de données ayant des valeurs de ROP optimales ou quasi optimales sont incluses dans les ensembles 25 d'entraînement. Cela peut améliorer le modèle prédictif résultant de l'ensemble de données d'entraînement en forçant l'algorithme d'apprentissage à ne prendre en compte que les résultats acceptables. Dans certains modes de réalisation, le processus de sélection peut comprendre une procédure d'agrégation de quantiles dans laquelle les entrées de données sont ordonnées par 30 leurs valeurs de ROP correspondantes, et divisées en deux groupes ou plus. Les groupes peuvent être déterminés, par exemple, de sorte que chaque groupe ait le même nombre d'entrées de données, ou en fonction de l'écart en pourcentage par rapport au ROP maximal du groupe d'entrées de données. Une fois que les entrées de données ont été regroupées, un ou plusieurs des groupes peuvent être sélectionnés et les entrées de données correspondantes incluses dans 3034546 18 l'ensemble de données d'entraînement, et les entrées de données du ou des autres groupes exclues de l'ensemble de données d'entraînement. La figure 5 est un schéma de principe qui montre un exemple de système de gestion d'informations 500, selon différents aspects de la présente invention. Le système de 5 gestion d'informations 500 peut être utilisé, par exemple, en tant qu'élément d'un système ou d'une unité de commande d'un ensemble de forage et/ou pour créer les modèles prédictifs spécifiques au contexte décrits ci-dessus. Le système de gestion d'informations 500 peut comprendre un processeur ou CPU 501 qui est couplé de manière communicative à un hub de contrôleur mémoire ou un pont nord 502. Le hub de contrôleur mémoire 502 peut inclure un 10 contrôleur mémoire destiné à acheminer les informations de ou vers différents composants de mémoire système du système de gestion d'informations, tels qu'une RAM 503, un élément de stockage 506 et un disque dur 507. Le hub de contrôleur mémoire 502 peut être couplé à la RAM 503 et à une unité de traitement graphique 504. Le hub de contrôleur mémoire 502 peut également être couplé à un hub de contrôleur d'entrées/sorties (I/O) ou pont sud 505. Le hub 1/0 15 505 est couplé à des éléments de stockage du système informatique, notamment un élément de stockage 506 qui peut comprendre une mémoire flash ROM qui comprend un système d'entrées/sorties de base (BIOS) du système informatique. Le hub 505 est également couplé au disque dur 507 du système informatique. Le hub 1/0 505 peut également être couplé à une puce de super-entrées/sorties (super 1/0) 508, qui est elle-même couplée à plusieurs des ports 1/0 20 du système informatique, notamment un clavier 509 et une souris 510. Le système de gestion d'informations 500 peut en outre être couplé en communication à un ou plusieurs éléments d'un système de forage au travers de la puce 508. Selon différents aspects de la présente invention, un exemple de procédé comprend la réception d'ensembles de données brutes contenant des valeurs de paramètres de 25 forage et de conditions d'exploitation produites au cours d'opérations de forage souterrain. Les ensembles de données brutes peuvent être séparés en ensembles de données d'entraînement sur la base, au moins en partie, des types d'opérations de forage souterrain. Au moins un modèle prédictif peut être produit sur la base, au moins en partie, d'au moins un ensemble de données d'entraînement. L'au moins un modèle prédictif peut déterminer un taux de pénétration (ROP) 30 pour une opération de forage d'un type identique à celui auquel correspond l'au moins un ensemble de données d'entraînement. Dans certains modes de réalisation, le procédé peut comprendre en outre l'étape de réduction de la dimensionnalité d'au moins un des ensembles de données d'entraînement à l'aide d'au moins une technique d'extraction de caractéristiques. Dans un certain mode de 3034546 19 réalisation, l'au moins une technique d'extraction de caractéristiques peut comprendre au moins une technique parmi une analyse en composantes principales, une régression partielle des moindres carrés, une analyse en composantes indépendantes, un isomap et un auto-encodeur. Dans certains modes de réalisation, la création d'au moins un modèle prédictif sur la base, au 5 moins en partie, d'au moins un ensemble de données d'entraînement peut comprendre l'entraînement d'un algorithme d'apprentissage à l'aide de l'au moins un ensemble de données d'entraînement. Dans certains modes de réalisation, l'algorithme d'apprentissage peut comprendre au moins un élément parmi un arbre de décision, un réseau bayésien de croyances, un algorithme génétique, un réseau neuronal artificiel, et une machine à vecteurs de support.

