FR3076316A1 - Representation efficace des resultats de simulation tridimensionnelle complexes pour les operations en temps reel - Google Patents

Representation efficace des resultats de simulation tridimensionnelle complexes pour les operations en temps reel Download PDF

Info

Publication number
FR3076316A1
FR3076316A1 FR1859836A FR1859836A FR3076316A1 FR 3076316 A1 FR3076316 A1 FR 3076316A1 FR 1859836 A FR1859836 A FR 1859836A FR 1859836 A FR1859836 A FR 1859836A FR 3076316 A1 FR3076316 A1 FR 3076316A1
Authority
FR
France
Prior art keywords
mesh
interest
simulation
domain
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
FR1859836A
Other languages
English (en)
Inventor
Andrey Filippov
Jianxin Lu
Avinash WESLEY
Keshava P. Rangarajan
Srinath Madasu
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Landmark Graphics Corp
Original Assignee
Landmark Graphics Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Landmark Graphics Corp filed Critical Landmark Graphics Corp
Publication of FR3076316A1 publication Critical patent/FR3076316A1/fr
Pending legal-status Critical Current

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Fluid Mechanics (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Computer Graphics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Generation (AREA)
  • Prostheses (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

L'invention concerne un système et des procédés permettant de faire l'apprentissage des modèles de réseau neuronal pour des simulations d'écoulement en temps réel. Les données d'entrée sont acquises. Les données d'entrée comprennent des valeurs pour une pluralité de paramètres d'entrée associée à un écoulement de fluide multiphasique. L'écoulement de fluide multiphasique est simulé à l'aide d'un modèle de dynamique de fluide complexe (CFD), basé sur les données d'entrée acquises. Le modèle CFD représente un domaine tridimensionnel (3D) pour la simulation. Une zone d'intérêt est sélectionnée dans le domaine en 3D représenté par le modèle CFD. Un maillage bidimensionnel (2D) de la zone d'intérêt sélectionnée est produit. Le maillage en 2D représente les résultats de la simulation pour la zone d'intérêt sélectionnée. On fait ensuite l'apprentissage d'un réseau neuronal à partir des résultats de simulation représentés par le maillage en 2D produit.

