FR3132320A1

FR3132320A1 - Détection et correction de fausses classifications positives à partir d’un outil de détection de sable de produit

Info

Publication number: FR3132320A1
Application number: FR2200737A
Authority: FR
Inventors: Thanh Nhan Nguyen; Josselin Kherroubi; Clement Laplane; Maxime Nollet
Original assignee: Services Petroliers Schlumberger SA
Current assignee: Services Petroliers Schlumberger SA
Priority date: 2022-01-28
Filing date: 2022-01-28
Publication date: 2023-08-04
Anticipated expiration: 2042-01-28
Also published as: FR3132320B1; WO2023146833A1

Abstract

L’invention concerne des procédés, des systèmes informatiques et des supports lisibles par machine pour détecter des points d’entrée de sable en fond de puits. Un dispositif informatique reçoit une sortie de détection de sable d’un outil de détection de sable de produit et une forme d’onde de série chronologique brute correspondant à une entrée de l’outil de détection de sable de produit. Sur la base de la sortie de détection de sable, au moins un point d’entrée de sable en fond de puits est détecté à une profondeur de diagraphie. En réponse à la détection de l’au moins un point d’entrée de sable en fond de puits, le dispositif informatique extrait un sous-ensemble de caractéristiques sur la base de la forme d’onde de série chronologique brute. Le dispositif informatique détermine si la détection est un vrai positif ou un faux positif sur la base du sous-ensemble extrait des caractéristiques et d’un classificateur de forêt aléatoire entraîné. Une action corrective est exécutée concernant l’au moins un point d’entrée de sable en fond de puits en réponse à la détermination du fait que la détection est le vrai positif.

Description

DÉTECTION ET CORRECTION DE FAUSSES CLASSIFICATIONS POSITIVES À PARTIR D’UN OUTIL DE DÉTECTION DE SABLE DE PRODUIT

Contexte

La classification des séries chronologiques joue un rôle important dans l’industrie pétrolière et gazière ainsi que dans de nombreuses autres disciplines comme la reconnaissance vocale, la finance et la médecine. En règle générale, les techniques de classification des séries chronologiques peuvent être divisées en approches basées sur les caractéristiques et basées sur la distance.

Dans les approches basées sur les caractéristiques, une procédure d’extraction de caractéristiques est effectuée avant une phase de classification, tandis que les approches basées sur la distance n’ont pas de phase d’extraction de caractéristiques en raison des distances appropriées définies à travers lesquelles la phase de classification est effectuée.

Dans les approches basées sur la distance, les distances peuvent être calculées sur une représentation brute ou réduite ou sur des coefficients décomposés (par exemple la transformée de Fourier) d’une série chronologique. Cependant, les performances des approches basées sur la distance dépendent fortement de la qualité de l’alignement des séries chronologiques. Les signaux de l’outil de détection de sable de produit (PSDT) ont une faible caractéristique structurelle car les événements d’injection de sable et un certain nombre de sables impactants, ainsi que de nombreux autres facteurs dans un environnement de fond de puits, sont assez aléatoires. Par conséquent, les approches basées sur la distance peuvent ne pas fonctionner efficacement pour détecter les occurrences d’entrée de sable en fond de puits.

Dans les approches basées sur les caractéristiques, on peut analyser des caractéristiques telles que, par exemple, la moyenne, la variance, le maximum, le minimum, l’entropie, la densité spectrale de puissance, les coefficients de Fourier, la fonction d’autocorrélation, etc., qui capturent des statistiques de signaux qui identifient une certaine classe. Un avantage principal des approches basées sur les caractéristiques est la représentation compacte d’un signal. Cependant, étant donné que les signaux du monde réel ont tendance à ne pas être stationnaires en raison d’un certain nombre de facteurs imprévisibles, de nombreuses autres caractéristiques peuvent être nécessaires pour capturer un contenu informatif. Par conséquent, la formulation et la sélection des caractéristiques sont très importantes lors de l’utilisation d’approches basées sur les caractéristiques.

L’utilisation d’une transformée en ondelettes est une autre approche pour exploiter les caractéristiques de la structure temporelle. En utilisant une transformée en ondelettes, une forme d’onde de série chronologique peut être séparée en composants « signal » et « bruit », qui peuvent être utilisés pour obtenir des caractéristiques plus informatives à des fins de classification. Étant donné que les formes d’onde PSDT à un point d’entrée d’injection de sable présentent des modèles spécifiques, la transformée en ondelettes peut être utilisée pour formuler certaines caractéristiques.

L’utilisation d’une approche contemporaine d’apprentissage profond pour la classification de séries chronologiques, qui pourrait être considérée comme une approche d’apprentissage automatique basée sur les caractéristiques, peut être une bonne approche pour

détecter les points d’entrée de sable en fond de puits. Cependant, cette approche nécessiterait un ensemble de données volumineux et bien étiqueté et des ressources informatiques matérielles et logicielles complémentaires.

Un modèle de classification peut facilement être trouvé dans la littérature, comme, par exemple, le voisin k le plus proche, les machines à vecteurs de support, les arbres de décision, la forêt aléatoire, la régression logistique et les réseaux de neurones profonds. Bien que ces procédés puissent fonctionner différemment, la sélection de ces procédés pour une approche basée sur les caractéristiques est principalement une recherche par quadrillage.

Résumé

Des modes de réalisation de l’invention peuvent fournir un procédé pour détecter des points d’entrée de sable en fond de puits. Un dispositif informatique reçoit une sortie de détection de sable d’un outil de détection de sable de produit et une forme d’onde de série chronologique brute correspondant à une entrée de l’outil de détection de sable de produit. Le dispositif informatique détecte au moins un point d’entrée de sable en fond de puits à une profondeur de diagraphie sur la base de la sortie de détection de sable de l’outil de détection de sable de produit. En réponse à la détection de l’au moins un point d’entrée de sable en fond de puits, le dispositif informatique extrait un sous-ensemble de caractéristiques sur la base de la forme d’onde de série chronologique brute. Le dispositif informatique détermine si la détection de l’au moins un point d’entrée de sable en fond de puits est un vrai positif ou un faux positif sur la base du sous-ensemble extrait des caractéristiques et d’un classificateur de forêt aléatoire entraîné. En réponse à la détermination du fait que la détection est le vrai positif, une action corrective est exécutée concernant l’au moins un point d’entrée de sable en fond de puits.

Dans un mode de réalisation, le procédé peut présenter l’entraînement d’un classificateur de forêt aléatoire pour produire le classificateur de forêt aléatoire entraîné. L’entraînement du classificateur de forêt aléatoire présente le dispositif informatique sélectionnant au hasard les caractéristiques sur la base de la forme d’onde de série chronologique brute pour produire le sous-ensemble des caractéristiques. Le dispositif informatique détermine quelles caractéristiques appariées du sous-ensemble de caractéristiques ont une probabilité moyenne de détection plus élevée que d’autres des caractéristiques appariées sur la base de l’utilisation d’un ensemble d’entraînement des caractéristiques et des résultats de point d’entrée de sable connus. Le dispositif informatique construit le classificateur de forêt aléatoire entraîné sur la base de plusieurs arbres de décision, dont chacun est basé sur une paire respective des caractéristiques appariées du sous-ensemble de caractéristiques ayant la probabilité moyenne de détection la plus élevée.

Dans un mode de réalisation, le procédé peut présenter l’élimination, par le dispositif informatique, comme candidats pour le sous-ensemble de caractéristiques, des caractéristiques avec une seule valeur unique, des caractéristiques avec une amplitude de corrélation supérieure à 0,9 par rapport à une autre des caractéristiques, et des caractéristiques qui ne contribuent pas à une importance cumulative d’au moins 0,9. La sélection aléatoire des caractéristiques sur la base de la forme d’onde de série chronologique brute pour produire le sous-ensemble des caractéristiques présente la sélection aléatoire du sous-ensemble de caractéristiques parmi les caractéristiques non éliminées en tant que candidats pour le sous-ensemble de caractéristiques.