10 Dans certains modes de réalisation, l'entraînement d'un algorithme d'apprentissage à l'aide de l'au moins un ensemble de données d'entraînement peut comprendre la détermination d'au moins un paramètre de l'algorithme d'apprentissage à l'aide d'au moins soit une recherche par grille, soit une optimisation de paramètre randomisée, soit une recherche linéaire. Dans certains modes de réalisation, le procédé peut comprendre en outre la 15 réduction du nombre d'entrées de données dans au moins un des ensembles de données d'entraînement sur la base, au moins en partie, d'un seuil prédéterminé. Dans certains modes de réalisation, le procédé peut comprendre en outre au moins soit un seuillage, soit un filtrage sur le ROP, soit le calcul d'une moyenne, soit une normalisation des données brutes. Dans certains modes de réalisation, le procédé peut comprendre en outre la séparation des ensembles de 20 données brutes en données dynamiques et en données statiques. Dans certains modes de réalisation, le type auquel correspond l'au moins un ensemble de données d'entraînement est basé, au moins en partie, sur les données statiques. Dans certains modes de réalisation, le procédé peut comprendre en outre la suppression d'au moins une partie des entrées de données des ensembles de données brutes sur la base, au moins en partie, des valeurs de ROP dans les 25 entrées de données. Dans l'un quelconque des modes de réalisation décrits dans les trois paragraphes précédents, le procédé peut comprendre en outre la détermination d'un ROP pour une opération de forage à l'aide du modèle et la modification d'au moins un paramètre de forage de l'opération de forage sur la base, au moins en partie, du ROP déterminé. Dans l'un quelconque des modes de 30 réalisation décrits dans les trois paragraphes précédents, la réception d'ensembles de données brutes contenant des valeurs de paramètres de forage et de conditions d'exploitation produites au cours d'opérations de forage souterrain peut comprendre la réception d'ensembles de données brutes contenant des valeurs numériques correspondant à au moins un élément parmi le poids sur l'outil (WOB), la vitesse de rotation, le régime (tr/min) du trépan, la charge au crochet, le couple 3034546 20 de surface, le couple sur l'outil, le débit de la boue en fond de trou, le débit de la boue en retour, la pression de la colonne montante (SPP), et le ROP ; et la séparation des ensembles de données brutes en ensembles de données d'entraînement sur la base, au moins en partie, des types d'opérations de forage souterrain peut comprendre la séparation des ensembles de données 5 brutes sur la base, au moins en partie, de la lithologie de la formation, du type du trépan, de la taille du trépan, du type de l'ensemble de forage, et de l'inclinaison du puits des opérations de forage souterrain. Selon différents aspects de la présente invention, un exemple de support non transitoire lisible par ordinateur peut contenir un ensemble d'instructions qui, lorsqu'elles sont 10 exécutées par un processeur d'un système de gestion d'informations, amènent le processeur à recevoir des ensembles de données brutes contenant des valeurs de paramètres de forage et de conditions d'exploitation produites au cours d'opérations de forage souterrain, et à séparer les ensembles de données brutes en ensembles de données d'entraînement sur la base, au moins en partie, des types d'opérations de forage souterrain. L'ensemble d'instructions peut amener en 15 outre le processeur à créer au moins un modèle prédictif sur la base, au moins en partie, d'au moins un ensemble de données d'entraînement, l'au moins un modèle prédictif déterminant un taux de pénétration (ROP) pour une opération de forage d'un type identique à celui auquel correspond l'au moins un ensemble de données d'entraînement. Dans certains modes de réalisation, l'ensemble d'instructions peut amener en 20 outre le processeur à réduire la dimensionnalité d'au moins un des ensembles de données d'entraînement à l'aide d'au moins une technique d'extraction de caractéristiques. Dans certains modes de réalisation, l'au moins une technique d'extraction de caractéristiques peut comprendre au moins une technique parmi une analyse en composantes principales, une régression partielle des moindres carrés, une analyse en composantes indépendantes, un isomap, et un auto- 25 encodeur. Dans certains modes de réalisation, l'ensemble d'instructions qui amène le processeur à créer au moins un modèle prédictif sur la base, au moins en partie, d'au moins un ensemble de données d'entraînement peut amener en outre le processeur à entraîner un algorithme d'apprentissage à l'aide de l'au moins un ensemble de données d'entraînement. Dans certains modes de réalisation, l'algorithme d'apprentissage comprend au moins un élément parmi un 30 arbre de décision, un réseau bayésien de croyances, un algorithme génétique, un réseau neuronal artificiel, et une machine à vecteurs de support. Dans certains modes de réalisation, l'ensemble