Description

REPRESENTATION EFFICACE DES RESULTATS DE SIMULATION TRIDIMENSIONNELLE
COMPLEXES POUR LES OPERATIONS EN TEMPS REEL
DOMAINE DE LA DIVULGATION
La présente invention concerne de manière générale la simulation informatique des écoulements de fluide multiphasiques et, en particulier, les techniques de modélisation numérique pour simuler des écoulements de fluide multiphasiques dans des systèmes réels complexes.
HISTORIQUE
Une diversité de processus industriels, y compris de nombreuses opérations dans l'industrie pétrolière et gazière, nécessitent souvent une évaluation en temps réel et une prédiction rapide des écoulements de fluide multiphasiques. Cependant, la simulation en temps réel de processus industriels et naturels complexes impliquant des écoulements multiphasiques pose un certain nombre de problèmes, qui rendent généralement, peu pratique, le calcul numérique du premier principe. En raison de la complexité globale de la simulation de l'écoulement multiphasique, beaucoup plus de temps et de ressources informatiques seraient nécessaires pour simuler des écoulements multiphasiques par rapport à des écoulements monophasiques. Pour simuler efficacement des écoulements multiphasiques pour des systèmes de fluide complexes dans l’industrie pétrolière et gazière, des modèles numériques détaillés des caractéristiques de la formation et de la propriété des fluides dans de grands domaines multidimensionnels d’intérêt peuvent être nécessaires.
Un moyen de résoudre ces problèmes pourrait être d'utiliser un modèle de réseau neuronal avec de multiples couches de neurones ou de points nodaux pour prendre en compte les structures multi-échelles des écoulements de fluide. Cependant, les techniques classiques de modélisation de réseaux neuronaux nécessitent généralement une compréhension détaillée et complexe des propriétés de fluide à travers plusieurs dimensions et domaines. Par conséquent, de telles techniques classiques peuvent poser des défis similaires, ce qui les rend impraticables pour les applications pétrolières et gazières en temps réel.
BRÈVE DESCRIPTION DES FIGURES
La figure 1 est un schéma d'un système de forage en mer selon un ou plusieurs modes de réalisation de la présente divulgation.
La figure 2 est un schéma d'un système de forage terrestre selon un ou plusieurs modes de réalisation de la présente divulgation.
2017-IPM-101071-U1-FR
La figure 3 est un organigramme d'un processus d'apprentissage d'un modèle de réseau neuronal d'apprentissage profond (DNN) utilisant les résultats d'une simulation de dynamique de fluide informatique (CFD).
La figure 4 est un organigramme d'un autre processus d'apprentissage d'un DNN utilisant un ensemble de données d'apprentissage optimisé pour des simulations d'écoulement en temps réel basées sur les résultats d'une simulation CFD.
La figure 5 est un schéma du débit d'air simulé à proximité d'un navire de forage.
La figure 6 est un schéma d'un maillage de surface pour une zone proche du pont du navire de forage représenté dans la figure 5.
La figure 7 est un schéma d'un maillage bidimensionnel illustratif pour représenter des résultats de simulation CFD dans un domaine d'intérêt choisi à partir duquel des données d'apprentissage pour un DNN peuvent être dérivées.
La figure 8 est un schéma d'une configuration illustrative d'un réseau de fractures naturelles (NFN) pour des opérations de production d'hydrocarbures le long d'un puits de forage dans un gisement.
La figure 9 est un schéma d'un maillage de calcul pour effectuer des simulations d'écoulement de gisement en se basant sur la configuration NFN de la figure 8.
La figure 10 est un schéma des contours de pression pour les zones de fracture le long du puits de forage de la figure 8.
La figure 11 est un schéma des variables d'entrée et de sortie pour l'apprentissage d'un DNN.
La figure 12 est une représentation graphique montrant une comparaison entre un taux de production de gaz prédit produit par un DNN formé et le taux réel de production de gaz sur une période donnée.
La figure 13 est un schéma fonctionnel d'un système informatique illustratif dans lequel un ou plusieurs modes de réalisation peuvent être mis en œuvre.
DESCRIPTION DES MODES DE RÉALISATION ILLUSTRATIFS
Des modes de réalisation de la présente divulgation concernent rutilisation de modèles de réseau neuronal pour une optimisation en temps réel des paramètres de fond de trou pour des opérations de forage. Bien que la présente divulgation soit décrite ici en référence à des modes de réalisation illustratifs pour des applications données, il doit être compris que les modes de réalisation ne sont pas limités à ceux-ci. D'autres modes de réalisation sont possibles, et des modifications peuvent être apportées aux modes de réalisation dans l'esprit et la portée des présents
2017-IPM-101071-U1-FR enseignements et dans des domaines supplémentaires dans lesquels les modes de réalisation seraient d'une utilité significative.
Dans la présente description détaillée, les références à « un mode de réalisation », « un mode de réalisation », « un exemple de mode de réalisation », etc., indiquent que le mode de réalisation décrit peut comprendre une caractéristique, une structure, une propriété donnée, mais chaque mode de réalisation pourrait ne pas nécessairement comprendre la caractéristique, structure ou propriété donnée. En outre, des telles phrases ne se réfèrent pas nécessairement au même mode de réalisation. En outre, lorsqu'une propriété, structure ou caractéristique donnée est décrite en relation à un mode de réalisation, il est entendu qu'un spécialiste du domaine possède la capacité de mettre en œuvre une telle propriété, structure ou caractéristique donnée pertinente en relation à d'autres modes de réalisation, qu'ils soient ou non explicitement décrits.
Il serait également évident au spécialiste du domaine pertinent que les modes de réalisation, tels que décrits ici, peuvent être mis en œuvre dans de nombreux modes de réalisation différents de logiciel, de matériel, de micrologiciel et/ou d'entités illustrés dans les figures. Tout code logiciel réel avec le contrôle spécialisé du matériel pour mettre en œuvre des modes de réalisation ne limite pas la description détaillée. Ainsi, le comportement opérationnel des modes de réalisation sera décrit en sachant que des modifications et des variations des modes de réalisation sont possibles, compte tenu du niveau de détail présenté ici.
Des modes de réalisation illustratifs et des méthodes associées de la présente divulgation sont décrits ci-dessous en référence aux figures 1 à 13 comme ils pourraient être utilisés, par ex., dans un système informatique pour la simulation en temps réel des écoulements de fluide multiphasiques associés à divers types d'opérations de site de puits. Des exemples de tels écoulements comprennent, sans limitation, les écoulements d'hydrocarbures dans les gisements lors de la fracturation hydraulique ou les tests de puits et les écoulements d'air contaminé à proximité d'une plateforme de forage pendant les rejets imprévus de gaz. Dans certaines mises en œuvre, un tel système informatique peut faire partie d'un système plus vaste de surveillance et de contrôle des opérations sur les sites de puits. Une telle opération de site de puits peut être, par ex., une opération de fracturation hydraulique à plusieurs étapes ou un autre type d'opération de traitement par stimulation effectuée à différents étages le long du trajet d'un puits de forage à travers un gisement. Chaque étape d'une telle opération de traitement peut impliquer, par ex., l'injection de fluide de traitement dans la formation environnante via une pluralité de points d'entrée de formation ou « grappes de perforation » le long du trajet de puits. Dans un ou plusieurs modes de réalisation, des données en temps réel acquises sur chaque étape de l'opération peuvent être appliquées en entrée à un réseau neuronal ou à un modèle basé sur le réseau neuronal pour
2017-IPM-101071-U1-FR effectuer une simulation des écoulements de fluide multiphasiques dans une partie correspondante du puits de forage et de la formation environnante. Les résultats de la simulation de l'écoulement peuvent ensuite être utilisés pour estimer les valeurs optimales d'un ou de plusieurs paramètres pour une étape ultérieure de l'opération à effectuer le long du puits de forage. De tels paramètres peuvent comprendre, par exemple et sans limitation, une pression d'injection ou un débit de fluide de traitement, une quantité et un débit d'injection de dérouteur, et d'autres paramètres de contrôle du traitement.
Dans un ou plusieurs modes de réalisation, le réseau neuronal peut être un réseau neuronal d'apprentissage profond (DNN), qui est formé en se basant sur les résultats d'une simulation d'écoulement multiphasique réalisée à l'aide d'un modèle de dynamique de fluide numérique (CFD). Le modèle CFD peut être un modèle numérique représentant des profils complexes des propriétés physiques et chimiques d'un domaine spécifié dans un espace tridimensionnel (3D), par ex., un domaine en 3D représentant une zone d'un gisement entourant un puits de forage ou une zone entourant une plateforme de forage. Le DNN peut être formé de sorte que le nombre de points nodaux, de caractéristiques et de dimensions représentés dans le modèle CFD d'origine soit sensiblement réduit. Comme cela sera décrit plus en détail ci-dessous, l'ensemble de données d'apprentissage utilisé pour former le DNN peut être une version simplifiée ou rationalisée des profils complexes représentés dans le modèle CFD pour un domaine donné ou un domaine d'apprentissage d'intérêt. Le DNN formé peut alors être utilisé à la place du modèle CFD pour effectuer des simulations d’écoulement multiphasiques en temps réel au cours de l’opération sur le site de puits. Cela permet de combiner la puissance d'approximation et la vitesse d'un modèle d'apprentissage profond avec la précision d'un modèle CFD afin d'obtenir des simulations à la fois rapides et hautement réalistes des écoulements complexes de fluide pour des applications en temps réel.
D'autres caractéristiques et avantages des modes de réalisation divulgués sont ou seront évidents à l'homme du métier à l'examen des figures et de la description détaillée suivantes. Il est prévu que tous les avantages et caractéristiques supplémentaires de ce type soient inclus dans la portée des modes de réalisation décrits. En outre, les figures illustrées ne sont que des exemples et ne sont pas destinées à affirmer ou impliquer une quelconque limitation en ce qui concerne l'environnement, l'architecture, la conception ou le processus dans lequel différents modes de réalisation peuvent être mis en œuvre.
La figure 1 est un schéma d'un système de forage en mer pour une opération de forage sous-marin. Comme le montre la figure 1, un ensemble fond de trou (BHA) 100 comprend un trépan de forage 102 couplé à l'extrémité distale du train de tiges 104. Divers outils de diagraphie en cours de forage (LWD) et de mesure en cours de forage (MWD) peuvent également
2017-IPM-101071-U1-FR être couplés au BHA 100. La distinction entre LWD et MWD est parfois floue dans le domaine, mais aux fins de la présente spécification et des revendications, les outils LWD mesurent les propriétés de la formation environnante (par ex., la résistivité, la porosité, la perméabilité) et les outils MWD mesurent les propriétés associées au forage (par ex., l'inclinaison et l'orientation). Dans l'exemple de système, un outil de diagraphie 106 peut être couplé juste au-dessus du trépan de forage, l'outil de diagraphie peut lire des données associées au trou de forage 108 (par ex., un outil MWD) ou l'outil de diagraphie 106 peut lire les données associées à la formation environnante (par ex., un outil LWD). Dans certains cas, le BHA 100 peut comprendre un moteur à boue 112. Le moteur à boue 112 peut tirer de l'énergie du fluide de forage circulant dans le train de forage 104 et, à partir de l'énergie extraite, le moteur à boue 112 peut faire tourner le trépan de forage 102 (et, s'il est présent, l'outil de diagraphie 106) de façon distincte et séparée de la rotation conférée au train de tiges par l'équipement de surface. Des outils de diagraphie supplémentaires peuvent se trouver au-dessus du moteur à boue 112 dans le train de tiges, tel qu'un outil de diagraphie illustratif 114.
