Développement d'un modèle hybride ML et thermo-physique pour la prédiction du potentiel géothermique d'un puits existant

Development of a hybrid ML and thermo-physical model for the prediction of the geothermal potential of an existing well

• Auteur / Autrice : Mounir Benaija
• Direction : Hacene Fouchal, Mourad Rebay
• Type : Projet de thèse
• Discipline(s) : Info - Informatique
• Date : Inscription en doctorat le 01/02/2023
• Etablissement(s) : Reims
• Ecole(s) doctorale(s) : Ecole doctorale Sciences du Numérique et de l’Ingénieur (Reims, Marne)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Sciences et Technologies de l'Information et de la Communication (CRESTIC) EA 3804 (Reims, Marne)
• Partenaire(s) de recherche : Equipe de recherche : Equipe INFO-CRESTIC

Mots clés

Mots clés libres

Réseaux de neurones

Prédiction

Géothermie

Réservoirs Géothermique ESG

Modèle thermo-physiques

Machine learning model

Forcasting

Geothermal

Abandoned wells

Résumé

L'énergie géothermique est une ressource d'énergie renouvelable qui peut contribuer activement à la décarbonisation de notre planète et constituerait une vraie alternative à l'usage des énergies fossiles. Dans les champs de pétrole et de gaz, il existe de nombreux puits qui produisent des hydrocarbures depuis des décennies. Certains de ces puits ont été abandonnés en fin d'usage ou pour des problèmes économiques : ils sont estimés à plus de 20 Millions de puits abandonnés dont les profondeurs varient entre 1000 à 3000 m et les températures qui peuvent atteindre 100°C. La prévision du potentiel géothermique d'un puit existant est essentielle pour driver les investissements et calculer le cout énergétique, mais représente un énorme défi technique en raison de la gestion d'un grand nombre d'incertitudes ainsi que la relation non linéaire entre les paramètres du débit massique, pression, profondeur, résistivité, conductivité, humidité, température … L'utilisation de la simulation numérique pour prédire la productivité géothermique est très onéreuse en coût, en temps et en calcul. Plusieurs approches ML et thermo-physique ont étaient élaborés pour approcher au mieux cette prédiction. La démarche proposée dans le cadre de notre thèse repose sur la construction des modèles hybrides ML et thermo-physiques, l'évaluation et la validation de ces modèles à travers des données relevées de puit existant. Mots clefs : réseaux de neurones, réservoirs Géothermique ESG, Modèle thermo-physiques.

Geothermal energy is a renewable energy resource that can actively contribute to the decarbonization of our planet and would constitute a real alternative to the use of fossil fuels. In the oil and gas fields, there are many wells that have been producing hydrocarbons for decades. Some of these wells have been abandoned at the end of their use or for economic problems: they are estimated at more than 20 million abandoned wells whose depths vary between 1000 to 3000 m and temperatures which can reach 100°C. Predicting the geothermal potential of an existing well is essential to drive investments and calculate the energy cost, but represents a huge technical challenge due to the management of a large number of uncertainties as well as the non-linear relationship between the parameters. mass flow, pressure, depth, resistivity, conductivity, humidity, temperature Using numerical simulation to predict geothermal productivity is very expensive in cost, time and computation. Several ML and thermo-physical approaches have been developed to best approach this prediction. The approach proposed in the context of our thesis is based on the construction of hybrid ML and thermo-physical models, the evaluation and validation of these models through data collected from existing wells.