d'instructions qui amène le processeur à entraîner un algorithme d'apprentissage à l'aide de l'au moins un ensemble de données d'entraînement peut amener en outre le processeur à déterminer au moins un paramètre de l'algorithme d'apprentissage à l'aide d'au moins soit une recherche 3034546 21 par grille, soit une optimisation de paramètre randomisée, soit une recherche linéaire. Dans certains modes de réalisation, l'ensemble d'instructions peut amener en outre le processeur à réduire le nombre d'entrées de données dans au moins un des ensembles de données d'entraînement sur la base, au moins en partie, d'un seuil prédéterminé. Dans certains 5 modes de réalisation, l'ensemble d'instructions peut amener en outre le processeur à effectuer un seuillage, un filtrage sur ROP, un calcul de moyenne, et une normalisation des données brutes. Dans certains modes de réalisation, l'ensemble d'instructions peut amener en outre le processeur à séparer les ensembles de données brutes en données dynamiques et en données statiques. Dans certains modes de réalisation, le type auquel correspond l'au moins un ensemble de données 10 d'entraînement est basé, au moins en partie, sur les données statiques. Dans certains modes de réalisation, l'ensemble d'instructions peut amener en outre le processeur à supprimer au moins une partie des entrées de données des ensembles de données brutes sur la base, au moins en partie, des valeurs de ROP dans les entrées de données. Dans l'un quelconque des modes de réalisation des trois paragraphes précédents, 15 l'ensemble d'instructions peut amener en outre le processeur à déterminer un ROP pour une opération de forage en utilisant le modèle et à modifier au moins un paramètre de forage de l'opération de forage sur la base, au moins en partie, du ROP déterminé. Dans l'un quelconque des modes de réalisation des trois paragraphes précédents, l'ensemble d'instructions qui amène le processeur à recevoir des ensembles de données brutes contenant des valeurs de paramètres de 20 forage et de conditions d'exploitation produites au cours d'opérations de forage souterrain peut amener en outre le processeur à recevoir des ensembles de données brutes contenant des valeurs numériques correspondant à au moins un élément parmi le poids sur l'outil (WOB), la vitesse de rotation, le régime (tr/min) du trépan, la charge au crochet, le couple de surface, le couple sur l'outil, le débit de la boue en fond de trou, le débit de la boue en retour, la pression de la colonne 25 montante (SPP), et le ROP; et l'ensemble d'instructions qui amène le processeur à séparer les ensembles de données brutes en ensembles de données d'entraînement sur la base, au moins en partie, des types d'opérations de forage souterrain peut amener en outre le processeur à séparer les ensembles de données brutes sur la base, au moins en partie, de la lithologie de la formation, du type du trépan, de la taille du trépan, du type de l'ensemble de forage, et de l'inclinaison du 30 puits des opérations de forage souterrain. Par conséquent, la présente invention est parfaitement apte à réaliser les fins et les avantages cités ainsi que ceux qui lui sont inhérents. Les modes de réalisation particuliers décrits ci-dessus sont de nature purement illustrative, la présente invention pouvant être modifiée et mise en pratique de manières différentes mais équivalentes, comme l'aura compris l'homme du 3034546 22 métier disposant des enseignements contenus dans les présentes. De plus, il n'est prévu aucune limite quant aux détails de construction ou de conception illustrés dans les présentes, autre que celles indiquées par les revendications ci-après. Il va de soi, par conséquent, que les modes de réalisation représentatifs particuliers décrits ci-dessus peuvent être altérés ou modifiés et que de 5 telles variantes seront toutes considérées comme étant dans la portée et l'esprit de la présente invention. Par ailleurs, les termes employés dans les revendications ont leur signification normale et ordinaire, sauf si le détenteur du brevet les définit autrement de manière explicite et claire. Les articles indéfinis « un » ou « une » tels qu'utilisés dans les revendications, sont définis dans les présentes comme désignant un ou plusieurs de l'élément qu'ils introduisent. 10

Claims (26)

1. REVENDICATIONS1. Procédé, comprenant : la réception d'ensembles de données brutes contenant des valeurs de paramètres de forage et de conditions d'exploitation produites au cours d'opérations de forage souterrain ; la séparation des ensembles de données brutes en ensembles de données d'entraînement sur la base, au moins en partie, des types d'opérations de forage souterrain ; la création d'au moins un modèle prédictif sur la base, au moins en partie, d'au moins un ensemble de données d'entraînement, l'au moins un modèle prédictif déterminant un taux de pénétration (ROP) pour une opération de forage d'un type identique à celui auquel correspond l'au moins un ensemble de données d'entraînement.