Le BHA 100 est descendu depuis une plateforme de forage 116 au moyen du train de tiges 104. Le train de tiges 104 se prolonge à travers une colonne montante 118 et une tête de puits 120. L'équipement de forage supporté à l'intérieur et autour de la tourelle 123 (matériel de forage illustratif présenté plus en détail par rapport à la figure 2) peut faire tourner le train de tiges 104 et le mouvement de rotation du train de tiges 104 et/ou le mouvement de rotation créé par le moteur à boue 112 amène le trépan 102 à former le trou de forage 108 à travers le matériau de la formation 122. Le volume défini entre le train de tiges 104 et le trou de forage 108 est appelé l'anneau 125. Le trou de forage 108 pénètre dans des zones ou des gisements souterrains, tels que le gisement 110, censé contenir des hydrocarbures en une quantité commercialement viable.
Le BHA 100 peut en outre comprendre un sous-système de communication comprenant, par ex., un module de télémétrie 124. Le module de télémétrie 124 peut se coupler en communication aux divers outils de diagraphie 106 et 114 et recevoir des données de diagraphie mesurées et/ou enregistrées par les outils de diagraphie 106 et 114. Le module de télémétrie 124 peut transmettre des données de diagraphie à la surface en utilisant un quelconque canal de communication approprié (par ex., impulsions de pression dans le fluide de forage circulant dans le train de tiges 104, télémétrie acoustique à travers les tuyaux du train de tiges 104, télémétrie électromagnétique, fibres optiques incorporées dans le train de tiges 104, ou des combinaisons). De même, le module de télémétrie 124 peut recevoir des informations de la surface sur un ou plusieurs des canaux de communication.
La figure 2 est un schéma d'un système de forage terrestre pour effectuer une opération de forage terrestre. Comme le montre la figure 2, une plateforme de forage 200 est
2017-IPM-101071-U1-FR équipée d'une tourelle 202 qui soutient un palan 204. Le palan 204 suspend un entraînement supérieur 208 qui fait tourner et descend le train de tiges 104 à travers la tête de puits 210. Le fluide de forage est pompé par la pompe à boue 214 à travers la conduite d'écoulement 216, la colonne montante 218, le col de cygne 220, l'entraînement supérieur 208, et vers le bas à travers le train de tiges 104 à des pressions et volumes élevés pour sortir par des buses ou des jets dans le trépan de forage 102. Le fluide de forage retourne ensuite vers le puits de forage via l'anneau 125, à travers un obturateur anti-éruption (non spécifiquement représenté) et dans un puits de boue 224 à la surface. À la surface du site de puits, le fluide de forage est nettoyé puis re-circulé par la pompe à boue 214. Le fluide de forage est utilisé pour refroidir le trépan de forage 102, pour transporter des déblais de la base du trou de forage vers la surface et pour équilibrer la pression hydrostatique dans les formations rocheuses.
Dans le cas illustratif du mode de télémétrie 124 codant pour des données en impulsions de pression qui se propagent à la surface, un ou plusieurs transducteurs, par ex. un ou plusieurs transducteurs 232, 234 et 236, convertissent le signal de pression en signaux électriques pour un numériseur de signal 238 (par ex., un convertisseur analogique-numérique). Bien que seuls les transducteurs 232, 234 et 236 soient illustrés, un quelconque nombre de transducteurs peut être utilisé comme souhaité pour une mise en œuvre donnée. Le numériseur 238 fournit une forme numérique des signaux de pression à un système informatique de surface 240 ou à une autre forme d'un dispositif de traitement de données situé à la surface du site de puits.
Dans un ou plusieurs modes de réalisation, le système informatique de surface 240 peut fonctionner conformément à des instructions exécutables par ordinateur, qui peuvent être stockées dans une mémoire ou un autre support de stockage lisible par ordinateur couplé à un processeur du système informatique de surface 240. De telles instructions peuvent être utilisées, par ex., pour configurer le système informatique de surface 240, pour traiter et décoder les signaux de fond de trou provenant du mode de télémétrie 124 via le numériseur 238. De telles instructions peuvent également être utilisées pour configurer le système informatique de surface 240 afin qu'il exécute les techniques optimisées d'apprentissage de réseau neuronal décrites ici pour des simulations de l'écoulement de fluide multiphasique en temps réel.
Dans un ou plusieurs modes de réalisation, des données en temps réel collectées sur le site de puits, y compris les données de diagraphie de fond de trou du module de télémétrie 124, peuvent être affichées sur un dispositif d'affichage 241 couplé au système informatique 240. La représentation des données du site de puits peut être affichée en utilisant l'une quelconque des diverses techniques d'affichage, comme cela sera décrit plus en détail ci-dessous. Dans certaines mises en œuvre, le système informatique de surface 240 peut générer une représentation graphique bidimensionnelle (2D) ou tridimensionnelle (3D) des données du site de puits pour l'affichage sur
2017-IPM-101071-U1-FR le dispositif d'affichage 241 sous forme de graphique. La représentation graphique des données du site de puits peut être affichée avec une représentation du trajet de puits prévu pour permettre à un utilisateur du système informatique 240 de surveiller ou de suivre visuellement différentes étapes de l'opération de forage le long du trajet planifié du puits.
Dans un ou plusieurs modes de réalisation, les représentations des données du site de puits et du chemin de puits prévu peuvent être affichées dans une interface utilisateur graphique (IUG) d'une application de géoguidage ou d'ingénierie de puits 280 exécutable sur le système informatique de surface 240. L'application d'ingénierie de puits 280 peut fournir, par ex., un ensemble d'outils d'analyse et de visualisation de données pour la planification et le contrôle du puits. De tels outils peuvent permettre à l'utilisateur de surveiller différentes étapes de l'opération de forage et d'ajuster le trajet de puits prévu selon les besoins, par ex. , en ajustant manuellement un ou plusieurs paramètres contrôlables via l'IUG de l'application d'ingénierie de puits 280 pour contrôler la direction et/ou l'orientation du trépan de forage 102 et du trajet de puits. Par ailleurs, la surveillance et le contrôle de l'opération de forage peuvent être effectués automatiquement, sans intervention d'un utilisateur, par l'application de l'ingénierie de puits 280.
Par exemple, lorsque chaque étape de l'opération de forage est effectuée et qu'une partie correspondante du puits est creusée le long de sa trajectoire prévue, l'application d'ingénierie de puits 280 peut recevoir des indications de conditions d'exploitation de fond de trou et des valeurs de paramètres contrôlables utilisés pour contrôler le forage du puits pendant l'opération. Des exemples de tels paramètres contrôlables comprennent, mais sans limitation, le poids sur le trépan (WOB), l'injection ou le débit et la pression du fluide de forage (dans la tige de forage), la vitesse de rotation du train de tiges et/ou trépan de forage (par ex., le taux de rotation appliqué par l'unité d'entraînement par le haut et/ou un moteur de fond de trou), et la densité et la viscosité du fluide de forage. En réponse à la réception d'indications sur les conditions de fonctionnement en fond de trou au cours d'une étape courante de l'opération de forage, le système informatique de surface 240 peut automatiquement envoyer des signaux de commande à un ou plusieurs dispositifs de fond de trou (par ex., un outil de géoguidage de fond de trou) afin d'ajuster le traj et prévu du puits pour les étapes ultérieures de l'opération. Les signaux de commande peuvent comprendre, par ex., des valeurs optimisées d'un ou de plusieurs paramètres contrôlables pour effectuer les étapes ultérieures de l'opération de forage le long du trajet ajusté du puits.
Dans un ou plusieurs modes de réalisation, certains ou tous les calculs et fonctions associés à la surveillance et au contrôle manuels ou automatisés de l'opération de forage sur le site de puits peuvent être effectués par un système informatique distant 242 situé loin du site de puits, par ex., au niveau d'un centre d'opérations d'un prestataire de services pétroliers. Dans certaines mises en œuvre, les fonctions réalisées par le système informatique distant 242 peuvent
2017-IPM-101071-U1-FR être basées sur des données en temps réel provenant du système informatique du site de puits 240 via un réseau de communication. Un tel réseau peut être, par ex., un réseau local, moyen ou étendu, par ex., l'Internet. Tel qu'illustré dans l'exemple de la figure 2, la communication entre le système informatique 240 et le système informatique 242 peut se faire par une liaison satellite 244. Cependant, il convient de noter que les modes de réalisation ne sont pas limités à celle-ci et que toute forme de communication appropriée peut être utilisée comme souhaité pour une mise en œuvre donnée.
Bien que non représenté dans la figure 2, le système informatique distant 242 peut exécuter une application similaire à l'application d'ingénierie de puits 280 du système 240 pour mettre en œuvre toute ou une partie de la fonctionnalité de surveillance et de contrôle de site de puits décrite ci-dessus. Par exemple, une telle fonctionnalité peut être mise en œuvre en utilisant uniquement l'application d'ingénierie de puits 280 exécutable au niveau du système 240 ou en utilisant uniquement l'application d'ingénierie de puits exécutable sur le système informatique distant 242 ou en utilisant une combinaison d'applications d'ingénierie de puits exécutables sur les systèmes informatiques respectifs 240 et 242 de telle sorte que toute ou une partie de la fonctionnalité de surveillance et de contrôle du site de puits puisse être répartie entre les systèmes informatiques disponibles.
Alors que les systèmes de forage des figures 1 et 2 sont décrits dans le contexte d'un puits et d'un site de puits unique, il convient de noter que les modes de réalisation ne sont pas destinés à être limités à cela et que les techniques d'analyse et d'optimisation en temps réel décrites ici peuvent être appliquées à de multiples puits au niveau de divers sites à travers un champ de production d'hydrocarbures. Par exemple, le système informatique distant 242 peut être couplé en communication via un réseau de communication à des systèmes informatiques du site de puits correspondants semblables au système informatique 240. Le système informatique distant 242 dans cet exemple peut être utilisé pour surveiller et contrôler en continu les opérations de forage au niveau de divers sites de puits en envoyant et en recevant des signaux de commande et des données de site de puits, vers et depuis, les systèmes informatiques de site de puits respectifs via le réseau.
Dans un ou plusieurs modes de réalisation, la fonctionnalité de surveillance et de contrôle du site de puits fournie par le système informatique 242 (et/ou le système informatique 240 ou l'application d'ingénierie de puits 280 de celui-ci) peut comprendre une analyse et une optimisation en temps réel des paramètres pour réaliser différentes étapes d'une opération de forage le long du trajet de puits prévu, tel qu'il est décrit ci-dessus. Comme cela sera décrit plus en détail ci-dessous en relation aux figures 3 à 12, les paramètres optimisés peuvent être basés sur les
2017-IPM-101071-U1-FR résultats de simulations en temps réel des écoulements de fluide multiphasiques utilisant un DNN qui a été formé avec des données de simulation CFD optimisées.