Dans un mode de réalisation, le procédé peut présenter la détermination, par le dispositif informatique, d’une probabilité de détection de point d’entrée de sable sur la base d’arbres de décision formés à partir de chaque caractéristique du sous-ensemble de caractéristiques appariée avec une autre caractéristique du sous-ensemble de caractéristiques. Le dispositif informatique détermine une probabilité moyenne de détection de point d’entrée de sable de chacun des arbres de décision qui apparie un même sous-ensemble de caractéristiques à chaque caractéristique respective différente des caractéristiques de sous-ensemble. Le dispositif informatique peut ensuite déterminer lequel des arbres de décision qui apparie la même caractéristique des sous-ensembles de caractéristiques avec chaque caractéristique respective différente du sous-ensemble de caractéristiques a une probabilité moyenne la plus élevée de détection de point d’entrée de sable. Une paire du sous-ensemble de caractéristiques est sélectionnée pour les arbres de décision du classificateur de forêt aléatoire entraîné à partir de la même caractéristique des sous-ensembles de caractéristiques et chacune des caractéristiques différentes du sous-ensemble de caractéristiques pour les arbres de décision ayant la probabilité moyenne la plus élevée de détection de point d’entrée de sable.

Dans un mode de réalisation du procédé, la sortie de l’outil de détection de sable de produit est plus susceptible de rapporter un faux positif concernant la détection de point d’entrée de sable en fond de puits qu’un vrai positif.

Dans un mode de réalisation, le procédé peut présenter la création, par le dispositif informatique, d’une transformée en ondelettes de la forme d’onde de série chronologique brute. Une partie de bruit de la transformée en ondelettes est extraite et au moins certaines des caractéristiques sont extraites sur la base de la partie de bruit de la transformée en ondelettes.

Dans un mode de réalisation du procédé, les caractéristiques extraites peuvent présenter des caractéristiques de domaine de fréquence, des caractéristiques de base et des caractéristiques basées sur des ondelettes.

Des modes de réalisation de l’invention peuvent également proposer un système informatique pour détecter des points d’entrée de sable en fond de puits. Le système informatique présente au moins un processeur et une mémoire connectée à l’au moins un processeur. La mémoire présente des instructions pour configurer le système informatique afin d’effectuer des opérations. Selon les opérations, une sortie de détection de sable d’un outil de détection de sable de produit et une forme d’onde de série chronologique brute correspondant à une entrée de l’outil de détection de sable de produit sont reçues. Au moins un point d’entrée de sable en fond de puits est détecté à une profondeur de diagraphie sur la base de la sortie de détection de sable de l’outil de détection de sable de produit. En réponse à la détection de l’au moins un point d’entrée de sable en fond de puits, un sous-ensemble de caractéristiques est extrait sur la base de la forme d’onde de série chronologique brute. Sur la base du sous-ensemble extrait des caractéristiques et d’un classificateur de forêt aléatoire entraîné, on détermine si la détection de l’au moins un point d’entrée de sable en fond de puits est un vrai positif ou un faux positif. Une action corrective concernant l’au moins un point d’entrée de sable en fond de puits est exécutée en réponse à la détermination du fait que la détection de l’au moins un point d’entrée de sable en fond de puits est le vrai positif.

Des modes de réalisation de l’invention peuvent en outre fournir un support lisible par machine non transitoire sur lequel sont enregistrées des instructions pour un processeur d’un dispositif informatique afin d’effectuer des opérations. Selon les opérations, une sortie de détection de sable d’un outil de détection de sable de produit et une forme d’onde de série chronologique brute correspondant à une entrée de l’outil de détection de sable de produit sont reçues. Au moins un point d’entrée de sable en fond de puits à une profondeur de diagraphie est détecté sur la base de la sortie de détection de sable de l’outil de détection de sable de produit. En réponse à la détection de l’au moins un point d’entrée de sable en fond de puits, un sous-ensemble de caractéristiques est extrait sur la base de la forme d’onde de série chronologique brute. Le fait que la détection de l’au moins un point d’entrée de sable en fond de puits est un vrai positif ou un faux positif est déterminé sur la base du sous-ensemble extrait des caractéristiques et d’un classificateur de forêt aléatoire entraîné. En réponse à la détermination du fait que la détection d’au moins un point d’entrée de sable en fond de puits à la profondeur de diagraphie est le vrai positif, une action corrective concernant l’au moins un point d’entrée de sable en fond de puits est exécutée.

Il sera apprécié que ce résumé vise simplement à introduire certains aspects des présents procédés, systèmes et supports, qui sont décrits plus en détail et/ou revendiqués ci-dessous. En conséquence, ce résumé n’est pas destiné à être limitatif.

Les dessins en annexe, qui sont incorporés et font partie de cette description, illustrent des modes de réalisation des présents enseignements et, conjointement avec la description, servent à expliquer les principes des présents enseignements. Dans les figures :

La illustre un exemple d’un système qui présente divers composants de gestion pour gérer divers aspects d’un environnement géologique, selon un mode de réalisation.

La est un organigramme qui illustre un exemple de processus, selon un mode de réalisation, pour déterminer si un point d’entrée de sable en fond de puits détecté par un outil de détection de sable de produit est un vrai positif ou un faux positif.

La illustre un exemple d’ensemble de caractéristiques qui peuvent être envisagées pour une utilisation avec des arbres de décision d’un classificateur de forêt aléatoire pour détecter si un point d’entrée de sable détecté est un vrai positif ou un faux positif, selon un mode de réalisation.

La et la illustrent en outre certains exemples de caractéristiques de base qui peuvent être envisagées pour une utilisation avec des arbres de décision d’un classificateur de forêt aléatoire selon un mode de réalisation.

La illustre un exemple de fonction ondelette mère « db2 » selon un mode de réalisation.

La est un organigramme d’un exemple de processus qui peut être exécuté par un dispositif informatique, selon un mode de réalisation, pour éliminer certaines des caractéristiques en tant que candidats pour un sous-ensemble de caractéristiques à considérer pour une utilisation avec les arbres de décision d’un classificateur de forêt aléatoire, et pour sélectionner le sous-ensemble de caractéristiques à utiliser avec les arbres de décision du classificateur de forêt aléatoire.

La est un tableau montrant des exemples de probabilités de détection d’un point d’entrée de sable en fond de puits pour des paires de caractéristiques du sous-ensemble de caractéristiques envisagées pour une utilisation avec des arbres de décision d’un classificateur de forêt aléatoire, selon un mode de réalisation.

La illustre une vue schématique d’un système informatique, selon un mode de réalisation.

Description détaillée

Il va maintenant être fait référence en détail aux modes de réalisation, dont des exemples sont illustrés dans les dessins et les figures en annexe. Dans la description détaillée suivante, de nombreux détails spécifiques sont donnés afin de permettre une compréhension approfondie de l’invention. Cependant, il apparaîtra à l’homme du métier que l’invention peut être mise en pratique sans ces détails spécifiques. Dans d’autres cas, des procédés, des procédures, des composants, des circuits et des réseaux bien connus n’ont pas été décrits en détail afin de ne pas obscurcir inutilement les aspects des modes de réalisation.

On comprendra également que, bien que les termes « premier », « second », etc., puissent être utilisés ici pour décrire divers éléments, ces éléments ne doivent pas être limités par ces termes. Ces termes ne sont utilisés que pour distinguer un élément d’un autre. Par exemple, un premier objet ou une première étape pourrait être appelé(e) « second objet » ou « seconde étape », et, de manière similaire, un second objet ou une seconde étape pourrait être appelé(e) « premier objet » ou « première étape », sans sortir du cadre de la présente invention. Le premier objet ou la première étape, et le second objet ou la seconde étape, sont tous les deux respectivement des objets ou des étapes, mais ils ne doivent pas être considérés comme le même objet ou la même étape.

