L’équipe de recherche de l’Université Texas A&M a développé un nouveau modèle de prédiction de réservoirs en intégrant l’apprentissage automatique et les techniques de compression de données, améliorant significativement l’efficacité et la précision de l’évaluation de la production de pétrole et de gaz. Ce modèle de prédiction de réservoirs réduit le processus de calcul traditionnellement d’environ 11 minutes à moins d’une seconde, tout en maintenant une précision de prédiction d’environ 97 %.

Le chercheur du département de génie pétrolier, Mohammed ElKadi, a souligné : « Il existe de nombreuses méthodes pour prédire la production, mais tout dépend de cela. Toute décision — qu’il s’agisse de prêts, d’études économiques ou de décisions en phase de développement — repose sur les résultats de la prédiction, car elle indique combien de pétrole, de gaz ou d’eau sera produit. » Sous la direction du Dr Siddharth Misra, l’équipe de recherche a créé une méthode de prédiction de réservoirs applicable à des conditions géologiques complexes.

Ce modèle de prédiction de réservoirs combine de manière innovante les réseaux de neurones avec des techniques de compression de données géologiques. Les chercheurs ont d’abord construit 4 000 modèles de réservoirs virtuels homogènes, chacun contenant 88 000 unités de grille, générant au total plus de 250 000 points de données. Grâce à deux techniques différentes de compression de données, les données originales ont été compressées à un rapport de 1/50 000, et un réseau de neurones a été entraîné dans un environnement Python pour prédire la production.

ElKadi a expliqué : « Les données géologiques contiennent généralement une grande quantité d’informations, dont certaines peuvent être moins importantes que d’autres. C’est là que réside la magie de la compression de données ; elle ne se contente pas de compresser les données, elle extrait également les caractéristiques importantes de ces données. » Lors des tests préliminaires, le modèle a complété la prédiction en moins d’une seconde, contre 700 secondes pour les simulateurs traditionnels, avec un taux d’erreur contrôlé à moins de 3 %.