Apprentissage automatique hiérarchique (AutoML) pour une caractérisation avancée des réservoirs non conventionnels

Rapports scientifiques volume 13, Numéro d'article : 13812 (2023) Citer cet article

139 Accès

1 Altmétrique

Détails des métriques

Les progrès récents en matière d’apprentissage automatique (ML) ont transformé le paysage de l’exploration énergétique, notamment les hydrocarbures, le stockage du CO2 et l’hydrogène. Cependant, la construction de modèles ML compétents pour la caractérisation des réservoirs nécessite des connaissances spécifiques approfondies afin d'affiner les modèles et d'obtenir les meilleures prédictions, ce qui limite l'accessibilité de l'apprentissage automatique en géosciences. Pour atténuer ce problème, nous avons mis en œuvre l'approche d'apprentissage automatique automatisé (AutoML) récemment apparue pour effectuer une recherche d'algorithme permettant de mener une caractérisation de réservoir non conventionnelle avec un flux de travail plus optimisé et accessible que les approches ML traditionnelles. Dans cette étude, plus de 1 000 puits des sables bitumineux d'Athabasca en Alberta ont été analysés pour prédire diverses propriétés clés du réservoir telles que les lithofaciès, la porosité, le volume de schiste et le pourcentage massique de bitume. Le flux de travail proposé comprend deux étapes de prédictions AutoML, dont (1) la première étape se concentre sur la prévision du volume de schiste et de la porosité à l'aide de données de journalisation de puits conventionnelles, et (2) la deuxième étape combine les résultats prédits avec les données de journalisation de puits pour prévoir les lithofaciès et le pourcentage de bitume. Les résultats montrent que sur les dix modèles différents testés pour prédire la porosité (78 % de précision), le volume de schiste (80,5 %), le pourcentage de bitume (67,3 %) et la classification des lithofaciès (98 %), une forêt aléatoire distribuée, et la machine d'augmentation de gradient est apparue comme les meilleurs modèles. Par rapport aux algorithmes d'apprentissage automatique conventionnels affinés manuellement, les algorithmes basés sur AutoML offrent une amélioration notable des prédictions des propriétés des réservoirs, avec des scores f1 moyens pondérés plus élevés allant jusqu'à 15 à 20 % dans le problème de classification et 5 à 10 % dans le score R2 ajusté pour les problèmes de régression dans l'ensemble de données de test en aveugle, et il n'est obtenu qu'après environ 400 s de processus de formation et de test. De plus, à partir de la technique d’extraction du classement des caractéristiques, il existe un bon accord avec les experts du domaine concernant les paramètres d’entrée les plus significatifs dans chaque prédiction. Par conséquent, il est prouvé que le flux de travail AutoML s'est avéré puissant pour effectuer une analyse pétrophysique avancée et une caractérisation des réservoirs avec un minimum de temps et d'intervention humaine, permettant une plus grande accessibilité aux experts du domaine tout en maintenant l'explicabilité du modèle. L'intégration d'AutoML et d'experts en la matière pourrait faire progresser la mise en œuvre de la technologie d'intelligence artificielle dans l'optimisation des géosciences énergétiques basées sur les données.

Les données diagraphiques de puits souterrains peuvent fournir des informations cruciales sur la variabilité spatiale et temporelle des lithofaciès de dépôt et les propriétés pétrophysiques des zones de réservoir, permettant une évaluation plus complète du réservoir1,2,3. De plus, les données diagraphiques de puits sont généralement plus abondantes dans la plupart des puits que d'autres données souterraines, telles que les carottes. Malgré son efficacité, la diagraphie des puits présente certaines limites en ce qui concerne le niveau d'incertitude dans des contextes de dépôt hétérogènes et les besoins de pétrophysiciens expérimentés pour effectuer le traitement et l'interprétation des données4,5. Dans l’exploration des hydrocarbures, l’analyse pétrophysique, telle que la classification des lithofaciès et la prévision de la porosité, est l’un des domaines les plus actifs dans lesquels l’apprentissage automatique peut être appliqué6,7. Cela est principalement dû au fait que les données pétrophysiques sont bien structurées et bien définies en termes de modèles physiques. En conséquence, de nombreux algorithmes sophistiqués d’apprentissage automatique peuvent être appliqués aux données pétrophysiques7. Ceci est encore renforcé par l’émergence de la technologie de l’intelligence artificielle et la disponibilité de volumes massifs d’ensembles de données souterraines qui ont ouvert la voie à des algorithmes avancés d’apprentissage automatique. À la suite des travaux fondateurs de Wong8, qui constituent l'une des premières tentatives réussies d'application de réseaux de neurones artificiels pour prédire la porosité, de nombreuses tentatives ont été introduites pour utiliser divers modèles d'apprentissage automatique supervisés et non supervisés pour prédire différentes propriétés pétrophysiques. Al-Anazi et Gates9 ont utilisé la régression vectorielle de support pour prédire la porosité dans un réservoir hétérogène. De plus, Chen et al.10 ont mis en œuvre un algorithme d’apprentissage profond pour prédire la porosité. Cette approche pourrait réduire les erreurs lorsque des données limitées sont disponibles et que différentes profondeurs de log sont présentes. Récemment, une étude réalisée par Yang11 a utilisé un modèle de transformateur d'apprentissage profond de pointe pour prédire la porosité et a obtenu une grande précision. Plusieurs travaux ont également étendu l’application de l’apprentissage automatique pour effectuer des prévisions de perméabilité dans les réservoirs siliciclastiques et carbonatés12,13.