La terminologie utilisée dans la présente description a pour but de décrire des modes de réalisation particuliers et n’a pas de caractère limitatif. On comprendra également que le terme « et/ou », tel qu’il est utilisé ici, fait référence à toutes les combinaisons possibles d’un ou plusieurs des éléments répertoriés associés et les englobe. Il est en outre entendu que les termes « présente », « présentant », et/ou « comprend », « comprenant », lorsqu’ils sont utilisés dans la présente description, indiquent la présence de caractéristiques, d’entiers, d’étapes, d’opérations, d’éléments et/ou de composants mentionnés, mais n’excluent pas la présence ou l’ajout d’un(e) ou de plusieurs autres caractéristiques, entiers, étapes, opérations, éléments, composants et/ou groupes de ceux-ci. En outre, tel qu’il est utilisé ici, le terme « si » peut être interprété comme signifiant « quand » ou « lors » ou « en réponse à la détermination » ou « en réponse à la détection », selon le contexte.

L’attention est maintenant dirigée vers des procédures de traitement, des procédés, des techniques et des flux de tâches qui sont conformes à certains modes de réalisation. Certaines opérations dans les procédures de traitement, les procédés, les techniques et les flux de tâches décrits ici peuvent être combinées et/ou l’ordre de certaines opérations peut être modifié.

La illustre un exemple d’un système 100 qui présente divers composants de gestion 110 pour gérer divers aspects d’un environnement géologique 150 (par exemple, un environnement qui présente un bassin sédimentaire, un réservoir 151, une ou plusieurs failles 153-1, un ou plusieurs corps géologiques 153-2, etc.). Par exemple, les composants de gestion 110 peuvent permettre une gestion directe ou indirecte de la détection, du forage, de l’injection, de l’extraction, etc., par rapport à l’environnement géologique 150. À leur tour, d’autres informations sur l’environnement géologique 150 peuvent devenir disponibles en tant que rétroaction 160 (par exemple, éventuellement en tant qu’entrée vers un ou plusieurs des composants de gestion 110).

Dans l’exemple de la , les composants de gestion 110 présentent un composant de données sismiques 112, un composant d’informations supplémentaires 114 (par exemple, des données de puits/diagraphie), un composant de traitement 116, un composant de simulation 120, un composant d’attribut 130, un composant d’analyse/de visualisation 142 et un composant de flux de tâches 144. En fonctionnement, des données sismiques et d’autres informations fournies par les composants 112 et 114 peuvent être entrées dans le composant de simulation 120.

Dans un exemple de mode de réalisation, le composant de simulation 120 peut s’appuyer sur des entités 122. Les entités 122 peuvent présenter des entités terrestres ou des objets géologiques tels que des puits, des surfaces, des corps, des réservoirs, etc. Dans le système 100, les entités 122 peuvent présenter des représentations virtuelles d’entités physiques réelles qui sont reconstruites à des fins de simulation. Les entités 122 peuvent présenter des entités basées sur des données acquises par la détection, l’observation, etc. (par exemple, les données sismiques 112 et d’autres informations 114). Une entité peut être caractérisée par une ou plusieurs propriétés (par exemple, une entité de grille de piliers géométrique d’un modèle terrestre peut être caractérisée par une propriété de porosité). Ces propriétés peuvent représenter une ou plusieurs mesures (par exemple, des données acquises), des calculs, etc.

Dans un exemple de mode de réalisation, le composant de simulation 120 peut fonctionner en conjonction avec un cadre logiciel tel qu’un cadre basé sur des objets. Dans un tel cadre, les entités peuvent présenter des entités basées sur des classes prédéfinies pour faciliter la modélisation et la simulation. Un exemple disponible dans le commerce d’un cadre basé sur des objets est le framework MICROSOFT^®.NET^®(Redmond, Washington), qui fournit un ensemble de classes d’objets extensibles. Dans le framework .NET^®, une classe d’objets encapsule un module de code réutilisable et les structures de données associées. Les classes d’objets peuvent être utilisées pour instancier des instances d’objets à utiliser par un programme, un script, etc. Par exemple, les classes de trous de forage peuvent définir des objets pour représenter des trous de forage sur la base de données de puits.

Dans l’exemple de la , le composant de simulation 120 peut traiter des informations pour se conformer à un ou plusieurs attributs spécifiés par le composant d’attribut 130, qui peut présenter une bibliothèque d’attributs. Un tel traitement peut se produire avant l’entrée dans le composant de simulation 120 (par exemple, en considérant le composant de traitement 116). À titre d’exemple, le composant de simulation 120 peut effectuer des opérations sur des informations d’entrée sur la base d’un ou plusieurs attributs spécifiés par le composant d’attribut 130. Dans un exemple de mode de réalisation, le composant de simulation 120 peut construire un ou plusieurs modèles de l’environnement géologique 150, sur lesquels on peut s’appuyer pour simuler le comportement de l’environnement géologique 150 (par exemple, en réponse à un ou plusieurs actes, qu’ils soient naturels ou artificiels). Dans l’exemple de la , le composant d’analyse/de visualisation 142 peut permettre une interaction avec un modèle ou des résultats basés sur un modèle (par exemple, des résultats de simulation, etc.). À titre d’exemple, la sortie du composant de simulation 120 peut être entrée dans un ou plusieurs autres flux de tâches, comme indiqué par un composant de flux de tâches 144.

À titre d’exemple, le composant de simulation 120 peut présenter une ou plusieurs caractéristiques d’un simulateur tel que le simulateur de réservoir ECLIPSE^TM(Schlumberger Limited, Houston Texas), le simulateur de réservoir INTERSECT^TM(Schlumberger Limited, Houston Texas), etc. En guise d’exemple, un composant de simulation, un simulateur, etc., peut présenter des fonctionnalités pour mettre en œuvre une ou plusieurs techniques sans maillage (par exemple, pour résoudre une ou plusieurs équations, etc.). À titre d’exemple, un réservoir ou des réservoirs peuvent être simulés par rapport à une ou à plusieurs techniques de récupération améliorée (par exemple, considérons un processus thermique tel que SAGD, etc.).

Dans un exemple de mode de réalisation, les composants de gestion 110 peuvent présenter des caractéristiques d’un cadre disponible dans le commerce, tel que le cadre logiciel sismique à simulation PETREL^®(Schlumberger Limited, Houston, Texas). Le cadre PETREL^®fournit des composants qui permettent d’optimiser les opérations d’exploration et de développement. Le cadre PETREL^®présente des composants logiciels sismique à simulation qui peuvent générer des informations à utiliser pour augmenter les performances du réservoir, par exemple, en améliorant la productivité de l’équipe d’actifs. Grâce à l’utilisation d’un tel cadre, divers professionnels (par exemple, des géophysiciens, des géologues et des ingénieurs de réservoir) peuvent développer des flux de tâches collaboratifs et intégrer des opérations pour rationaliser les processus. Un tel cadre peut être considéré comme une application et peut être considéré comme une application axée sur les données (par exemple, lorsque les données sont saisies à des fins de modélisation, de simulation, etc.).

Dans un exemple de mode de réalisation, divers aspects des composants de gestion 110 peuvent présenter des modules complémentaires ou des plug-ins qui fonctionnent selon les spécifications d’un environnement cadre. Par exemple, un environnement cadre disponible dans le commerce commercialisé sous le nom d’environnement cadre OCEAN^®(Schlumberger Limited, Houston, Texas) permet l’intégration de modules complémentaires (ou plug-ins) dans un flux de tâches cadre PETREL^®. L’environnement cadre OCEAN^®s’appuie sur les outils .NET^®(Microsoft Corporation, Redmond, Washington) et offre des interfaces stables et conviviales pour un développement efficace. Dans un exemple de mode de réalisation, divers composants peuvent être mis en œuvre en tant que modules complémentaires (ou plug-ins) qui se conforment et fonctionnent selon les spécifications d’un environnement cadre (par exemple, selon les spécifications de l’interface de programmation d’application (API), etc.).

La montre également un exemple d’un cadre 170 qui présente une couche de simulation de modèle 180 avec une couche de services de cadre 190, une couche de noyau de cadre 195 et une couche de modules 175. Le cadre 170 peut présenter le cadre de OCEAN^®disponible dans le commerce où la couche de simulation de modèle 180 est le progiciel centré sur le modèle PETREL^®, disponible dans le commerce, qui héberge les applications cadres OCEAN^®. Dans un exemple de mode de réalisation, le logiciel PETREL^®peut être considéré comme une application pilotée par les données. Le logiciel PETREL^®peut présenter un cadre pour la construction et la visualisation de modèles.