Dans un ou plusieurs modes de réalisation, les résultats des simulations d'écoulement multiphasique utilisant le DNN formé peuvent ensuite être utilisés pour estimer des valeurs optimales pour un ou plusieurs paramètres de l'opération de fond de trou. Par exemple, l'opération de fond de trou peut être une fracturation hydraulique à plusieurs étapes ou un autre type d'opération de traitement effectué sur différents étages le long du puits de forage. Les données en temps réel acquises au cours d'une étape donnée de l'opération peuvent être utilisées comme entrées pour former ou re-former le DNN afin de prédire efficacement et précisément l'épuisement de la pression du gisement dans le volume stimulé et estimer les valeurs optimales des paramètres de traitement pour réaliser une étape suivante de l'opération. De tels paramètres peuvent comprendre, par exemple et sans limitation, une pression d'injection ou un débit de fluide de traitement, une quantité et un débit d'injection de dérouteur, et d'autres paramètres de contrôle de traitement, comme il est décrit ci-dessus. De cette manière, le DNN formé peut être utilisé pour apporter des ajustements à l'opération en temps réel lorsque l'opération est effectuée le long du trajet de puits.
La figure 3 est un organigramme d'un processus 300 d'apprentissage d'un DNN utilisant les résultats d'une simulation CFD d'écoulement de fluide multiphasique. Comme il est décrit ci-dessus, une telle simulation d'écoulement peut être effectuée en utilisant un modèle CFD représentant des profils complexes de propriétés physiques et chimiques d'un domaine spécifié dans un espace tridimensionnel (3D). Tel qu'illustré dans l'exemple de la figure 3, le processus 300 commence au bloc 302, qui comprend l'obtention de données d'entrée pour effectuer la simulation d'écoulement en utilisant le modèle CFD.
Au bloc 304, la simulation peut être effectuée en exécutant le modèle CFD plusieurs fois pour différentes combinaisons de données d'entrée {X} afin de produire des résultats de simulation {Y}. Les résultats de la simulation peuvent inclure, par ex., des valeurs estimées pour un ou plusieurs profils de fluide multiphasiques, par ex., des profils de concentrations de fluide, de pressions et de leurs gradients. Dans un ou plusieurs modes de réalisation, les résultats de la simulation {Y} peuvent être un tableau ayant les dimensions suivantes : Ntrx Nnod x Nf (où Ntrest le nombre de cas d'apprentissage, Nnod est le nombre de points nodaux et Nf est le nombre de caractéristiques ou la longueur du vecteur de données d'entrée).
Au bloc 306, un ensemble de données d'apprentissage {X, Y} basé sur le tableau de résultats obtenu pour un ensemble donné d'entrées peut être utilisé pour former, valider et/ou tester le DNN. Comme il est décrit ci-dessus, le DNN formé peut alors être utilisé à la place du modèle CFD pour effectuer des simulations d'écoulement multiphasiques en temps réel pendant
2017-IPM-101071-U1-FR des opérations sur un site de puits, par ex., des opérations de fracturation sur différentes étages le long d'un trajet d'un puits de forage à travers un gisement. La taille des dimensions des tableaux dans le jeu de données d'apprentissage pour le DNN peut dépendre de la taille du domaine simulé à l'aide du modèle CFD.
Dans un ou plusieurs modes de réalisation, le domaine simulé peut être représenté sous forme d'un maillage en 2D ou en 3D avec de multiples points nodaux correspondant à différentes parties du domaine. Dans de nombreuses applications pétrolières et gazières, les maillages généralement utilisés pour les simulations d'écoulement, par ex., les simulations d'écoulement de gisements, peuvent comporter des milliards de points nodaux. Dans un ou plusieurs modes de réalisation, il peut être nécessaire de minimiser les points nodaux d'un tel maillage pour trouver des coefficients pour le DNN avant de pouvoir l'utiliser à la place du modèle CFD pour des simulations en temps réel d'écoulement de gisement. Sinon, le nombre de coefficients DNN identifiés à partir du maillage d'origine associé au modèle CFD peut dépasser les ressources de traitement informatique et de mémoire disponibles pour effectuer la simulation d'écoulement proxy à l'aide du DNN. Cependant, en raison de la taille du maillage d'origine, il peut être difficile d'appliquer des techniques de minimisation classiques pour trouver des coefficients de tels modèles de réseaux neuronaux utilisés dans des simulations d'écoulement.
Par conséquent, les modes de réalisation de la présente divulgation peuvent comprendre des techniques de minimisation qui fournissent une réduction importante des points nodaux utilisés pour l'apprentissage du DNN et des simulations d'écoulement ultérieures utilisant le DNN formé. Comme cela sera décrit plus en détail ci-dessous par rapport à la figure 4, les techniques divulguées peuvent être utilisées pour optimiser l'ensemble de données d'apprentissage afin d'inclure uniquement les profils de concentrations, de pression et leurs gradients associés à des zones d'intérêt données dans le domaine simulé plus large de la solution globale. Les zones d'intérêt données peuvent inclure, par ex., des zones du gisement à proximité du puits de forage, par ex., un ou plusieurs réseaux de fracture entourant différentes sections du puits de forage. Les sections de puits de forage peuvent correspondre, par ex., à différentes étapes d'une opération de fracturation hydraulique ou de traitement de stimulation effectuée le long du trajet du puits de forage à travers la formation. Les zones d'intérêt peuvent donc représenter une partie relativement petite du domaine simulé. De plus, il n'est pas nécessaire que la précision du maillage utilisé pour représenter les paramètres d'écoulement associés aux caractéristiques de la formation dans ces zones soit aussi fine que celle utilisée pour la simulation CFD, ce qui réduit encore considérablement la mémoire requise pour la simulation d'écoulement en temps réel à l’aide du DNN.
2017-IPM-101071-U1-FR
La figure 4 est un organigramme d'un processus 400 d'apprentissage d'un DNN utilisant un ensemble de données d'apprentissage optimisé pour des simulations d'écoulement en temps réel basées sur les résultats d'une simulation CFD. Comme le processus 300 de la figure 3, comme il est décrit ci-dessus, le processus 400 peut commencer au niveau du bloc 402, qui comprend l'obtention de données d'entrée pour un modèle CFD représentant un domaine en 3D spécifié, par ex., un gisement, avec des profils complexes de propriétés physiques et chimiques d'un tel domaine.
Au bloc 404, une simulation d'écoulement de fluide multiphasique peut être effectuée en appliquant différentes combinaisons de données d'entrée au modèle CFD. Par exemple, la simulation d'écoulement peut être effectuée pour chaque combinaison de données d'entrée afin de produire un ensemble correspondant de résultats de simulation.
Au bloc 406, les résultats de simulation correspondant à une ou plusieurs zones d'intérêt peuvent être sélectionnés à partir du domaine en 3D simulé. La ou les zones sélectionnées peuvent correspondre, par ex., à une ou plusieurs zones ciblées du gisement pour que des opérations de production d'hydrocarbures soient réalisées. Dans un ou plusieurs modes de réalisation, le bloc 406 peut comprendre la sélection de parties données d'un maillage en 3D complet représentant le domaine en 3D, par ex., le gisement.
Au bloc 408, une ou plusieurs surfaces planes en 2D représentatives correspondant à la ou aux zones d'intérêt peuvent être sélectionnées ou identifiées dans le maillage en 3D ou le domaine en 3D représenté par le maillage en 3D. La ou les surfaces planes en 2D peuvent comprendre des données de simulation correspondant à la ou aux zones d'intérêt sélectionnées dans le bloc 406.
Dans le bloc 410, un maillage en 2D relativement grossier peut être généré sur la base des résultats de simulation associés à la ou aux surfaces en 2D sélectionnées/identifiées. Dans un ou plusieurs modes de réalisation, le bloc 410 peut comprendre en outre l'application des données de simulation de la ou des surfaces en 2D vers le maillage en 2D.
Au bloc 412, les points nodaux du maillage en 2D générés dans le bloc 410 peuvent être utilisés comme données d'apprentissage pour former, valider et tester un DNN. En raison de l'utilisation d'un tel maillage en 2D grossier plutôt que le maillage en 3D associé au modèle CFD d'origine, les dimensions des cas d'apprentissage utilisés pour l'apprentissage du DNN peuvent être réduites de plusieurs ordres de grandeur. Cela réduit les besoins en mémoire et améliore considérablement l'efficacité et la rapidité de l'apprentissage du DNN, de la validation et des tests DNN pour les applications en temps réel.
Deux exemples d'applications en temps réel pour lesquels les techniques divulguées peuvent être appliquées seront décrits ci-dessous en relation avec les figures 5 à 12. En
2017-IPM-101071-U1-FR particulier, les figures 5 à 7 seront utilisées pour décrire un exemple d'application des techniques décrites pour estimer la dispersion turbulente d'une contamination gazeuse à proximité d'un navire de forage. Les figures 8 à 12 serviront à décrire un exemple d'application de ces techniques pour estimer la production d'hydrocarbures d'un puits de production lors d'une opération de fracturation.
La figure 5 est un schéma du débit d'air simulé entourant un navire de forage 500. Un modèle CFD peut être utilisé pour trouver une solution numérique pour une équation de diffusion par convection dans un domaine en 3D entourant le navire de forage 500. Les dimensions du domaine en 3D peuvent être plusieurs fois plus grandes (par ex., 5 à 6 fois plus grandes) que celles du navire de forage 500 lui-même. Les flèches de la figure 5 peuvent représenter un champ de vecteur de vitesse d'écoulement d'air calculé près du navire de forage 500. Un maillage en 3D comprenant de nombreux points nodaux, par ex., 2 à 3 millions de points nodaux, peut être nécessaire pour représenter efficacement le domaine entier nécessaire à la détermination de la solution numérique à l'aide du modèle CFD.
La figure 6 est un schéma d'un maillage de surface 600 représentant une zone proche du pont du navire de forage 500 représenté dans la figure 5. La zone représentée par le maillage 600 dans cet exemple peut être un domaine d'intérêt principal pour prédire les niveaux de contamination pendant les applications de sécurité en temps réel. Le maillage 600 peut inclure seulement une petite partie du nombre total de points nodaux du maillage en 3D d'origine, par ex., environ 100 000 des 2 à 3 millions de points nodaux du maillage en 3D. Dans la plupart des cas, il peut suffire d'estimer les profils de contamination associés à une zone donnée ou à une surface d'intérêt donné, par ex., une zone située à un mètre au-dessus du pont. Par conséquent, un plan en 2D représentant cette zone d'intérêt peut être sélectionné parmi le plus grand domaine représenté par le maillage 600, et les données de simulation associées peuvent être appliquées ou projetées sur les points nodaux du plan.
La figure 7 est un schéma montrant un exemple d'un maillage en 2D 700 dérivé du maillage de surface 600 de la figure 6. Le maillage en 2D 700 peut représenter, par ex., un plan en 2D situé à proximité de la zone couverte par le maillage de surface 600 à une certaine distance (par ex., 1 mètre) au-dessus du pont du navire de forage 500, comme le montre la figure 5. Comme le montre la figure 7, le maillage en 2D 700 peut avoir un maillage encore plus grossier que celui du maillage 600. Par exemple, le maillage en 2D 700 peut comprendre seulement 2500 des 100 000 points nodaux du maillage 600. Les données de simulation représentant les résultats de la simulation CFD pour la zone d'intérêt sélectionnée peuvent être projetées à partir du domaine en 3D du maillage 600 sur le maillage en 2D du maillage 700. Les données projetées sur le maillage en 2D 700 peuvent ensuite être utilisées pour dériver des données d'apprentissage pour l'apprentissage efficace d'un DNN, comme il est décrit ci-dessus. L'application des techniques de
2017-IPM-101071-U1-FR réduction ou de minimisation de données décrites dans cet exemple peut entraîner une réduction de la mémoire requise par un facteur de 2 000 000/2 500 ou 800.
La figure 8 est un schéma d'un model en 3D illustratif 800 d'un réseau de fractures naturelles (NFN) pour des opérations de production d'hydrocarbures le long d'un puits de forage 810 dans un gisement. Le NFN dans cet exemple peut comprendre plus de 40 fractures et un maillage très raffiné peut être nécessaire pour un modèle en 3D 800 représentant efficacement les paramètres d'écoulement à proximité de chacune de ces fractures.
