64-16cb31ec77db4a9c.js","8231","static/chunks/8231-4e2c169f3b6c1499.js","7504","static/chunks/7504-8e1da4937b377bd8.js","2997","static/chunks/2997-0ae3eb7b33f472b0.js","8087","static/chunks/8087-d70357f71aa5c243.js","6037","static/chunks/6037-3d58c2403c865b44.js","9846","static/chunks/9846-eeab543a5bf7bfd5.js","9082","static/chunks/9082-003b1dbcf9e74f3b.js","9733","static/chunks/9733-255e0a4253ffcc11.js","7486","static/chunks/7486-de41fbe8ff3363e3.js","14","static/chunks/14-c7ea6a739710847b.js","3994","static/chunks/3994-5a9e1a46a3ca8f07.js","6478","static/chunks/app/orgs/%5Bslug%5D/page-0adccaabca0b1bbe.js"],"ComptesCompanyPageClient"] 1d:T510,

Ce projet vise à appliquer des techniques de data science pour exploiter des décennies de données de surface et de subsurface issues d'un vaste champ pétrolier mature. L'objectif est de développer un workflow prédictif permettant d'estimer la performance des nouveaux puits forés à partir des informations extraites des puits existants.

Construction d'une base de données intégrant des données statiques (localisation des puits, logs de porosité, type de roche de la zone productive, profondeur de perforation) et dynamiques (débit moyen de production sur les trois premiers mois, taux d'eau mensuel ou annuel, taux de déclin).
Entraînement itératif de modèles de machine learning, en commençant par un puits pour prédire le suivant, puis deux pour le troisième, etc., en utilisant des réseaux de neurones classiques et des graph neural networks.
Analyse de clustering pour regrouper les puits présentant des caractéristiques de production similaires, afin d'identifier les zones propices à de nouveaux forages.

Le projet est encadré par des ingénieurs réservoir et production seniors et mobilise des outils logiciels spécialisés tels que IFPEN PumaFlow, Resoptima Resx, ERT Ensemble-based Reservoir Tool et IFPEN Condor.

BEICIP-FRANLAB

BEICIP-FRANLAB

Analyse en cours pour cette entreprise