À titre d’exemple, un cadre peut présenter des fonctionnalités pour mettre en œuvre une ou plusieurs techniques de génération de maillage. Par exemple, un cadre peut présenter un composant d’entrée pour la réception d’informations provenant de l’interprétation de données sismiques, un ou plusieurs attributs basés au moins en partie sur des données sismiques, des données de journal, des données d’image, etc. Un tel cadre peut présenter un composant de génération de maillage qui traite des informations d’entrée, éventuellement en conjonction avec d’autres informations, pour générer un maillage.

Dans l’exemple de la , la couche de simulation de modèle 180 peut fournir des objets de domaine 182, agir en tant que source de données 184, fournir le rendu 186 et fournir diverses interfaces utilisateur 188. Le rendu 186 peut fournir un environnement graphique dans lequel les applications peuvent afficher leurs données tandis que les interfaces utilisateur 188 peuvent fournir une apparence commune pour les composants d’interface utilisateur d’application.

À titre d’exemple, les objets de domaine 182 peuvent présenter des objets d’entité, des objets de propriété et éventuellement d’autres objets. Les objets d’entité peuvent être utilisés pour représenter géométriquement des puits, des surfaces, des corps, des réservoirs, etc., tandis que des objets de propriété peuvent être utilisés pour fournir des valeurs de propriété ainsi que des versions de données et des paramètres d’affichage. Par exemple, un objet entité peut représenter un puits où un objet de propriété fournit des informations de journal ainsi que des informations de version et des informations d’affichage (par exemple, pour afficher le puits en tant que partie d’un modèle).

Dans l’exemple de la , les données peuvent être stockées dans une ou plusieurs sources de données (ou magasins de données, généralement des dispositifs physiques de stockage de données), qui peuvent se trouver sur des sites physiques identiques ou différents et accessibles par l’intermédiaire d’un ou plusieurs réseaux. La couche de simulation de modèle 180 peut être configurée pour modéliser des projets. En tant que tel, un projet particulier peut être stocké là où les informations de projet stockées peuvent présenter des entrées, des modèles, des résultats et des cas. Ainsi, à l’issue d’une session de modélisation, un utilisateur peut stocker un projet. Plus tard, le projet peut être consulté et restauré à l’aide de la couche de simulation de modèle 180, qui peut recréer des instances des objets de domaine pertinents.

Dans l’exemple de la , l’environnement géologique 150 peut présenter des couches (par exemple, la stratification) qui présentent un réservoir 151 et un ou plusieurs autres dispositifs tels que le défaut 153-1, le corps géologique 153-2, etc. Par exemple, l’environnement géologique 150 peut être équipé d’une variété de capteurs, de détecteurs, d’actionneurs, etc. Par exemple, l’équipement 152 peut présenter des circuits de communication pour recevoir et transmettre des informations concernant un ou plusieurs réseaux 155. Ces informations peuvent présenter des informations associées à l’équipement de fond de puits 154, qui peut être un équipement pour acquérir des informations, pour aider à la récupération des ressources, etc. D’autres équipements 156 peuvent être situés à distance d’un site de puits et présenter la détection, l’émission ou d’autres circuits. Un tel équipement peut présenter des circuits de stockage et de communication pour stocker et communiquer des données, des instructions, etc. Par exemple, un ou plusieurs satellites peuvent être fournis à des fins de communications, d’acquisition de données, etc. Par exemple, la montre un satellite en communication avec le réseau 155 qui peut être configuré pour les communications, en notant que le satellite peut en plus ou à la place présenter des circuits pour l’imagerie (par exemple, spatiale, spectrale, temporelle, radiométrique, etc.).

La montre également l’environnement géologique 150 comme présentant éventuellement des équipements 157 et 158 associés à un puits qui présente une partie sensiblement horizontale qui peut recouper une ou plusieurs fractures 159. Par exemple, considérons un puits dans une formation de schiste qui peut présenter des fractures naturelles, des fractures artificielles (par exemple, des fractures hydrauliques) ou une combinaison de fractures naturelles et artificielles. À titre d’exemple, un puits peut être foré pour un réservoir qui est latéralement étendu. Dans un tel exemple, des variations latérales des propriétés, des contraintes, etc. peuvent exister lorsqu’une évaluation de ces variations peut aider à la planification, aux opérations, etc., pour développer un réservoir latéralement extensif (par exemple, par fracturation, injection, extraction, etc.). À titre d’exemple, l’équipement 157 et/ou 158 peut présenter des composants, un système, des systèmes, etc. pour la fracturation, la détection sismique, l’analyse de données sismiques, l’évaluation d’une ou plusieurs fractures, etc.

Comme mentionné, le système 100 peut être utilisé pour exécuter un ou plusieurs flux de tâches. Un flux de tâches peut être un processus qui présente un certain nombre d’étapes de travail. Une étape de travail peut opérer sur des données, par exemple, pour créer de nouvelles données, mettre à jour des données existantes, etc. Par exemple, une étape de travail peut opérer sur une ou plusieurs entrées et créer un ou plusieurs résultats, par exemple, sur la base d’un ou plusieurs algorithmes. À titre d’exemple, un système peut présenter un éditeur de flux de tâches pour la création, l’édition, l’exécution, etc., d’un flux de tâches. Dans un tel exemple, l’éditeur de flux de tâches peut prévoir la sélection d’une ou plusieurs étapes de travail prédéfinies, d’une ou plusieurs étapes de travail personnalisées, etc. À titre d’exemple, un flux de tâche peut être un flux de tâches pouvant être mis en œuvre dans le logiciel PETREL^®, par exemple, qui opère sur des données sismiques, des attributs sismiques, etc. À titre d’exemple, un flux de tâche peut être un processus pouvant être mis en œuvre dans le cadre OCEAN^®. À titre d’exemple, un flux de tâches peut présenter une ou plusieurs étapes de travail qui accèdent à un module tel qu’un plug-in (par exemple, un code exécutable externe, etc.).

La illustre un organigramme d’un exemple de processus qui peut être exécuté par un dispositif informatique pour détecter les vrais positifs et les faux positifs par rapport à la sortie du PDST pour détecter les points d’entrée de sable en fond de puits. En raison des impacts de sable en fond de puits, le PDST produit de nombreux faux positifs en ce qui concerne la détection des points d’entrée de sable en fond de puits. Cependant, le PDST peut détecter efficacement une absence de sable en fond de puits.

Le processus peut commencer par un dispositif informatique recevant une forme d’onde de série chronologique brute (action 202), qui peut également être fournie comme entrée au PSDT. La forme d’onde de série chronologique brute peut être fournie par des capteurs situés à une profondeur de diagraphie de fond de puits. Le PSDT peut analyser la forme d’onde de série chronologique brute et peut fournir un signal de sortie, qui peut être reçu par le dispositif informatique (action 204) et peut indiquer si un point d’entrée est détecté à la profondeur de diagraphie.

Le dispositif informatique peut déterminer si le signal de sortie reçu en provenance du PSDT indique que le point d’entrée de sable en fond de puits est détecté à la profondeur de diagraphie (action 206). Si le dispositif informatique détermine que le signal de sortie reçu indique qu’aucun sable n’a été détecté, alors le processus peut indiquer qu’aucun sable n’a été détecté (action 207) et le processus peut être terminé.

Sinon, si le dispositif informatique détermine que le signal de sortie reçu indique qu’un point d’entrée de sable en fond de puits a été détecté, la procédure peut déterminer si la détection de point d’entrée de sable en fond de puits était un vrai positif ou un faux positif en extrayant un certain nombre de caractéristiques sur la base de la forme d’onde de série chronologique brute (action 208) et à l’aide d’un classificateur binaire tel que, par exemple, un classificateur de forêt aléatoire (RFC) entraîné, sur la base au moins d’un sous-ensemble des caractéristiques extraites, pour déterminer si la détection du point d’entrée de sable en fond de puits est le vrai positif ou le faux positif (action 210). Si le classificateur binaire détecte le point d’entrée du sable à la profondeur de diagraphie, alors le dispositif informatique peut indiquer que la détection est le vrai positif (action 214). Sinon, le dispositif informatique peut indiquer que le point d’entrée de sable en fond de puits est le faux positif (action 212). Le processus peut alors être terminé.

