Une approche combinée de prévision par réseau neuronal pour la récupération de gaz de schiste améliorée au CO2

Résumé La croissance intensive du stockage géologique du carbone a motivé le secteur de l'énergie à diversifier ses portefeuilles de stockage, dans le contexte de l'atténuation du changement climatique. En tant que réserve non conventionnelle abondante, les réservoirs de gaz de schiste jouent un rôle critique dans la fourniture d'un approvisionnement énergétique suffisant et des potentiels de stockage de carbone géologique. Cependant, les faibles facteurs de récupération de la phase de récupération primaire sont une préoccupation majeure lors des opérations de réservoir. Bien que l'injection de CO2 puisse résoudre les deux défis d'amélioration des facteurs de récupération et de stockage permanent de CO2, la prévision des performances du réservoir repose fortement sur la simulation du réservoir, un processus chronophage. Ces dernières années, des études pionnières ont démontré que l'utilisation d'algorithmes d'apprentissage machine (ML) peut permettre des prévisions d'une manière précise et opportune, mais échoue à capturer les caractéristiques temporelles et spatiales des réalités opérationnelles. Dans ce travail, nous avons réalisé un cadre combinatoire novateur incluant le réseau de neurones artificiels (ANN, c'est-à-dire perceptron multicouche ou MLP) et les algorithmes de mémoire à long et court terme (LSTM) ou LSTM bidirectionnel (Bi-LSTM), abordant les défis mentionnés précédemment. De plus, le déploiement des algorithmes ML dans l'industrie pétrolière est insuffisant en raison du manque de données de terrain. Ici, nous avons également démontré une approche pour synthétiser des ensembles de données spécifiques au terrain en utilisant une méthode numérique. Les résultats de ce travail peuvent être articulés sous trois perspectives. Tout d'abord, le facteur de récupération cumulatif de gaz peut être amélioré de 6 % par rapport au modèle de réservoir de base avec des caractéristiques d'entrée du schiste de Barnett, tandis que le facteur de rétention de CO2 a fortement chuté à 40 % après la percée de CO2. Deuxièmement, l'utilisation de l'ANN combiné avec LSTM (ANN-LSTM)/Bi-LSTM est une alternative faisable à la simulation de réservoir qui peut être environ 120 fois plus rapide que l'approche numérique. En comparant une matrice d'évaluation des algorithmes, nous avons constaté qu'il existe des compromis entre le temps de calcul et la précision dans le choix des différents algorithmes. Ce travail fournit un soutien fondamental à l'industrie du gaz de schiste dans le développement d'outils basés sur l'apprentissage machine comparables pour remplacer la simulation numérique traditionnelle en temps opportun.