Inventaire Dynamique des Emissions de Méthane pour l'Industrie Pétrolière et Gazière basé sur l'Intelligence Artificielle

Dynamic Methane Inventory for Oil and Gas Industry based on Artificial Intelligence

• Auteur / Autrice : Jade Eva Guisiano
• Direction : Jérémie Sublime, Éric Moulines, Thomas Lauvaux
• Type : Thèse de doctorat
• Discipline(s) : Sciences de l'ingénieur
• Date : Soutenance le 24/06/2024
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d’Informatique, Signal et Image, Électronique et Télécommunication (Paris)
• Jury : Examinateurs / Examinatrices : Silvia Ullo, Alexandre d' Aspremont, Steven Wofsy
• Jury : Rapporteurs / Rapporteuses : Gabriele Facciolo, Luis Guanter

Mots clés

Mots clés contrôlés

Gaz à effet de serre -- Réduction

Méthane atmosphérique

Détection des anomalies (informatique)

Imagerie satellitaire

Apprentissage automatique

Mots clés libres

Intelligence artificielle

Méthane

Pétrole et gaz

Imagerie satellitaires

Inventaire GES

Changement climatique

Artificial intelligence

Methane

Oil et gas

Satellite images

GHG inventory

Climate change

Résumé

Le méthane atmosphérique est responsable d'environ la moitié du réchauffement climatique depuis l'époque préindustrielle, par rapport à l'influence humaine totale nette. Le secteur pétrolier et gazier se classe au deuxième rang des sources anthropiques de méthane malgré la possibilité d'une réduction de 39 % de ses émissions sans coût net. Cependant, le manque de données fiables sur les émissions nuit à la capacité des gouvernements à mettre en œuvre des mesures d'atténuation efficaces à l'échelle et à la vitesse nécessaires pour atteindre les objectifs fixés par le Global Mthane Pledge. Afin de définir des objectifs, des politiques et des stratégies spécifiques au méthane, les pays ont l'habitude de s'appuyer sur les inventaires nationaux des émissions de méthane. Ces derniers, principalement dérivés de méthodes ascendantes (facteurs d'émissions), sont bien connus dans la littérature pour démontrer une sous-estimation systématique des émissions de méthane provenant de la chaîne d'approvisionnement pétrolière et gazière (O&G). Cela remet en question l'utilisation de méthodologies ascendantes pour estimer les inventaires d'émissions, qui sont ensuite utilisés pour concevoir des lignes directrices réglementaires pour l'atténuation des émissions de méthane. Des informations incomplètes et imprécises sur les niveaux d'émission réels constituent un obstacle majeur à la réduction des émissions de méthane. Cependant, une quantité croissante de données sur les émissions de méthane émerge grâce au lancement régulier de nouveaux satellites ponctuels dédiés aux mesures de concentration de méthane avec une résolution plus élevée, une plus grande couverture et des seuils de détection plus sensibles. Avec des techniques de traitement adéquates, les données issues de ces technologies de surveillance par satellite sont un élément clé pour permettre la caractérisation du niveau et de la nature des émissions de méthane. Ce travail de thèse propose ensuite un cadre de bout en bout pour un nouvel inventaire dynamique basé sur l'utilisation de méthodes d'intelligence artificielle. Ce cadre permet d'habiller automatiquement les profils d'émissions de méthane par infrastructures pétrolières et gazières, sites et opérateurs. Le cadre proposé est divisé en deux composantes :(1) Détection et reconnaissance automatisées des infrastructures pétrolières et gazières grâce à l'utilisation d'algorithmes de détection d'objets;(2) Association automatisée des détections ponctuelles de méthane aux infrastructures, sites et opérateurs pétroliers et gaziers concernés à l'aide d'une méthode basée sur le clustering.Notre cadre, lorsqu'il est lancé à plusieurs reprises au fil du temps, permet la constitution automatisée de profils d'émissions à plusieurs niveaux (séries chronologiques). Ces profils d'émissions, acquis sur une longue période, permettront de caractériser les comportements d'émission et pourront ensuite être utilisés à la base des décisions réglementaires d'atténuation des émissions de méthane.

Atmospheric methane is responsible for roughly half of the global warming since pre-industrial times, relative to the net total human influence. The oil and gas sector ranks second among anthropogenic methane sources despite the possibility of a 39% reduction of its emissions at no net cost. However, the lack of reliable emissions data impairs the ability of governments to implement effective mitigation actions at the scale and speed needed to achieve the objectives set by the Global Methane Pledge. In order to define methane-specific targets, policies, and strategies, countries are used to rely on national methane emissions inventories. These last ones, mostly derived using bottom-up methods (emissions factors) are well-known in literature to demonstrated systematic underestimation of methane emissions from the oil and gas (O&G) supply chain. This calls into question the use of bottom-up methodologies to estimate emission inventories, which are then used to design regulatory guidelines for methane emissions mitigation. Incomplete and non accurate information about actual emission levels is a key barrier to reducing methane emissions. However, a growing amount of methane emissions data emerge through the regular launch of new point source satellites dedicated to methane concentration measurements with a higher resolution, greater coverage, and have more sensitive detection thresholds. With adequate processing techniques, the data issued from these satellites monitoring technologies is a key component to make possible the characterization of the level and nature of methane emissions. This thesis works then proposes an end-to-end framework for a novel dynamic inventory based on the use of artificial intelligence methods. This framework allows to automatically dress methane emissions profiles by oil and gas infrastructures, site and operators.The proposed framework is divided into two components :Automated detection and recognition of oil and gas infrastructures with the use of object detection algorithms;Automated association of point source methane detections to concerned oil and gas infrastructures, sites and operators with the use of a clustering based method. Our framework, when launched repeatedly over time, enables the automated constitution of multi-level emissions profiles (time series). These emissions profiles, acquired on a long term period will allow the characterization of emitting behaviors and then could be used at the base of methane mitigation regulation decisions.