Si le vrai positif est déterminé, une action corrective peut être prise. Les mesures correctives peuvent inclure l’injection de produits chimiques artificiels donnant du collant (par exemple, des agglomérants) ou de liants (conglomérats) dans un puits pour stabiliser le matériau de formation tout en maintenant une perméabilité suffisante pour permettre la production ou le colmatage du puits, ainsi que d’autres actions correctives.

Un ensemble de caractéristiques peut être dérivé de la forme d’onde de série chronologique brute reçue par le dispositif informatique, de sa version d’extraction de bruit basée sur les ondelettes et de son analyse de domaine de fréquence.

La montre un exemple d’ensemble de caractéristiques qui peuvent être extraites sur la base de la forme d’onde de série chronologique brute.

Les caractéristiques de base de la forme d’onde de série chronologique brute peuvent présenter :

nX, où X peut être 5, 25, 50 (médian), 75 et 95, représentant un centile X de la série chronologique ;
mean, std, var et rms correspondent à la moyenne, à l’écart type, à la variance et aux valeurs quadratiques moyennes de la série chronologique ;
Y_cross, où Y peut avoir pour valeur 0, n5, n25, la médiane, la moyenne, n75, n95, désigne le nombre de fois que la série chronologique croise au niveau Y ;
les caractéristiques de base de densité spectrale de puissance (PSD) peuvent présenter maxPSD, mean PSD, stdPSD et fmaxPSD, qui correspondent à la valeur maximale de PSD, à la valeur moyenne de PSD, à la valeur d’écart type de PSD et une fréquence à laquelle la PSD atteint une valeur maximale des séries chronologiques ; et
d’autres caractéristiques de base peuvent présenter :
- mean_median_dis, qui désigne une distance absolue entre une moyenne et une médiane des séries chronologiques ;
- mean_Pos_diff et std_Pos_diff, qui sont la moyenne et l’écart type des éléments positifs d’une dérivée première de la série chronologique ;
- mean_Neg_diff et std_Neg_diff, qui désignent la moyenne et l’écart type des éléments négatifs de la dérivée première de la série chronologique ; et
- meanPos_meanNeg_dis, qui est une distance absolue entre la moyenne des éléments positifs et la moyenne des éléments négatifs de la dérivée première des séries chronologiques.

Certaines caractéristiques de base sont illustrées sur les figures 4A et 4B.

La illustre des graphiques de formes d’onde de séries chronologiques brutes. Sur un graphique supérieur, une partie d’une série chronologique tracée apparaissant sous une première ligne pointillée à environ une valeur de 15 d’un axe vertical représente 95 % de la série chronologique (n95). Une partie de la série chronologique tracée apparaissant sous une seconde ligne tracée à environ une valeur de 10 de l’axe vertical représente 75 % de la série chronologique (n75). Le nombre de fois que la série chronologique croise au niveau n95 (n95-cross) est de 248. Le nombre de fois que la série chronologique croise au niveau n75 (n75_cross) est de 832. Sur un graphique inférieur de la , un tracé d’une forme d’onde de série chronologique brute à partir d’une profondeur de diagraphie différente est illustré. Dans ce graphique, une partie de la série chronologique sous une première ligne pointillée à environ une valeur de 18 de l’axe vertical représente 95 % de la série chronologique (n95). Une partie de la série chronologique tracée apparaissant sous une seconde ligne tracée à environ une valeur de 10 de l’axe vertical représente 75 % de la série chronologique (n95). Le nombre de fois que la série chronologique croise au niveau n95 (n95-cross) est de 170. Le nombre de fois que la série chronologique croise au niveau n75 (n75_cross) est de 460.

La illustre des graphiques d’une dérivée première de formes d’onde de séries chronologiques brutes. Sur un graphique supérieur de la , une partie d’une série chronologique tracée apparaissant sous une ligne pointillée à environ une valeur de 2 de l’axe vertical représente 95 % de la dérivée première de la forme d’onde de série chronologique (n95-diff). Le nombre de fois que la dérivée première de la forme d’onde de série chronologique croise à un niveau n95 (n95_cross_diff) est de 46. Le nombre de fois que la dérivée première de la forme d’onde de série chronologique croise à un niveau de zéro (zero_cross_diff) est de 35,39. Un écart type des éléments négatifs de la dérivée première de la forme d’onde de série chronologique (std_neg_diff) est de 4,394. Un écart type des éléments positifs de la dérivée première de la forme d’onde de série chronologique (std_pos_diff) est de 1,717.

Pour amplifier une différence dans une forme d’impulsion d’une forme d’onde de série chronologique brute, une transformée en ondelettes peut être adoptée pour extraire le bruit de la forme d’onde de série chronologique brute. Une forme standard d’un pic de sable à jet tunnel montre une décroissance exponentielle. Une fonction ondelette mère « db2 », montre une décroissance exponentielle similaire à celle illustrée sur la . Une partie de bruit de la forme d’onde de série chronologique brute, extraite sur la base de la transformée en ondelettes, est utilisée pour calculer un ensemble de caractéristiques similaires à l’ensemble de fonctionnalités de base. Pour distinguer les caractéristiques basées sur la transformée en ondelettes, un préfixe « wl_ » est ajouté aux notations de caractéristiques, comme le montre la .

En plus des caractéristiques de densité spectrale de puissance (PSD), qui sont calculées pour la forme d’onde de série chronologique brute et la forme d’onde de bruit extraite basée sur les ondelettes, les caractéristiques d’un domaine de fréquence peuvent être calculées sur la base d’une transformée de Fourier rapide (FFT), d’une fonction d’autocorrélation (ACF) et d’une fonction d’autocorrélation partielle (PACF) de la forme d’onde de série chronologique brute. Celles-ci sont présentées dans cette spécification comme suit :

maxFFT, minFFT et mean FFT sont respectivement une valeur maximale, une valeur minimale et une valeur moyenne de la FFT ;
maxFFT_pos et minFFT_pos sont respectivement une position d’une FFT maximale et une position d’une FFT minimale ;
mean_5acf et mean_5pacf sont respectivement une moyenne des cinq premiers coefficients de l’ACF et une moyenne des cinq premiers coefficients de la PACF ;
mean_acf et mean_pacf sont respectivement une moyenne des quarante premiers coefficients de l’ACF et une moyenne des quarante premiers coefficients de la PACF ;
range_acf et range_pacf sont respectivement les distances entre les valeurs les plus élevées et les plus basses des quarante premiers coefficients de l’ACF et les quarante premiers coefficients de la PACF ; et

max_acf_pos et max_pacf_pos sont respectivement une position du maximum des quarante premiers coefficients de l’ACF et une position du maximum des quarante premiers coefficients de la PACF.

Comme indiqué ci-dessus, de nombreuses caractéristiques peuvent être extraites sur la base d’une forme d’onde de série chronologique brute. Dans divers modes de réalisation, certaines caractéristiques peuvent être éliminées en tant que candidats pour un sous-ensemble de caractéristiques qui peuvent être prises en compte pour former des arbres de décision d’un classificateur de forêt aléatoire. Sur la base d’un ensemble de données qui présente des étiquettes d’experts pour la détection vraie et fausse du point d’entrée de sable en fond de puits, les caractéristiques colinéaires et de faible importance peuvent être retirées de la considération pour une utilisation avec les arbres de décision d’un RFC selon les critères suivants :

des caractéristiques avec une seule valeur unique ;
des caractéristiques avec une amplitude de corrélation supérieure à 0,9 ; et
des caractéristiques qui ne contribuent pas à une importance cumulative de 0,9.

Pour mettre en œuvre le critère (ii), un score de corrélation de Pearson est utilisé pour regrouper des groupes d’entités sur la base d’un algorithme de classification hiérarchique agglomérée avec un seuil de corrélation d’amplitude de 0,9. Ensuite, une seule caractéristique représentative avec la corrélation la plus élevée avec une étiquette cible est sélectionnée dans chaque groupe et les caractéristiques restantes de chaque groupe sont retirées de la considération pour une utilisation avec les arbres de décision du RFC.

