Depuis que l'IA est entrée dans l'industrie du forage, elle a souvent été perçue à tort comme consistant simplement à « remplacer les ingénieurs de terrain par un seul modèle automatisé ». En réalité, dans des environnements de forage à haut risque et fortement contraints, les applications d'IA les plus précieuses fonctionnent davantage comme des systèmes de support à la décision : elles agrègent rapidement l'historique des puits, les données de formation, les mesures de forage en cours de route, l'état du trépan et les conditions d'exploitation sur site pour générer des recommandations de sélection bien définies, des plages de paramètres optimisées et des alertes de risque, plutôt que de prendre des décisions autonomes qui ignorent les contraintes d'ingénierie.
Figure 1 : Pipeline de données et positionnement en boucle fermée de l'IA dans le forage
Figure 2 : Schéma de la pile de modèles hybrides pour le forage par IA
Figure 3 : Scénarios d'optimisation des paramètres et d'alerte précoce des risques pilotés par l'IA
I. Le fondement du forage piloté par l'IA ne réside pas dans les modèles, mais dans un pipeline de données viable.
Pour que l'IA joue un rôle dans la prise de décision en matière de forage, les données doivent d'abord être intégrées de manière transparente. Ce pipeline de données comprend généralement les données géologiques et l'historique des puits, les configurations BHA et de trépan, des paramètres tels que le poids sur le trépan, la vitesse de rotation et le débit de la pompe, le couple et la pression de boue, les données de mesure en cours de route, les changements de trajectoire, les enregistrements d'usure et de défaillance, et les journaux d'événements sur le terrain. Si ces données manquent d'un axe temporel unifié, d'étiquettes d'état de fonctionnement standardisées et de conventions de nommage cohérentes, les informations générées par la formation de modèles apparaîtront souvent plausibles sur le papier, mais s'avéreront impossibles à appliquer sur le terrain.
Pour les fabricants de trépans, les données les plus critiques ne sont pas nécessairement les plus complexes ; ce sont plutôt les informations qui reflètent le mieux les performances de l'outil, telles que le type de section de puits, la version de la structure de coupe, l'emplacement de la défaillance, la morphologie de l'usure, les fenêtres de paramètres et les résultats d'une seule passe. En standardisant ces données dans un format structuré, l'IA peut d'abord aider les entreprises à établir des recommandations de sélection d'outils plus fiables et des cadres d'identification des problèmes.
II. Les applications d'IA à haute valeur ajoutée dans le forage sont principalement concentrées sur six étapes clés
Premièrement, fournir des recommandations pour la sélection du trépan et du BHA en tirant parti des performances historiques des puits et en les faisant correspondre à des conditions d'exploitation similaires pour réduire la portée des essais et erreurs. Deuxièmement, optimiser les paramètres de forage en fournissant des recommandations plus conservatrices et fiables pour le poids sur le trépan, la vitesse de rotation et le débit de la pompe en fonction des conditions d'exploitation en temps réel. Troisièmement, mettre en œuvre une alerte précoce des anomalies pour détecter rapidement des problèmes tels que le stick-slip, les vibrations de la garniture de forage, l'accumulation de boue et la déviation de la trajectoire. Quatrièmement, effectuer une prédiction des performances pour estimer la durée de vie de l'outil par passe, le taux de pénétration maximal et le moment optimal de remontée. Cinquièmement, réaliser une analyse post-opération pour mapper automatiquement les expériences de défaillance aux problèmes de conception ou de processus opérationnels. Sixièmement, faciliter l'accumulation de connaissances en codifiant l'expertise fragmentée détenue par diverses équipes de forage et ingénieurs en règles et directives réutilisables.
Parmi ces six catégories de capacités, la détection d'anomalies et les recommandations de fenêtres de paramètres sont les plus faciles à mettre en œuvre en premier, car elles apportent une valeur directe sur site, présentent des boucles de rétroaction courtes et ont des limites de données plus claires. En revanche, la « prise de décision de forage entièrement automatisée » nécessite généralement des données plus matures et des contraintes de sécurité plus strictes, et devrait généralement être considérée comme un objectif à long terme plutôt qu'une priorité marketing initiale.
III. Les solutions d'IA qui peuvent être mises en œuvre pratiquement dans des projets d'ingénierie sont généralement des modèles hybrides combinant « mécanisme + règles + données ».
Se fier uniquement aux modèles boîte noire rend difficile d'obtenir une confiance suffisante dans le domaine du forage, car la prise de décision sur site nécessite des explications claires sur « pourquoi les paramètres sont ajustés de cette manière, quelles sont les conditions limites et quels risques découleraient d'ajustements incorrects ». Par conséquent, un système d'IA véritablement déployable se compose généralement de trois composantes : premièrement, des modèles mécanistiques qui fournissent des contraintes physiques et des plages de fonctionnement raisonnables ; deuxièmement, des bases de connaissances basées sur des règles qui encapsulent l'expertise empirique ; et troisièmement, des modèles d'apprentissage automatique qui identifient des modèles, prévoient des tendances et font correspondre des sections de puits similaires.