La figure 9 est un schéma d'un maillage en 2D simplifié 900 qui peut être dérivé du modèle en 3D 800. Cependant, le maillage en 2D 900 peut être davantage simplifié pour former efficacement un DNN pour effectuer une simulation d'écoulement de gisement en temps réel pour le NFN et le puits de forage 810, comme le montre la figure 8. Par exemple, un DNN formé à l'aide du maillage en 2D 900 peut avoir une couche cachée comprenant 100 neurones ou points nodaux représentant des données de simulation à 100 moments discrets. Par conséquent, un tel DNN peut nécessiter 101 x 60 000 x 100 = 6,06xl08 coefficients pour cette seule couche. Cependant, dans de nombreuses situations, certains des paramètres, par ex., la pression, peuvent être ignorés.
La figure 10 est un schéma des contours de pression pour les zones de fracture le long du puits de forage 810 de la figure 8. Dans certaines mises en œuvre, les informations de pression associées aux points nodaux du maillage en 2D 900 qui ne correspondent qu'à ces zones de fracture peuvent être considérées pour la simulation de l'écoulement. Par exemple, en se concentrant uniquement sur les paramètres susceptibles de provoquer des écoulements de production vers des fractures individuelles dans les zones de fracture d'intérêt, le nombre de coefficients correspondants du DNN peut être sensiblement réduit, par ex., à 101 x 40 x 100 = 4,04xl05, rendant ainsi l'apprentissage et l'utilisation du DNN plus facile. Le nombre de coefficients et l'efficacité du modèle DNN peuvent être encore réduits en limitant la simulation à un paramètre de sortie d'intérêt donné, par ex., un taux de production de gaz au cours du temps. Dans ce cas, le nombre de coefficients de la dernière couche cachée peut être réduit à 101x100 = Ι,ΟΙχΙΟ4.
La figure 11 est un schéma des paramètres d'entrée et de sortie pour l'apprentissage d'un DNN 1100, selon les techniques de minimisation appliquées aux paramètres tels que décrits ci-dessus pour cet exemple. Comme le montre la figure 11, le DNN 1100 peut être formé pour produire un taux de production de gaz estimé ou prédit basé sur divers paramètres d'entrée, y compris, par exemple et sans limitation, la conductivité de la fracture, la pression de fond de trou, la pression du gisement et la conductivité de la fracture naturelle (FN). Cependant, il convient de noter que les modes de réalisation ne sont pas limités à ceux-ci et qu'un quelconque des divers paramètres d'entrée et de sortie peut être utilisé pour l'apprentissage du DNN 1100.
2017-IPM-101071-U1-FR
La figure 12 est une représentation graphique 1200 montrant une comparaison entre un taux de production de gaz prédit, par ex., produit par un DNN 1100 formé et le taux réel de production de gaz sur une période donnée.
La figure 13 est un schéma fonctionnel d'un exemple de système informatique 1300 dans lequel les modes de réalisation de la présente divulgation peuvent être mis en œuvre. Par exemple, le système informatique 240 de la figure 2, tel que décrit ci-dessus, peut être mis en œuvre en utilisant le système 1300. Le système 1300 peut être un ordinateur, un téléphone, un assistant numérique personnel ou tout autre type d'appareil électronique. Un tel dispositif électronique comprend divers types de supports lisibles par ordinateur et des interfaces pour divers autres types de supports lisibles par ordinateur. Comme le montre la figure 13, le système 1300 comprend un dispositif de stockage permanent 1302, une mémoire système 1304, une interface de dispositif de sortie 1306, un bus de communication système 1308, une mémoire morte (ROM) 1310, une ou plusieurs unités de traitement 1312, une interface de dispositif d'entrée 1314 et une interface de réseau 1316.
Le bus 1308 représente collectivement tous les bus système, périphérique et chipset qui connectent en communication les nombreux dispositifs internes du système 1300. Par exemple, le bus 1308 connecte en communication la ou les unités de traitement 1312 avec la ROM 1310, la mémoire système 1304 et le dispositif de stockage permanent 1302.
A partir de ces différentes unités de mémoire, le ou les unités de traitement 1312 récupèrent les instructions à exécuter et les données à traiter afin d'exécuter les processus de la présente divulgation. Le ou les unités de traitement peuvent être un processeur unique ou un processeur multicœurs dans différentes mises en œuvre.
La ROM 1310 stocke les données statiques et les instructions nécessaires à ou aux unités de traitement 1312 et aux autres modules du système 1300. Le dispositif de stockage permanent 1302, d'autre part, est un dispositif de mémoire lisible-inscriptible. Cet appareil est une unité de mémoire non volatile qui stocke les instructions et les données même lorsque le système 1300 est désactivé. Certaines mises en œuvre de la présente divulgation utilisent un dispositif de stockage de masse (tel qu'un disque magnétique ou optique et son lecteur de disque correspondant) en tant que dispositif de stockage permanent 1302.
D'autres mises en œuvre utilisent un dispositif de stockage amovible (tel qu'une disquette, un lecteur flash et son lecteur de disque correspondant) en tant que dispositif de stockage permanent 1302. Comme le dispositif de stockage permanent 1302, la mémoire système 1304 est un dispositif de mémoire lisible-inscriptible. Cependant, contrairement au dispositif de stockage
1302, la mémoire système 1304 est une mémoire lisible-inscriptible volatile, telle qu'une mémoire vive. La mémoire système 1304 stocke certaines des instructions et des données dont le processeur
2017-IPM-101071-U1-FR a besoin au moment de l'exécution. Dans certaines mises en œuvre, les processus de la présente divulgation sont stockés dans la mémoire système 1304, le dispositif de stockage permanent 1302 et/ou la ROM 1310. Par exemple, les différentes unités de mémoire comprennent des instructions pour diverses fonctions ou opérations conformément aux processus 300 et 400 des figures 3 et 4, respectivement, comme il est décrit ci-dessus. A partir de ces différentes unités de mémoire, le ou les unités de traitement 1312 récupèrent les instructions à exécuter et les données à traiter afin d'exécuter les processus de certaines mises en œuvre.
Fe bus 1308 se connecte également aux interfaces de dispositif d'entrée et de sortie 1314 et 1306. F'interface de dispositif d'entrée 1314 permet à l'utilisateur de communiquer des informations et de sélectionner des commandes au système 1300. Fes dispositifs d'entrée utilisés avec l'interface de dispositif d'entrée 1314 comprennent, par ex., les claviers alphanumériques, QWERTY ou T9, les microphones et dispositifs de pointage (également appelés « dispositifs de commande du curseur»), Fes interfaces de dispositif de sortie 1306 permettent, par ex., l'affichage d'images générées par le système 1300. Fes dispositifs de sortie utilisés avec l'interface de dispositif de sortie 1306 comprennent, par ex., des imprimantes et des dispositifs d'affichage, tels que des tubes à rayons cathodiques (CRT) ou des écrans à cristaux liquides (ECD). Certaines mises en œuvre comprennent des dispositifs tels qu'un écran tactile qui fonctionne à la fois comme dispositif d'entrée et de sortie. Il convient de noter que des modes de réalisation de la présente divulgation peuvent être mis en œuvre en utilisant un ordinateur comprenant l'un quelconque de divers types de dispositifs d'entrée et de sortie pour permettre une interaction avec un utilisateur. Une telle interaction peut comprendre un retour d'information vers ou depuis l'utilisateur dans différentes formes de retour sensoriel, y compris, mais sans limitation, un retour visuel, un retour auditif ou un retour tactile. De plus, l'entrée de l'utilisateur peut être reçue sous une quelconque forme, y compris, mais sans limitation, une entrée acoustique, vocale ou tactile. De plus, l'interaction avec l'utilisateur peut comprendre la transmission et la réception de différents types d'informations, par ex., sous la forme de documents, à destination de et en provenance de l'utilisateur via les interfaces décrites ci-dessus.
De même, comme le montre la figure 13, le bus 1308 relie également le système 1300 à un réseau public ou privé (non représenté) ou à une combinaison de réseaux via une interface de réseau 1316. Un tel réseau peut inclure, par ex., un réseau local (« FAN »), tel qu'un Intranet, ou un réseau étendu (« WAN »), tel que l'Internet. Un quelconque ou tous les composants du système 1300 peuvent être utilisés conjointement avec la présente divulgation.
Ces fonctions décrites ci-dessus peuvent être mises en œuvre dans des circuits électroniques numériques, des logiciels, des micrologiciels ou du matériel informatique. Fes techniques peuvent être mises en œuvre en utilisant un ou plusieurs produits de programme
2017-IPM-101071-U1-FR informatique. Les processeurs et les ordinateurs programmables peuvent être intégrés ou intégrés à des appareils mobiles. Les processus et les flux logiques peuvent être exécutés par un ou plusieurs processeurs programmables et par un ou plusieurs circuits logiques programmables. Les dispositifs informatiques et de stockage polyvalents ou spécialisés peuvent être interconnectés via des réseaux de communication.
Certaines mises en œuvre comprennent des composants électroniques, tels que des microprocesseurs, un stockage et une mémoire qui stockent des instructions de programme informatique sur un support lisible par machine ou lisible par ordinateur (également appelé support de stockage lisible par ordinateur, support lisible par machine ou support de stockage lisible par machine). Parmi les supports lisibles par ordinateur, citons la RAM, la ROM, les disques compacts en lecture seule (CD-ROM), les disques compacts enregistrables (CD-R), les disques compacts réinscriptibles (CD-RW), les disques numériques polyvalents en lecture seule (par ex., DVDROM, DVD-ROM double couche), divers DVD enregistrables/réinscriptibles (par ex., DVDRAM, DVD-RW, DVD+RW, etc. ), mémoire flash (par ex., cartes SD, mini cartes SD, micro cartes SD, etc. ), disques durs magnétiques et/ou à l'état solide, disques Blu-Ray® en lecture seule et enregistrables, disques optiques ultra-densité, tout autre support optique ou magnétique et disquettes. Le support lisible par ordinateur peut stocker un programme informatique qui est exécutable par au moins une unité de traitement et comprend des ensembles d'instructions pour effectuer diverses opérations. Parmi les exemples de programmes informatiques ou de code informatique, on peut citer le code machine, tel que celui produit par un compilateur, et les fichiers comprenant un code de niveau supérieur exécuté par un ordinateur, un composant électronique ou un microprocesseur utilisant un interpréteur.
Bien que la précédente discussion se réfère principalement à des microprocesseurs ou à des processeurs multicœurs exécutant des logiciels, certaines mises en œuvre sont effectuées par un ou plusieurs circuits intégrés, tels que des circuits intégrés à application spécifique (ASIC) ou des réseaux prédiffusés programmables par l'utilisateur (FPGA). Dans certaines mises en œuvre, de tels circuits intégrés exécutent des instructions qui sont stockées sur le circuit lui-même. Par conséquent, les procédés 300 et 400 des figures 3 et 4, comme il est décrit ci-dessus, peuvent être mis en œuvre en utilisant le système 1300 ou tout système informatique comportant des circuits de traitement ou un programme informatique comprenant des instructions stockées qui, lorsqu'elles sont exécutées par au moins un processeur, amènent le processeur à exécuter des fonctions concernant ces processus.
Tel qu'utilisé dans cette spécification et dans toutes les revendications de cette demande, les termes « ordinateur », « serveur », « processeur » et « mémoire » se réfèrent tous à des dispositifs électroniques ou technologiques. Ces termes excluent des personnes ou des groupes
2017-IPM-101071-U1-FR de personnes. Tel qu'utilisé ici, les termes « support lisible par ordinateur » et « supports lisibles par ordinateur » se rapportent généralement à des supports de stockage électroniques tangibles, physiques et non transitoires qui stockent des informations sous une forme lisible par un ordinateur.