Pour mettre en œuvre le critère (iii), un simple RFC est utilisé pour s’entraîner avec l’ensemble de données. Un score d’importance sur la base d’une mesure d’impureté de Gini est utilisé pour supprimer les caractéristiques qui ne contribuent pas à une importance cumulée de 0,9.

La est un organigramme qui illustre un processus qui peut être exécuté, selon certains modes de réalisation, par un dispositif informatique pour éliminer certaines des caractéristiques en tant que candidats pour un sous-ensemble de caractéristiques, sur la base d’une forme d’onde de série chronologique brute, et le choix de caractéristiques, à partir d’un groupe de caractéristiques non éliminées en tant que candidats, à prendre en compte pour former les arbres de décision d’un RFC.

Le processus peut commencer avec l’élimination, par le dispositif informatique, des caractéristiques d’être des candidats pour le sous-ensemble de caractéristiques à considérer pour une utilisation dans la formation d’arbres de décision pour un RFC, comme discuté précédemment (action 602). Ensuite, un sous-ensemble de caractéristiques restantes non éliminées comme étant les candidats peut être sélectionné au hasard (action 604). Ensuite, le dispositif informatique peut déterminer, pour chaque paire de caractéristiques du sous-ensemble de caractéristiques sélectionné au hasard, une probabilité de détection d’un point d’entrée de sable en fond de puits, étant donné que le PDST a fourni un résultat réel en ce qui concerne la détection de point d’entrée de sable en fond de puits. La probabilité peut être déterminée sur la base de l’utilisation de données d’entraînement et d’étiquettes d’experts indiquant des résultats connus de détection de point d’entrée de sable (action 606). Une probabilité moyenne de détection d’un point d’entrée de sable en fond de puits peut être calculée pour chaque groupe de classificateurs d’arbres de décision qui utilisent une même caractéristique du sous-ensemble de caractéristiques appariée avec une autre caractéristique du sous-ensemble de caractéristiques (action 608). Suite à l’action 608, le dispositif informatique peut former un RFC sur la base d’un groupe de classificateurs d’arbre de décision ayant une probabilité moyenne la plus élevée de détecter les points d’entrée de sable en fond de puits par rapport à d’autres groupes de classificateurs d’arbre de décision (action 610). Dans certains modes de réalisation, les classificateurs d’arbre de décision peuvent être limités à une profondeur de 4.

La est un tableau montrant des exemples de probabilités de détection d’un point d’entrée de sable en fond de puits, étant donné que le PDST a rapporté vrai en ce qui concerne la détection de point d’entrée de sable en fond de puits, pour les arbres de décision sur la base du sous-ensemble de caractéristiques et de données de formation, y compris les étiquettes d’experts concernant les points d’entrée de sable en fond de puits. Dans la , les caractéristiques comprennent std_neg_diff, wl_std_diff, wl_zero_cross_diff, mean_5acf, mean_5acf, et mean_5pcf.

En regardant la , il est clair que la colonne qui est étiquetée « mean_5acf » a la probabilité moyenne la plus élevée de détecter un point d’entrée de sable en fond de puits, étant donné que le PDST a signalé la détection de point d’entrée de sable en fond de puits. Ainsi, un RFC peut être formé à l’aide d’arbres de décision sur la base de la caractéristique mean_5acf appariée à l’une des caractéristiques std_neg_diff, wl_std_diff, wl_zero_cross_diff, et mean_5pacf.

Dans certains modes de réalisation, les procédés de la présente invention peuvent être exécutés par un système informatique. La illustre un exemple d’un tel système informatique 800, conformément à certains modes de réalisation. Le système informatique 800 peut présenter un ordinateur ou un système informatique 801A, qui peut être un système informatique individuel 801A ou un agencement de systèmes informatiques distribués. Le système informatique 801A présente un ou plusieurs modules d’analyse 802 qui sont configurés pour effectuer diverses tâches selon certains modes de réalisation, tels qu’un ou plusieurs procédés décrits ici. Pour effectuer ces différentes tâches, le module d’analyse 802 exécute indépendamment un ou plusieurs processeurs 804, ou en coordination avec ceux-ci, qui est (ou sont) connecté(s) à un ou à plusieurs supports de stockage 806. Le(s) processeur(s) 804 est (ou sont) également connecté(s) à une interface réseau 807 pour permettre au système informatique 801A de communiquer sur un réseau de données 809 avec un ou plusieurs systèmes informatiques supplémentaires, et/ou systèmes informatiques, tels que 801B, 801C, et/ou 801D (notez que les systèmes informatiques 801B, 801C et/ou 801D peuvent ou non partager la même architecture que le système informatique 801A, et peuvent être situés dans différents emplacements physiques, par exemple, les systèmes informatiques 801A et 801B peuvent être situés dans une installation de traitement, tout en étant en communication avec un ou plusieurs systèmes informatiques tels que 801C et/ou 801D qui sont situés dans un ou plusieurs centres de données, et/ou situés dans différents pays sur différents continents).

Un processeur peut comprendre un microprocesseur, un microcontrôleur, un module ou un sous-système de processeur, un circuit intégré programmable, un réseau de portes programmable ou un autre dispositif de commande ou informatique.

Le support de stockage 806 peut être mis en œuvre comme un ou plusieurs supports de stockage lisibles par ordinateur ou lisibles par machine. Notez que, tandis que dans l’exemple de mode de réalisation de la , le support de stockage 806 est représenté comme dans le système informatique 801A, dans certains modes de réalisation, le support de stockage 806 peut être distribué dans et/ou sur plusieurs boîtiers internes et/ou externes du système informatique 801A et/ou des systèmes informatiques supplémentaires. Les supports de stockage 806 peuvent présenter une ou plusieurs formes différentes de mémoire, y compris des dispositifs de mémoire à semi-conducteurs tels que des mémoires à accès aléatoire dynamiques ou statiques (DRAM ou SRAM), des mémoires en lecture seule effaçables et programmables (EPROM), des mémoires effaçables électriquement et en lecture seule programmables (EEPROM) et des mémoires flash, des disques magnétiques tels que des fixes, des disquettes et des disques amovibles, d’autres supports magnétiques, y compris la bande, les supports optiques tels que des disques compacts (CD) ou des disques vidéo numériques (DVD), des disques BLURAY^®, ou d’autres types de stockage optique ou d’autres types de dispositifs de stockage. Notez que les instructions décrites ci-dessus peuvent être fournies sur un support de stockage lisible par ordinateur ou lisible par machine, ou peuvent être fournies sur plusieurs supports de stockage lisibles par ordinateur ou lisibles par machine distribués dans un grand système ayant éventuellement plusieurs nœuds. Ce(s) support(s) de stockage lisible(s) par ordinateur ou par machine sont considéré(s) comme faisant partie d’un article (ou d’un article manufacturé). Un article ou un article manufacturé peut faire référence à n’importe quel composant unique fabriqué ou à plusieurs composants. Le(s) support(s) de stockage peuvent être situés soit dans la machine exécutant les instructions lisibles par machine, soit situés sur un site distant à partir duquel des instructions lisibles par machine peuvent être téléchargées sur un réseau pour exécution.

Dans certains modes de réalisation, le système informatique 800 contient un ou plusieurs modules de détection de point d’entrée de sable 808. Dans l’exemple du système informatique 800, le système informatique 801A présente le ou les modules de détection de point d’entrée de sable 808. Dans certains modes de réalisation, un seul module de détection de point d’entrée de sable 808 peut être utilisé pour exécuter certains aspects d’un ou plusieurs modes de réalisation des procédés décrits ici. Dans d’autres modes de réalisation, une pluralité de modules de détection de point d’entrée de sable 808 peuvent être utilisés pour exécuter certains aspects des procédés ici.

Il convient de noter que le système informatique 800 n’est qu’un exemple de système informatique, et que le système informatique 800 peut avoir plus ou moins de composants que celui illustré, peut combiner des composants supplémentaires non illustrés dans l’exemple de mode de réalisation de la , et/ou le système informatique 800 peut avoir une configuration ou un agencement différent des composants représentés sur la . Les divers composants représentés sur la peuvent être mis en œuvre dans le matériel, le logiciel ou une combinaison de matériel et de logiciel, y compris un ou plusieurs traitements de signal et/ou circuits intégrés spécifiques à l’application.