2. 2. Procédé selon la revendication 1, comprenant en outre l'étape de réduction de la dimensionnalité d'au moins un des ensembles de données d'entraînement à l'aide d'au moins une technique d'extraction de caractéristiques.
3. 3. Procédé selon la revendication 2, dans lequel l'au moins une technique d'extraction de caractéristiques comprend au moins une technique parmi une analyse en composantes principales, une régression partielle des moindres carrés, une analyse en composantes indépendantes, un isomap et un auto-encodeur.
4. 4. Procédé selon la revendication 1, dans lequel la création d'au moins un modèle prédictif sur la base, au moins en partie, d'au moins un ensemble de données d'entraînement comprend l'entraînement d'un algorithme d'apprentissage à l'aide de l'au moins un ensemble de données d'entraînement.
5. 5. Procédé selon la revendication 3, dans lequel l'algorithme d'apprentissage comprend au moins un élément parmi un arbre de décision, un réseau bayésien de croyances, un algorithme génétique, un réseau neuronal artificiel, et une machine à vecteurs de support.
6. 6. Procédé selon la revendication 5, dans lequel l'entraînement d'un algorithme d'apprentissage à l'aide de l'au moins un ensemble de données d'entraînement comprend la détermination d'au moins un paramètre de l'algorithme d'apprentissage à l'aide d'au moins soit 3034546 24 une recherche par grille, soit une optimisation de paramètre randomisée, soit une recherche linéaire.
7. 7. Procédé selon la revendication 1, comprenant en outre la réduction du nombre 5 d'entrées de données dans au moins un des ensembles de données d'entraînement sur la base, au moins en partie, d'un seuil prédéterminé.
8. 8. Procédé selon la revendication 1, comprenant en outre au moins soit un seuillage, soit un filtrage sur le ROP, soit le calcul d'une moyenne, soit une normalisation des données 10 brutes.
9. 9. Procédé selon la revendication 1, comprenant en outre la séparation des ensembles de données brutes en données dynamiques et en données statiques. 15
10. 10. Procédé selon la revendication 9, dans lequel le type auquel correspond l'au moins un ensemble de données d'entraînement est basé, au moins en partie, sur les données statiques.
11. 11. Procédé selon la revendication 1, comprenant en outre la suppression d'au moins 20 une partie des entrées de données des ensembles de données brutes sur la base, au moins en partie, des valeurs de ROP dans les entrées de données.
12. 12. Procédé selon l'une quelconque des revendications 1 à 11, comprenant en outre la détermination d'un ROP pour une opération de forage à l'aide du modèle et la modification d'au 25 moins un paramètre de forage de l'opération de forage sur la base, au moins en partie, du ROP déterminé.
13. 13. Procédé selon l'une quelconque des revendications 1 à 11, dans lequel la réception d'ensembles de données brutes contenant des valeurs de 30 paramètres de forage et de conditions d'exploitation produites au cours d'opérations de forage souterrain comprend la réception d'ensembles de données brutes contenant des valeurs numériques correspondant à au moins un élément parmi le poids sur l'outil (WOB), la vitesse de rotation, le régime (tr/min) du trépan, la charge au crochet, le couple de surface, le couple sur l'outil, le débit de la boue en fond de trou, le débit de la 3034546 25 boue en retour, la pression de la colonne montante (SPP), et le ROP ; et dans lequel la séparation des ensembles de données brutes en ensembles de données d'entraînement sur la base, au moins en partie, des types d'opérations de forage souterrain comprend la séparation des ensembles de données brutes sur la base, au moins 5 en partie, de la lithologie de la formation, du type du trépan, de la taille du trépan, du type de l'ensemble de forage, et de l'inclinaison du puits des opérations de forage souterrain.