Des modes de réalisation de l'objet de l'invention décrit dans cette spécification peuvent être mis en œuvre dans un système informatique qui comprend un composant dorsal, par ex. un serveur de données, ou qui comprend un composant intergiciel, par ex. un serveur d'application, ou qui comprend un composant frontal, par ex. un ordinateur client ayant une interface utilisateur graphique ou un navigateur Web à travers lequel un utilisateur peut interagir avec une mise en œuvre de l'objet de l'invention décrit dans cette spécification, ou toute combinaison d'un ou de plusieurs de ces composants dorsaux, intergiciels ou frontaux. Fes composants du système peuvent être interconnectés par toute forme ou tout support de communication de données numériques, par ex. un réseau de communication. Des exemples de réseaux de communication comprennent un réseau local (« FAN ») et un réseau étendu (« WAN »), un inter-réseau (par ex., l'Internet) et des réseaux poste à poste (par ex., des réseaux poste à poste ad hoc).
Fe système informatique peut inclure des clients et des serveurs. Un client et un serveur sont généralement distants l'un de l'autre et interagissent généralement via un réseau de communication. Fa relation de client et de serveur est générée par des programmes informatiques qui sont exécutés sur les ordinateurs respectifs et qui possèdent une relation client-serveur, l'un vers l'autre. Dans certains modes de réalisation, un serveur transmet des données (par ex., une page Web) à un dispositif client (par ex., pour afficher des données et recevoir une entrée utilisateur provenant d'un utilisateur interagissant avec le dispositif client). Fes données générées au niveau du dispositif client (par ex. un résultat de l'interaction de l'utilisateur) peuvent provenir du périphérique client au niveau du serveur.
Il est compris qu'un quelconque ordre ou hiérarchie spécifique des étapes dans les procédés divulgués est une illustration des exemples d'approche. Sur la base des préférences de conception, il est entendu que l'ordre spécifique ou la hiérarchie des étapes des processus peut être réorganisée, ou que toutes les étapes illustrées sont effectuées. Certaines étapes peuvent être effectuées simultanément. Par exemple, dans certaines circonstances, le traitement multitâche et parallèle peut être avantageux. En outre, la séparation de divers composants du système dans les modes de réalisation décrits ci-dessus ne doit pas être comprise comme exigeant une telle séparation dans tous les modes de réalisation, et il faut comprendre que les composants et systèmes du programme décrits peuvent généralement être intégrés dans un seul logiciel ou intégrés dans plusieurs logiciels.
2017-IPM-101071-U1-FR
En outre, les exemples de méthodes décrits ici peuvent être mis en œuvre par un système comprenant des circuits de traitement ou un produit de programme informatique comprenant des instructions qui, lorsqu'elles sont exécutées par au moins un processeur, amènent le processeur à exécuter l'une quelconque des méthodes décrites ici.
Comme il est décrit ci-dessus, les modes de réalisation de la présente invention sont particulièrement utiles pour évaluer rapidement la distribution de pression et les débits dans des gisements et des puits de forage pour des opérations de forage et/ou de fracturation en temps réel. Par conséquent, les avantages de la présente invention comprennent l'apprentissage d'un modèle d'apprentissage automatique (ML) (par ex., réseaux neuronaux, y compris les DNN) pour reconnaître des schémas entre les entrées et sorties des simulations d'ingénierie des écoulements de fluide multiphasiques dans le gisement et le puits. Une fois formé, le modèle ML peut être utilisé à la place de modèles plus complexes (par ex., les modèles CFD, comme il est décrit cidessus) pour prédire les sorties ou les résultats de la simulation d'écoulement multiphasique pendant les opérations en temps réel. De tels modèles ML peuvent servir de bonne approximation ou de proxy du modèle original, qui produit des prévisions relativement précises des écoulements d'une manière relativement rapide et efficace. De plus, ces modèles sont particulièrement utiles pour effectuer des simulations paramétriques rapides afin d'optimiser la conception des puits en temps réel et d'assurer une surveillance et un contrôle automatisés des opérations sur les sites de puits.
Un procédé informatique de formation de modèles de réseaux neuronaux pour des simulations d'écoulement en temps réel a été décrit. Les modes de réalisation du procédé peuvent comprendre : l'acquisition des données d'entrée comprenant des valeurs pour une pluralité de paramètres d'entrée associée à un écoulement de fluide multiphasique qui doit être simulé ; la simulation de l'écoulement de fluide multiphasique en utilisant un modèle de dynamique de fluide complexe (CFD), basé sur les données d'entrée acquises, le modèle CFD représentant un domaine tridimensionnel (3D) pour la simulation ; la sélection d'une zone d'intérêt dans le domaine en 3D représenté par le modèle CFD ; la production d'un maillage bidimensionnel (2D) de la zone d'intérêt sélectionnée, le maillage en 2D représentant les résultats de la simulation pour la zone d'intérêt sélectionnée ; et l'apprentissage d'un réseau neuronal en se basant sur les résultats de simulation représentés par le maillage en 2D produit. De même, des modes de réalisation d'un support de stockage lisible par ordinateur dans lequel sont stockées des instructions ont été décrits, les instructions, lorsqu'elles sont exécutées par un processeur, pouvant amener le processeur à exécuter une pluralité de fonctions, comprenant des fonctions pour : acquérir des données d'entrée comprenant des valeurs pour une pluralité de paramètres d'entrée associée à un écoulement de fluide multiphasique qui doit être simulé ; simuler l'écoulement de fluide multiphasique en utilisant
2017-IPM-101071-U1-FR un modèle complexe de dynamique de fluide (CFD), basé sur les données d'entrée acquises, le modèle CFD représentant un domaine tridimensionnel (3D) pour la simulation ; sélectionner une zone d'intérêt dans le domaine en 3D représenté par le modèle CFD ; produire un maillage bidimensionnel (2D) de la zone d'intérêt sélectionnée, le maillage en 2D représentant les résultats de la simulation pour la zone d'intérêt sélectionnée ; et faire l'apprentissage d'un réseau neuronal en se basant sur les résultats de simulation représentés par le maillage en 2D produit.
Les modes de réalisation précédents du procédé ou du support de stockage lisible par ordinateur peuvent comprendre l'un quelconque ou une quelconque combinaison des éléments, caractéristiques, fonctions ou opérations suivantes : un réseau neuronal d'apprentissage profond (DNN) en tant que réseau neuronal en cours d'apprentissage ; simuler un écoulement de fluide multiphasique en temps réel pendant une opération de site de puits, sur la base du réseau neuronal formé ; l'opération de site de puits est une opération de traitement de stimulation effectuée sur différents étages le long du trajet d'un puits à travers un gisement, et le domaine en 3D représente le gisement ; la génération comprend en outre l'identification d'une surface plane en 2D dans le domaine en 3D, la surface plane en 2D comprenant des données de simulation correspondant à la zone d'intérêt sélectionnée et l'application des données de simulation de la surface plane en 2D identifiée au maillage en 2D de la zone d'intérêt sélectionnée ; la zone d'intérêt sélectionnée comprend un réseau de fractures dans une zone du gisement entourant le puits de forage ; et les données de simulation sont appliquées aux points nodaux du maillage en 2D.
De plus, des modes de réalisation d'un système comprenant au moins un processeur et une mémoire couplés au processeur ont été décrits, la mémoire stockant des instructions qui, lorsqu'elles sont exécutées par un processeur, peuvent : acquérir des données d'entrée comprenant des valeurs pour une pluralité de paramètres d'entrée associée à un écoulement de fluide multiphasique qui doit être simulé ; simuler l'écoulement de fluide multiphasique en utilisant un modèle complexe de dynamique de fluide (CFD), basé sur les données d'entrée acquises, le modèle CFD représentant un domaine tridimensionnel (3D) pour la simulation ; sélectionner une zone d'intérêt dans le domaine en 3D représenté par le modèle CFD ; produire un maillage bidimensionnel (2D) de la zone d'intérêt sélectionnée, le maillage en 2D représentant les résultats de la simulation pour la zone d'intérêt sélectionnée ; et faire l'apprentissage d'un réseau neuronal en se basant sur les résultats de simulation représentés par le maillage en 2D produit.
Les modes de réalisation précédents du système peuvent comprendre l'un quelconque ou une combinaison quelconque des éléments, caractéristiques, fonctions ou opérations suivantes : un réseau neuronal d'apprentissage profond (DNN) en tant que réseau neuronal en cours d'apprentissage ; simuler un écoulement de fluide multiphasique en temps réel pendant une opération de site de puits, sur la base du réseau neuronal formé ; l'opération de site de
2017-IPM-101071-U1-FR puits est une opération de traitement de stimulation effectuée sur différents étages le long du trajet d'un puits à travers un gisement, et le domaine en 3D représente le gisement ; la génération comprend en outre l'identification d'une surface plane en 2D dans le domaine en 3D, la surface plane en 2D comprenant des données de simulation correspondant à la zone d'intérêt sélectionnée et l'application des données de simulation de la surface plane en 2D identifiée au maillage en 2D de la zone d'intérêt sélectionnée ; la zone d'intérêt sélectionnée comprend un réseau de fractures dans une zone du gisement entourant le puits de forage ; et les données de simulation sont appliquées aux points nodaux du maillage en 2D.
Bien que des détails spécifiques concernant les modes de réalisation ci-dessus aient été décrits, les descriptions matérielles et logicielles ci-dessus sont simplement destinées à être des exemples de modes de réalisation et ne sont pas destinées à limiter la structure ou la mise en œuvre des modes de réalisation décrits. Par exemple, même si plusieurs autres composants internes du système 1300 ne sont pas illustrés, il sera compris des hommes de métier que de tels composants et leur interconnexion sont bien connus.
De plus, certains aspects des modes de réalisation décrits, tels que décrits cidessus, peuvent être incorporés dans un logiciel qui est exécuté en utilisant une ou plusieurs unités/composants de traitement. Les aspects programmatiques de la technologie peuvent être considérés comme des « produits » ou des « articles de fabrication », généralement sous la forme de code exécutable et/ou de données associées qui sont exploités ou incorporés dans un type de support lisible par machine. Un support de type « stockage » tangible non-transitoire comprend toute ou partie de la mémoire ou autre stockage pour les ordinateurs, processeurs ou similaires, ou leurs modules associés, tels que diverses mémoires à semi-conducteurs, lecteurs de bande, lecteurs de disque, disques optiques ou magnétiques, et similaires, qui peuvent fournir un stockage à tout moment pour la programmation logicielle.
En outre, l'organigramme et les schémas fonctionnels des figures illustrent l'architecture, la fonctionnalité et le fonctionnement de mises en œuvre possibles de systèmes, procédés et produits de programme informatique selon divers modes de réalisation de la présente divulgation. On doit également noté que dans certaines mises en œuvre alternatives, les fonctions notées dans le bloc peuvent ne pas avoir lieu dans l'ordre indiqué dans les figures. Par exemple, deux blocs représentés à la suite peuvent en fait être exécutés sensiblement en même temps, ou les blocs peuvent parfois être exécutés dans l'ordre inverse, en fonction de la fonctionnalité concernée. On notera également que chaque bloc des schémas fonctionnels et/ou de l'illustration sous forme d'organigramme, ainsi que des combinaisons de blocs dans les schémas fonctionnels et/ou de l'illustration sous forme d'organigramme, peuvent être mis en œuvre par des systèmes matériels
2017-IPM-101071-U1-FR 21 spécialisés qui exécutent les fonctions ou les actes spécifiés, ou des combinaisons d'instructions de matériel et d'ordinateur spécialisés.