En outre, les étapes des procédés de traitement décrits ici peuvent être mises en œuvre en exécutant un ou plusieurs modules fonctionnels dans des appareils de traitement de l’information tels que des processeurs à usage général ou des puces spécifiques à une application, telles que des ASIC, des FPGA, des PLD ou d’autres dispositifs appropriés. Ces modules, combinaisons de ces modules, et/ou leur combinaison avec du matériel général sont inclus dans la portée de la présente invention.

Des interprétations informatiques, des modèles, et/ou d’autres aides à l’interprétation peuvent être affinés de façon itérative ; ce concept est applicable aux procédés discutés ici. Cela peut inclure l’utilisation de boucles de rétroaction exécutées sur une base algorithmique, comme dans un dispositif informatique (par exemple, le système informatique 800, ), et/ou par une commande manuelle par un utilisateur qui peut déterminer si une étape, une action, une matrice, un modèle ou un ensemble de courbes donné est devenu suffisamment précis pour l’évaluation de la formation géologique tridimensionnelle souterraine considérée.

La description qui précède, à des fins d’explication, a été décrite en référence à des modes de réalisation spécifiques. Cependant, les discussions illustratives ci-dessus ne sont pas censées être exhaustives ou limitées aux formes précises divulguées. De nombreuses modifications et variations sont possibles à la lumière des enseignements ci-dessus. De plus, l’ordre dans lequel les éléments des procédés décrits ici sont illustrés et décrits peut être réorganisé, et/ou deux éléments ou plus peuvent se produire simultanément. Les modes de réalisation ont été choisis et décrits pour expliquer au mieux les principes de l’invention et ses applications pratiques, et pour permettre ainsi à d’autres hommes du métier d’utiliser au mieux les modes de réalisation divulgués et divers modes de réalisation avec diverses modifications adaptées à l’utilisation particulière envisagée.