L'avantage de cette architecture hybride est qu'elle préserve à la fois le bon sens d'ingénierie et les seuils de sécurité tout en tirant parti des données pour une itération rapide. Ceci est particulièrement important dans les applications liées aux trépans, car la défaillance du trépan est généralement influencée par une combinaison de facteurs structurels, hydrauliques, de formation et opérationnels, ce qui rend difficile sa capture complète par un seul algorithme. En intégrant des modèles mécanistiques, des règles de domaine et des données, l'approche s'aligne mieux sur les conditions réelles du terrain.
IV. La clé de l'optimisation en ligne ne réside pas dans le « calcul rapide », mais dans le « contrôle de la boucle de rétroaction ».
Pour que l'IA évolue d'un outil analytique vers un système d'optimisation en ligne, quatre questions clés doivent être clairement abordées : qui fournit les recommandations, qui les approuve et les met en œuvre, à quelle fréquence les examens sont effectués et dans quelles circonstances une intervention humaine est requise. Sans réponses à ces quatre questions, même les modèles les plus sophistiqués resteront confinés au niveau du reporting. Particulièrement dans les sections de puits à haut risque, le système doit non seulement conseiller le terrain sur « comment ajuster », mais aussi expliquer « pourquoi l'ajustement est nécessaire, quels sont les risques associés et quand arrêter les opérations pour examen ».
Par conséquent, les systèmes d'optimisation en ligne de pointe adoptent généralement une approche semi-automatique : le modèle s'exécute en continu et fournit des recommandations en temps réel, tandis que l'exécution reste contrainte par des limites mécanistiques et une autorisation humaine. Cette architecture exploite les avantages de la prise de décision basée sur les données sans renoncer au contrôle sur site. C'est aussi la raison fondamentale pour laquelle les systèmes de forage alimentés par l'IA sont actuellement plus facilement acceptés.
V. Pour que l'IA apporte une réelle valeur, elle doit être intégrée dans les processus post-mortem et de R&D.
De nombreuses entreprises n'obtiennent que des résultats modestes après avoir déployé des systèmes d'IA, et la cause profonde n'est pas de mauvais algorithmes – c'est que les résultats ne sont pas répercutés dans les processus en aval. Si un modèle ne fournit qu'une recommandation ponctuelle sans renvoyer d'informations aux processus de conception, de fabrication, de test et de service client pour mettre à jour les règles et procédures, la valeur du système s'érodera rapidement. Inversement, lorsque les informations générées par l'IA peuvent être utilisées pour affiner les bases de données d'usure, ajuster les paramètres de coupe et développer des modèles pour des scénarios d'application typiques, le système devient de plus en plus précis au fil du temps.
Pour les fabricants de trépans, ce processus en boucle fermée – passant de manière transparente des opérations sur le terrain à la R&D – est particulièrement critique. Chaque alerte de vibration anormale, chaque décision proactive de retirer la garniture de forage avant terme, et chaque identification de schémas d'usure devrait servir d'entrée pour la prochaine série de mises à niveau de produits, plutôt que d'être reléguée à des résumés de projets ponctuels.
VI. Recommandations pour Xingtong : Développer d'abord une base de données de trépans et un moteur d'analyse post-mortem, puis discuter de la construction d'une plateforme d'IA à grande échelle.
Pour établir une présence crédible dans l'espace IA-plus-forage, il est conseillé à Xingtong de construire d'abord trois piliers fondamentaux autour de ses actifs de données les plus précieux : premièrement, développer un dictionnaire de données unifié couvrant les modèles de trépans, les géométries des plaques de coupe, les configurations des dents de coupe, les sections de puits applicables et les performances historiques ; deuxièmement, créer un atlas complet de morphologie d'usure et de modes de défaillance, reliant les photographies de terrain à des étiquettes de conditions d'exploitation ; et troisièmement, établir des fenêtres de paramètres et une base de données de résultats d'une seule passe, permettant la comparaison et la réutilisation des pratiques réussies dans différentes sections de puits.
Sur cette base, nous développerons progressivement des fonctionnalités telles que des recommandations de sélection de produits, des suggestions d'optimisation de paramètres et des alertes d'anomalies. Dans le même temps, le site officiel devrait mettre en évidence nos « capacités de boucle fermée de données » et nos « capacités d'optimisation de paramètres », plutôt que de faire des affirmations vagues comme « nous faisons de l'IA ». Ce qui intéresse vraiment les clients axés sur la technologie, c'est de savoir si une organisation peut exploiter les données pour intégrer de manière transparente la conception, les opérations et les revues post-événement, réduisant ainsi les coûts d'essais et erreurs.
Références
- Baker Hughes : Informations publiques sur le logiciel Kantori et le forage directionnel automatisé i-Trak.
- Halliburton : Informations publiques sur le forage intelligent et l'intégration des données de trépans.
- Liu Qingyou : Matériaux de recherche liés aux futurs systèmes de forage intelligents, entre autres.
- Matériaux disponibles publiquement liés à la Conférence sur la technologie de l'intelligence artificielle dans le pétrole et le gaz en Chine en 2025.