Claims (15)

  1. REVENDICATIONS
    Ce qui est revendiqué est :
    1. Procédé informatisé d'apprentissage de modèles de réseau neuronal pour les simulations d'écoulement en temps réel, le procédé comprenant :
    l'acquisition de données d'entrée comprenant des valeurs pour une pluralité de paramètres d'entrée associée à un écoulement de fluide multiphasique devant être simulé ;
    la simulation de l'écoulement de fluide multiphasique en utilisant un modèle de dynamique de fluide complexe (CFD), basé sur les données d'entrée acquises, le modèle CFD représentant un domaine tridimensionnel (3D) pour la simulation ;
    la sélection d'une zone d'intérêt dans le domaine en 3D représenté par le modèle CFD ;
    la production d'un maillage bidimensionnel (2D) de la zone d'intérêt sélectionnée, le maillage en 2D représentant les résultats de la simulation pour la zone d'intérêt sélectionnée ; et l'apprentissage d'un réseau neuronal à partir des résultats de simulation représentés par le maillage en 2D produit.
  2. 2. Procédé selon la revendication 1, dans lequel le réseau neuronal est un réseau neuronal d'apprentissage profond (DNN).
  3. 3. Procédé selon la revendication 1 ou 2, comprenant également :
    la simulation d'un écoulement de fluide multiphasique en temps réel pendant une opération de site de puits, basée sur le réseau neuronal formé.
  4. 4. Procédé selon l'une quelconque des revendications précédentes, dans lequel l'opération de site de puits est une opération de traitement de stimulation réalisée sur différentes étages le long d'un trajet d'un puits de forage à travers un gisement, et le domaine en 3D représente le gisement.
  5. 5. Procédé selon l'une quelconque des revendications précédentes, dans lequel la génération comprend en outre :
    l'identification d'une surface plane en 2D dans le domaine en 3D, la surface plane en 2D comprenant des données de simulation correspondant à la zone d'intérêt sélectionnée ; et l'application des données de simulation de la surface plane en 2D au maillage en 2D de la zone d'intérêt sélectionnée.
    2017-IPM-101071-U1-FR
  6. 6. Procédé selon la revendication 5, dans lequel la zone d'intérêt sélectionnée comprend un réseau de fractures dans une zone du gisement entourant le puits de forage.
  7. 7. Procédé selon la revendication 5, dans lequel les données de simulation sont appliquées aux points nodaux du maillage en 2D.
  8. 8. Système comprenant :
    au moins un processeur ; et une mémoire couplée au processeur, la mémoire stockant des instructions qui, lorsqu'elles sont exécutées par le processeur, amènent le processeur à exécuter une pluralité de fonctions, y compris des fonctions pour :
    acquérir des données d'entrée comprenant des valeurs pour une pluralité de paramètres d'entrée associée à un écoulement de fluide multiphasique devant être simulé ;
    simuler l'écoulement de fluide multiphasique en utilisant un modèle de dynamique de fluide complexe (CFD), basé sur les données d'entrée acquises, le modèle CFD représentant un domaine tridimensionnel (3D) pour la simulation ;
    sélectionner une zone d'intérêt dans le domaine en 3D représenté par le modèle CFD ;
    produire un maillage bidimensionnel (2D) de la zone d'intérêt sélectionnée, le maillage en 2D représentant les résultats de la simulation pour la zone d'intérêt sélectionnée ; et faire l'apprentissage d'un réseau neuronal à partir des résultats de simulation représentés par le maillage en 2D produit.
  9. 9. Système selon la revendication 8, dans lequel le réseau neuronal est un réseau neuronal d'apprentissage profond (DNN).
  10. 10. Système selon la revendication 8 ou 9, dans lequel les fonctions exécutées par le processeur comprennent en outre des fonctions pour :
    simuler un écoulement de fluide multiphasique en temps réel pendant une opération de site de puits, basé sur le réseau neuronal formé.
  11. 11. Système selon l'une quelconque des revendications précédentes, dans lequel l'opération de site de puits est une opération de traitement de stimulation réalisée sur différentes étages le long d'un trajet d'un puits de forage à travers un gisement, et le domaine en 3D représente le gisement.
    2017-IPM-101071-U1-FR
  12. 12. Système selon l'une quelconque des revendications précédentes, dans lequel les fonctions exécutées par le processeur comprennent en outre des fonctions pour :
    identifier une surface plane en 2D dans le domaine en 3D, la surface plane en 2D comprenant des données de simulation correspondant à la zone d'intérêt sélectionnée ; et appliquer les données de simulation de la surface plane en 2D au maillage en 2D de la zone d'intérêt sélectionnée.
  13. 13. Système selon la revendication 12, dans lequel la zone d'intérêt sélectionnée comprend un réseau de fractures dans une zone du gisement entourant le puits de forage.
  14. 14. Système selon la revendication 12, dans lequel les données de simulation sont appliquées aux points nodaux du maillage en 2D.
  15. 15. Support de stockage lisible par ordinateur dans lequel sont stockées des instructions qui, lorsqu'elles sont exécutées par un processeur, amènent le processeur à exécuter une pluralité de fonctions, y compris des fonctions pour :
    acquérir des données d'entrée comprenant des valeurs pour une pluralité de paramètres d'entrée associée à un écoulement de fluide multiphasique devant être simulé ;
    simuler l'écoulement de fluide multiphasique en utilisant un modèle de dynamique de fluide complexe (CFD), basé sur les données d'entrée acquises, le modèle CFD représentant un domaine tridimensionnel (3D) pour la simulation ;
    sélectionner une zone d'intérêt dans le domaine en 3D représenté par le modèle CFD ;
    produire un maillage bidimensionnel (2D) de la zone d'intérêt sélectionnée, le maillage en 2D représentant les résultats de la simulation pour la zone d'intérêt sélectionnée ; et faire l'apprentissage d'un réseau neuronal à partir des résultats de simulation représentés par le maillage en 2D produit.
FR1859836A 2017-12-26 2018-10-24 Representation efficace des resultats de simulation tridimensionnelle complexes pour les operations en temps reel Pending FR3076316A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
USWOUS2017068443 2017-12-26
PCT/US2017/068443 WO2019132864A1 (fr) 2017-12-26 2017-12-26 Représentation efficace de résultats de simulation tridimensionnelle complexe pour opérations en temps réel