Claims

Procédé de détection de points d’entrée de sable en fond de puits, le procédé comprenant :
la réception (202), par un dispositif informatique, d’une sortie de détection de sable d’un outil de détection de sable de produit et d’une forme d’onde de série chronologique brute correspondant à une entrée de l’outil de détection de sable de produit ;
la détection (206), par le dispositif informatique, d’au moins un point d’entrée de sable en fond de puits à une profondeur de diagraphie sur la base de la sortie de détection de sable de l’outil de détection de sable de produit ;
en réponse à la détection (206) de l’au moins un point d’entrée de sable en fond de puits, la réalisation :
de l’extraction (208), par le dispositif informatique, d’un sous-ensemble de caractéristiques sur la base de la forme d’onde de série chronologique brute,
du fait de déterminer (210), par le dispositif informatique, si la détection (206) de l’au moins un point d’entrée de sable en fond de puits est un vrai positif ou un faux positif sur la base du sous-ensemble extrait des caractéristiques et d’un classificateur de forêt aléatoire (RFC) entraîné, et
d’une action corrective concernant l’au moins un point d’entrée de sable en fond de puits en réponse à la détermination (210) du fait que la détection est le vrai positif.
Procédé selon la revendication 1, comprenant en outre :
l’entraînement d’un classificateur de forêt aléatoire (RFC) pour produire le classificateur de forêt aléatoire (RFC) entraîné, l’entraînement comprenant en outre :
la sélection aléatoire (604), par le dispositif informatique, des caractéristiques sur la base de la forme d’onde de série chronologique brute pour produire le sous-ensemble des caractéristiques ;
la détermination, par le dispositif informatique, des caractéristiques appariées du sous-ensemble de caractéristiques qui ont une probabilité moyenne de détection plus élevée que d’autres des caractéristiques appariées sur la base de l’utilisation d’un ensemble d’entraînement des caractéristiques et des résultats de point d’entrée de sable connus ; et
la construction (610), par le dispositif informatique, du classificateur de forêt aléatoire (RFC) entraîné sur la base d’une pluralité d’arbres de décision, chacun des arbres de décision étant basé sur une paire respective des caractéristiques appariées du sous-ensemble de caractéristiques ayant la probabilité moyenne de détection la plus élevée.
Procédé selon la revendication 2, comprenant en outre :
l’élimination (602), par le dispositif informatique, comme candidats pour le sous-ensemble de caractéristiques, des caractéristiques avec une seule valeur unique, des caractéristiques avec une amplitude de corrélation supérieure à 0,9 par rapport à une autre des caractéristiques, et des caractéristiques qui ne contribuent pas à une importance cumulative d’au moins 0,9, dans lequel :
la sélection aléatoire (604) des caractéristiques sur la base de la forme d’onde de série chronologique brute pour produire le sous-ensemble des caractéristiques comprend en outre :
la sélection aléatoire du sous-ensemble de caractéristiques parmi les caractéristiques non éliminées en tant que candidats pour le sous-ensemble de caractéristiques.
Procédé selon la revendication 2, comprenant en outre :
la détermination (606), par le dispositif informatique, d’une probabilité de détection de point d’entrée de sable sur la base d’arbres de décision formés à partir de chaque caractéristique du sous-ensemble de caractéristiques appariée avec une autre caractéristique du sous-ensemble de caractéristiques ;
la détermination (608), par le dispositif informatique, d’une probabilité moyenne de détection de point d’entrée de sable de chacun des arbres de décision qui apparie un même sous-ensemble de caractéristiques à chaque caractéristique respective différente des sous-ensembles de caractéristiques ;
la détermination, par le dispositif informatique, du groupe d’arbres de décision qui apparie la même caractéristique du sous-ensemble de caractéristiques avec chaque caractéristique différente respective du sous-ensemble de caractéristiques qui a une probabilité moyenne de détection de point d’entrée de sable la plus élevée ; et
la sélection, par le dispositif informatique, d’une paire du sous-ensemble de caractéristiques pour les arbres de décision du classificateur de forêt aléatoire (RFC) entraîné sur la base du groupe d’arbres de décision qui apparie la même caractéristique du sous-ensemble de caractéristiques avec chacune des caractéristiques différentes respectives des sous-ensembles de caractéristiques ayant la probabilité moyenne de détection de point d’entrée de sable la plus élevée.
Procédé selon la revendication 1, comprenant en outre :
la création, par le dispositif informatique, d’une transformée en ondelettes de la forme d’onde de série chronologique brute ;
l’extraction, par le dispositif informatique, d’une partie de bruit de la forme d’onde en ondelettes ; et
l’extraction, par le dispositif informatique, d’au moins certaines des caractéristiques sur la base de la partie de bruit de la transformée en ondelettes.
Procédé selon la revendication 1, dans lequel les caractéristiques extraites comprennent des caractéristiques de domaine de fréquence, des caractéristiques de base et des caractéristiques basées sur des ondelettes.
Système informatique (800) pour détecter des points d’entrée de sable en fond de puits, le système informatique (800) comprenant :
au moins un processeur (804) ; et
une mémoire (806) connectée à l’au moins un processeur (804), dans lequel la mémoire (806) présente des instructions pour configurer le système informatique (800) pour effectuer des opérations comprenant :
la réception (202) d’une sortie de détection de sable d’un outil de détection de sable de produit et d’une forme d’onde de série chronologique brute correspondant à une entrée de l’outil de détection de sable de produit ;
la détection (206) d’au moins un point d’entrée de sable en fond de puits à une profondeur de diagraphie sur la base de la sortie de détection de sable de l’outil de détection de sable de produit ;
en réponse à la détection (206) de l’au moins un point d’entrée de sable en fond de puits, la réalisation :
de l’extraction (208) d’un sous-ensemble de caractéristiques sur la base de la forme d’onde de série chronologique brute,
du fait de déterminer (210) si la détection (206) de l’au moins un point d’entrée de sable en fond de puits est un vrai positif ou un faux positif sur la base du sous-ensemble extrait des caractéristiques et d’un classificateur de forêt aléatoire (RFC) entraîné, et
d’une action corrective concernant l’au moins un point d’entrée de sable en fond de puits en réponse à la détermination (210) du fait que la détection est le vrai positif.
Système informatique (800) selon la revendication 7, dans lequel les opérations comprennent en outre :
l’entraînement d’un classificateur de forêt aléatoire (RFC) pour produire le classificateur de forêt aléatoire (RFC) entraîné, l’entraînement comprenant en outre :
la sélection aléatoire (604) des caractéristiques sur la base de la forme d’onde de série chronologique brute pour produire le sous-ensemble des caractéristiques ;
la détermination des caractéristiques appariées du sous-ensemble de caractéristiques qui ont une probabilité moyenne de détection de point d’entrée de sable plus élevée que d’autres des caractéristiques appariées sur la base de l’utilisation d’un ensemble d’entraînement des caractéristiques et des résultats de point d’entrée de sable connus ; et
la construction (610), par le système informatique (800), du classificateur de forêt aléatoire (RFC) entraîné sur la base d’une pluralité d’arbres de décision, dont chacun est basé sur une paire respective des caractéristiques appariées du sous-ensemble de caractéristiques ayant la probabilité moyenne de détection de point d’entrée de sable la plus élevée.
Système informatique (800) selon la revendication 8, dans lequel les opérations comprennent en outre :
l’élimination (602), comme candidats pour le sous-ensemble de caractéristiques, des caractéristiques avec une seule valeur unique, des caractéristiques avec une amplitude de corrélation supérieure à 0,9 par rapport à une autre des caractéristiques, et des caractéristiques qui ne contribuent pas à une importance cumulative d’au moins 0,9, dans lequel :
la sélection aléatoire (604) des caractéristiques sur la base de la forme d’onde de série chronologique brute pour produire le sous-ensemble des caractéristiques comprend en outre :
la sélection aléatoire du sous-ensemble de caractéristiques parmi les caractéristiques non éliminées en tant que candidats pour le sous-ensemble de caractéristiques.
Système informatique (800) selon la revendication 8, dans lequel les opérations comprennent en outre :
la détermination (606) d’une probabilité de détection de point d’entrée de sable sur la base d’arbres de décision formés à partir de chaque caractéristique du sous-ensemble de caractéristiques appariée avec une autre caractéristique du sous-ensemble de caractéristiques ;
la détermination (608) d’une probabilité moyenne de détection de point d’entrée de sable de chacun des arbres de décision qui apparie un même sous-ensemble des sous-ensembles de caractéristiques à chaque caractéristique respective différente des sous-ensembles de caractéristiques ;
la détermination du groupe d’arbres de décision qui apparie la même caractéristique du sous-ensemble de caractéristiques avec chaque caractéristique différente respective du sous-ensemble de caractéristiques qui a une probabilité moyenne de détection de point d’entrée de sable la plus élevée ; et
la sélection d’une paire du sous-ensemble de caractéristiques pour les arbres de décision du classificateur de forêt aléatoire (RFC) entraîné sur la base du groupe d’arbres de décision qui apparie la même caractéristique du sous-ensemble de caractéristiques avec chacune des caractéristiques différentes respectives des sous-ensembles de caractéristiques ayant la probabilité moyenne de détection de point d’entrée de sable la plus élevée.
Système informatique (800) selon la revendication 7, dans lequel les opérations comprennent en outre :
la création d’une transformée en ondelettes de la forme d’onde de série chronologique brute ;
l’extraction d’une partie de bruit de la forme d’onde en ondelettes ; et
l’extraction d’au moins certaines des caractéristiques sur la base de la partie de bruit de la transformée en ondelettes.
Système informatique (800) selon la revendication 7, dans lequel le classificateur de forêt aléatoire (RFC) entraîné comprend des classificateurs d’arbre de décision avec une profondeur maximale de 4.
Support non transitoire lisible par machine sur lequel sont enregistrées des instructions pour un processeur d’un dispositif informatique afin d’effectuer des opérations comprenant :
la réception (202) d’une sortie de détection de sable d’un outil de détection de sable de produit et d’une forme d’onde de série chronologique brute correspondant à une entrée de l’outil de détection de sable de produit ;
la détection (206) d’au moins un point d’entrée de sable en fond de puits à une profondeur de diagraphie sur la base de la sortie de détection de sable de l’outil de détection de sable de produit ;
en réponse à la détection (206) de l’au moins un point d’entrée de sable en fond de puits, la réalisation :
de l’extraction (208) d’un sous-ensemble de caractéristiques sur la base de la forme d’onde de série chronologique brute,
du fait de déterminer (210) si la détection (206) de l’au moins un point d’entrée de sable en fond de puits est un vrai positif ou un faux positif sur la base du sous-ensemble extrait des caractéristiques et d’un classificateur de forêt aléatoire (RFC) entraîné, et
d’une action corrective concernant l’au moins un point d’entrée de sable en fond de puits en réponse à la détermination (210) du fait que la détection est le vrai positif.
Support non transitoire lisible par machine selon la revendication 13, dans lequel les opérations comprennent en outre :
l’entraînement d’un classificateur de forêt aléatoire (RFC) pour produire le classificateur de forêt aléatoire (RFC) entraîné, l’entraînement comprenant en outre :
la sélection aléatoire (604) des caractéristiques sur la base de la forme d’onde de série chronologique brute pour produire le sous-ensemble des caractéristiques ;
la détermination des caractéristiques appariées du sous-ensemble de caractéristiques qui ont une probabilité moyenne de détection de point d’entrée de sable plus élevée que d’autres des caractéristiques appariées sur la base de l’utilisation d’un ensemble d’entraînement des caractéristiques et des résultats de point d’entrée de sable connus ; et
la construction (610), par le dispositif informatique, du classificateur de forêt aléatoire (RFC) entraîné sur la base d’une pluralité d’arbres de décision, dont chacun est basé sur une paire respective des caractéristiques appariées du sous-ensemble de caractéristiques ayant la probabilité moyenne de détection de point d’entrée de sable la plus élevée.
Support non transitoire lisible par machine selon la revendication 14, dans lequel les opérations comprennent en outre :
l’élimination (602), comme candidats pour le sous-ensemble de caractéristiques, des caractéristiques avec une seule valeur unique, des caractéristiques avec une amplitude de corrélation supérieure à 0,9 par rapport à une autre des caractéristiques, et des caractéristiques qui ne contribuent pas à une importance cumulative d’au moins 0,9, dans lequel :
la sélection aléatoire (604) des caractéristiques sur la base de la forme d’onde de série chronologique brute pour produire le sous-ensemble des caractéristiques comprend en outre :
la sélection aléatoire du sous-ensemble de caractéristiques parmi les caractéristiques non éliminées en tant que candidats pour le sous-ensemble de caractéristiques.
Support non transitoire lisible par machine selon la revendication 14, dans lequel les opérations comprennent en outre :
la détermination (606) d’une probabilité de détection de point d’entrée de sable sur la base d’arbres de décision formés à partir de chaque caractéristique du sous-ensemble de caractéristiques appariée avec une autre caractéristique du sous-ensemble de caractéristiques ;
la détermination (608) d’une probabilité moyenne de détection de point d’entrée de sable de chacun des arbres de décision qui apparie un même sous-ensemble des sous-ensembles de caractéristiques à chaque caractéristique respective différente des sous-ensembles de caractéristiques ;
la détermination du groupe d’arbres de décision qui apparie la même caractéristique du sous-ensemble de caractéristiques avec chaque caractéristique différente respective du sous-ensemble de caractéristiques qui a une probabilité moyenne de détection de point d’entrée de sable la plus élevée ; et
la sélection d’une paire du sous-ensemble de caractéristiques pour les arbres de décision du classificateur de forêt aléatoire (RFC) entraîné sur la base du groupe d’arbres de décision qui apparie la même caractéristique du sous-ensemble de caractéristiques avec chacune des caractéristiques différentes respectives des sous-ensembles de caractéristiques pour les arbres de décision ayant la probabilité moyenne de détection de point d’entrée de sable la plus élevée.
Support non transitoire lisible par machine selon la revendication 14, dans lequel le classificateur de forêt aléatoire entraîné comprend des classificateurs d’arbre de décision avec une profondeur maximale de 4.