14. 14. Support non transitoire lisible par ordinateur et contenant un ensemble d'instructions qui, lorsqu'elles sont exécutées par un processeur d'un système de gestion 10 d'informations, amènent le processeur à recevoir des ensembles de données brutes contenant des valeurs de paramètres de forage et de conditions d'exploitation produites au cours d'opérations de forage souterrain ; séparer les ensembles de données brutes en ensembles de données d'entraînement 15 sur la base, au moins en partie, des types d'opérations de forage souterrain ; créer au moins un modèle prédictif sur la base, au moins en partie, d'au moins un ensemble de données d'entraînement, l'au moins un modèle prédictif déterminant un taux de pénétration (ROP) pour une opération de forage d'un type identique à celui auquel correspond l'au moins un ensemble de données d'entraînement. 20
15. 15. Support non transitoire lisible par ordinateur selon la revendication 14, dans lequel l'ensemble d'instructions amène en outre le processeur à réduire la dimensionnalité d'au moins un des ensembles de données d'entraînement à l'aide d'au moins une technique d'extraction de caractéristiques. 25
16. 16. Support non transitoire lisible par ordinateur selon la revendication 15, dans lequel l'au moins une technique d'extraction de caractéristiques comprend au moins une technique parmi une analyse en composantes principales, une régression partielle des moindres carrés, une analyse des composantes indépendantes, un isomap et un auto-encodeur. 30
17. 17. Support non transitoire lisible par ordinateur selon la revendication 14, dans lequel l'ensemble d'instructions qui amène le processeur à créer au moins un modèle prédictif sur la base, au moins en partie, d'au moins un ensemble de données d'entraînement amène en outre le processeur à entraîner un algorithme d'apprentissage à l'aide de l'au moins un ensemble 3034546 26 de données d'entraînement.
18. 18. Support non transitoire lisible par ordinateur selon la revendication 17, dans lequel l'algorithme d'apprentissage comprend au moins un élément parmi un arbre de décision, 5 un réseau bayésien de croyances, un algorithme génétique, un réseau neuronal artificiel, et une machine à vecteurs de support.
19. 19. Support non transitoire lisible par ordinateur selon la revendication 18, dans lequel l'ensemble d'instructions qui amène le processeur à entraîner un algorithme 10 d'apprentissage à l'aide de l'au moins un ensemble de données d'entraînement amène en outre le processeur à déterminer au moins un paramètre de l'algorithme d'apprentissage à l'aide d'au moins soit une recherche par grille, soit une optimisation de paramètre randomisée, soit une recherche linéaire. 15
20. 20. Support non transitoire lisible par ordinateur selon la revendication 14, dans lequel l'ensemble d'instructions amène en outre le processeur à réduire le nombre d'entrées de données dans au moins un des ensembles de données d'entraînement sur la base, au moins en partie, d'un seuil prédéterminé. 20
21. 21. Support non transitoire lisible par ordinateur selon la revendication 14, dans lequel l'ensemble d'instructions amène en outre le processeur à effectuer un seuillage, un filtrage sur ROP, un calcul de moyenne, et une normalisation des données brutes.
22. 22. Support non transitoire lisible par ordinateur selon la revendication 14, dans 25 lequel l'ensemble d'instructions amène en outre le processeur à séparer les ensembles de données brutes en données dynamiques et en données statiques.
23. 23. Support non transitoire lisible par ordinateur selon la revendication 22, dans lequel le type auquel correspond l'au moins un ensemble de données d'entraînement est basé, au 30 moins en partie, sur les données statiques.
24. 24. Support non transitoire lisible par ordinateur selon la revendication 14, dans lequel l'ensemble d'instructions amène en outre le processeur à supprimer au moins une partie des entrées de données des ensembles de données brutes sur la base, au moins en partie, des 3034546 27 valeurs de ROP dans les entrées de données.
25. 25. Support non transitoire lisible par ordinateur selon l'une quelconque des revendications 14 à 24, dans lequel l'ensemble d'instructions amène en outre le processeur à 5 déterminer un ROP pour une opération de forage en utilisant le modèle et à modifier au moins un paramètre de forage de l'opération de forage sur la base, au moins en partie, du ROP déterminé.
26. 26. Support non transitoire lisible par ordinateur selon l'une quelconque des revendications 14 à 24, 10 dans lequel l'ensemble d'instructions qui amène le processeur à recevoir des ensembles de données brutes contenant des valeurs de paramètres de forage et de conditions d'exploitation produites au cours d'opérations de forage souterrain amène en outre le processeur à recevoir des ensembles de données brutes contenant des valeurs numériques correspondant à au moins un élément parmi le poids sur l'outil (WOB), la 15 vitesse de rotation, le régime (tr/min) du trépan, la charge au crochet, le couple de surface, le couple sur l'outil, le débit de la boue en fond de trou, le débit de la boue en retour, la pression de la colonne montante (SPP), et le ROP ; et dans lequel l'ensemble d'instructions qui amène le processeur à séparer les ensembles de données brutes en ensembles de données d'entraînement sur la base, au 20 moins en partie, des types d'opérations de forage souterrain amène en outre le processeur à séparer les ensembles de données brutes sur la base, au moins en partie, de la lithologie de la formation, du type du trépan, de la taille du trépan, du type de l'ensemble de forage, et de l'inclinaison du puits des opérations de forage souterrain. 25