Publications (1)

Publication Number Publication Date
FR3076316A1 true FR3076316A1 (fr) 2019-07-05

Family

ID=67067981

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1859836A Pending FR3076316A1 (fr) 2017-12-26 2018-10-24 Representation efficace des resultats de simulation tridimensionnelle complexes pour les operations en temps reel

Country Status (6)

Country Link
US (1) US12061980B2 (fr)
CA (1) CA3082472A1 (fr)
FR (1) FR3076316A1 (fr)
GB (1) GB2582082B (fr)
NO (1) NO20200591A1 (fr)
WO (1) WO2019132864A1 (fr)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230313653A1 (en) * 2020-09-08 2023-10-05 Schlumberger Technology Corporation Effective perforation cluster determination from hydraulic fracturing data
CN112983389B (zh) * 2021-03-12 2023-04-25 中国石油天然气股份有限公司 双二维组合三维水平井轨道设计方法
CN113505440B (zh) * 2021-07-28 2024-05-14 大连理工大学 一种基于三维深度学习的汽车气动性能参数实时预测方法
CN113887135A (zh) * 2021-09-30 2022-01-04 江苏如清智造科技有限公司 电导率与流型背景预测方法、图像重建方法、设备及介质
US11869132B2 (en) * 2021-11-29 2024-01-09 Adobe Inc. Neural network based 3D object surface mapping
US11795771B2 (en) * 2021-12-14 2023-10-24 Halliburton Energy Services, Inc. Real-time influx management envelope tool with a multi-phase model and machine learning
US20230315956A1 (en) * 2022-03-30 2023-10-05 International Business Machines Corporation Neural network predictions of fluid flow in porous media
CN115755610B (zh) * 2022-11-21 2023-09-01 西安石油大学 注水吞吐开发数值模拟系统
CN115758911B (zh) * 2022-12-07 2023-05-26 中国石油大学(华东) 融合点云残差网络和考虑滑移的流场和压力场预测方法
CN116306223B (zh) * 2023-01-09 2023-09-22 浪潮智慧科技有限公司 一种水利工程监测方法、设备及介质
CN117113777B (zh) * 2023-09-08 2024-04-09 武汉理工大学 一种考虑内流的钻柱涡激振动计算方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130304679A1 (en) * 2011-01-31 2013-11-14 Landmark Graphics Comporation System and method for using an artificial neural network to simulate pipe hydraulics in a reservoir simulator

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2818742B1 (fr) * 2000-12-22 2003-02-14 Inst Francais Du Petrole Methode pour former un module a reseaux neuronaux optimise, destine a simuler le mode d'ecoulement d'une veine de fluides polyphasiques
FR2848320B1 (fr) * 2002-12-10 2005-01-28 Inst Francais Du Petrole Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones
US7613665B2 (en) 2005-06-24 2009-11-03 Halliburton Energy Services, Inc. Ensembles of neural networks with different input sets
US8937399B2 (en) * 2007-12-10 2015-01-20 V Squared Wind, Inc. Efficient systems and methods for construction and operation of mobile wind power platforms
US9081934B2 (en) 2009-05-04 2015-07-14 Airbus Engineering Centre India System and method for collaborative building of a surrogate model for engineering simulations in a networked environment
EP2473703A1 (fr) 2009-08-31 2012-07-11 Exxonmobil Upstream Research Company Méthodes et systèmes de modélisation d'injection artificielle
KR101080974B1 (ko) 2009-11-24 2011-11-09 한국과학기술정보연구원 계산 시뮬레이션 모사 시스템 및 그 방법
AU2011283193B2 (en) 2010-07-29 2014-07-17 Exxonmobil Upstream Research Company Methods and systems for machine-learning based simulation of flow
DE102012012044A1 (de) 2012-06-19 2013-12-19 Eads Deutschland Gmbh Simulieren eines komplexen Systems
WO2015030837A1 (fr) * 2013-08-27 2015-03-05 Halliburton Energy Services, Inc. Simulation de fuite de fluide et reflux dans une région souterraine fracturée
NO337063B1 (no) 2014-01-24 2016-01-11 Ledaflow Tech Da Fremgangsmåte for transient kvasi-tredimensjonal simulering av flerfasefluidstrømning i rørledninger
GB201511343D0 (en) * 2015-06-29 2015-08-12 Rolls Royce Plc Fluid flow feature identification methods and tools
WO2017188858A1 (fr) * 2016-04-28 2017-11-02 Schlumberger Canada Limited Système de performance de réservoir
US10238992B2 (en) * 2016-05-03 2019-03-26 Saudi Arabian Oil Company Processes for analysis and optimization of multiphase separators, particularly in regard to simulated gravity separation of immiscible liquid dispersions
CN106408086A (zh) 2016-09-12 2017-02-15 上海影城有限公司 用于图像优化的深度学习神经网络处理方法及系统
CN107480611B (zh) 2017-07-31 2020-06-30 浙江大学 一种基于深度学习卷积神经网络的裂缝识别方法
US10740509B2 (en) * 2017-08-14 2020-08-11 Autodesk, Inc. Machine learning three-dimensional fluid flows for interactive aerodynamic design

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130304679A1 (en) * 2011-01-31 2013-11-14 Landmark Graphics Comporation System and method for using an artificial neural network to simulate pipe hydraulics in a reservoir simulator

Also Published As

Publication number Publication date
NO20200591A1 (en) 2020-05-19
CA3082472A1 (fr) 2019-07-04
WO2019132864A1 (fr) 2019-07-04
US20200320386A1 (en) 2020-10-08
US12061980B2 (en) 2024-08-13
GB2582082A (en) 2020-09-09
GB2582082B (en) 2022-08-17
GB202007250D0 (en) 2020-07-01

Similar Documents

Publication Publication Date Title
FR3076316A1 (fr) Representation efficace des resultats de simulation tridimensionnelle complexes pour les operations en temps reel
FR3070180A1 (fr) Modeles de reseau de neurones pour l'optimisation en temps reel de parametres de forage lors d'operations de forage
FR3085053A1 (fr) Prédiction de comportement de réservoir de pétrole à l’aide d’un modèle d’écoulement proxy domaine technique
FR3085404A1 (fr) Optimisation automatisée du taux de pénétration pour le forage
CA3014293C (fr) Generation de feuille de route basee sur des parametres pour des operations de fond de trou
FR3027050A1 (fr) Procedes de planification de fracturation automatises pour champs multi-puits
FR3092691A1 (fr) Planification d’une configuration de puits à l’aide de paramètres géomécaniques
FR3062674A1 (fr) Inversion de distance jusqu'a la limite de base (dtbb) multi-couche avec de multiples valeurs supposees initiales
FR3059108A1 (fr) Suivi automatique d'horizon a multiples z
FR3086779A1 (fr) Mise en correspondance avec un historique de production automatisée à l’aide de l’optimisation bayésienne
FR3081026A1 (fr) Optimisation BAYÉSIENNE BASÉE SUR L'APPRENTISSAGE pour optimiser les paramÈtres de forage POUVANT ÊTRE COMMANDÉS
US20220381130A1 (en) Formation and reservoir rock modeling using symbolic regression
FR3058456A1 (fr) Classification de fluides de fond de puits automatisee en utilisant des donnees de composante de spectroscopie principale
FR3034232A1 (fr)
FR3034894A1 (fr)
FR3031131A1 (fr) Analyseur de la performance en temps reel pour les operations de forage
Elmgerbi et al. Machine learning techniques application for real-time drilling hydraulic optimization
FR3040509A1 (fr)
FR3029664A1 (fr) Definition de petrofacies non-lineaires pour un modele de simulation de reservoir
FR3040189A1 (fr)
FR3037682A1 (fr)
FR3038933A1 (fr) Forage en sous-pression à travers des formations à lithologies variées
FR3006077A1 (fr) Information d'operations d'association et information de communications
FR3085077A1 (fr) Modèles hybrides basés sur la physique et d’apprentissage automatique pour des simulations de réservoir
US11946366B2 (en) System and method for formation properties prediction in near-real time

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20191115

RX Complete rejection

Effective date: 20210730