Recherche sur la connectivité inter-puits dans l’injection de CO2 basée sur un réseau d’attention de graphe à mémoire courte-longue

Pourquoi cette étude compte pour l’énergie et le climat

Une grande partie du pétrole mondial provient encore de champs vieillissants où il devient de plus en plus difficile et coûteux d’extraire les hydrocarbures restants. Une approche prometteuse, l’injection de CO2, injecte du dioxyde de carbone en sous-sol pour repousser davantage de pétrole tout en stockant du CO2 qui, sinon, irait dans l’atmosphère. Mais les opérateurs ne voient souvent pas comment le gaz injecté circule réellement entre les puits. Cet article présente une nouvelle méthode pilotée par les données pour « cartographier » ces connexions cachées en temps réel, contribuant à rendre l’injection de CO2 plus efficace et potentiellement plus favorable au climat.

Rendre visibles les autoroutes souterraines invisibles

Quand le CO2 est injecté dans un réservoir pétrolier, il ne se propage pas uniformément. Il suit plutôt des trajectoires préférentielles — comme des autoroutes cachées — créées par des variations de perméabilité de la roche et des fractures existantes. Certains puits d’injection influencent fortement certains puits de production ; d’autres ont peu d’effet. Ce schéma, appelé connectivité inter-puits, contrôle l’efficacité avec laquelle le CO2 balaie le pétrole vers les puits producteurs et la part de gaz qui contourne les zones utiles ou percute trop rapidement. Suivre précisément ces connexions est crucial pour ajuster les plans d’injection et de production, mais les méthodes traditionnelles exigent souvent des tests de terrain coûteux ou des hypothèses simplificatrices peu adaptées aux réservoirs complexes.

Limites des outils conventionnels

Les ingénieurs se sont longtemps appuyés sur des techniques telles que les essais d’interférence de pression, les traceurs chimiques et les simulations de lignes de courant pour déduire la communication entre puits en sous-sol. Plus récemment, des outils statistiques et des modèles classiques d’apprentissage automatique ont rejoint la boîte à outils. Chaque méthode apporte des informations, mais aussi des inconvénients : les essais sur le terrain sont lents et coûteux ; les modèles physiques simplifiés peuvent passer à côté de détails importants dans des roches très hétérogènes ; et l’apprentissage automatique standard traite souvent les puits comme des flux de données isolés, ignorant le réseau d’interactions évolutives entre eux. Ces approches tendent aussi à supposer que le schéma de connexions est fixe dans le temps, alors que les fronts de CO2, les pressions et les canaux d’écoulement évoluent pendant l’injection.

Un réseau intelligent qui apprend le temps et l’espace simultanément

Les auteurs introduisent un modèle hybride d’intelligence artificielle conçu pour suivre à la fois l’évolution temporelle des puits et leurs influences spatiales réciproques. Une partie du modèle, appelée réseau à mémoire courte-longue (LSTM), est spécialisée dans l’apprentissage de motifs à partir de séries chronologiques — ici, les débits d’injection et de production quotidiens de chaque puits. L’autre partie, un réseau d’attention sur graphe (GAT), traite les puits comme des nœuds d’un réseau et apprend quelles paires sont les plus fortement connectées, attribuant des poids plus élevés aux liens les plus influents. Ensemble, ce système LSTM–GAT peut à la fois prévoir la production future et estimer la force des connexions entre puits d’injection et de production d’une manière qui s’adapte à l’évolution du réservoir.

Construire une carte vivante des connexions entre puits

Pour alimenter ce modèle, les chercheurs ont utilisé un réservoir synthétique tridimensionnel largement étudié, appelé modèle EGG, et ont simulé une injection de CO2 sur une décennie pour huit puits d’injection et quatre puits de production. Ils ont construit une carte « vivante » des connexions en examinant comment les fluctuations d’injection à un puits se répercutent, avec un décalage temporel, sur la production d’un autre. Une mesure appelée corrélation croisée maximale retardée a été utilisée pour déduire la force et le timing probables de chaque connexion au sein de fenêtres temporelles glissantes. Seules les paires suffisamment corrélées et raisonnablement proches dans l’espace ont été conservées comme arêtes du réseau. Ce graphe évolutif a ensuite été transmis au GAT, qui a affiné l’importance de chaque lien tandis que le LSTM capturait le comportement quotidien de chaque puits.

Performance de la nouvelle approche

Le modèle hybride a été rigoureusement ajusté et testé sur des milliers de jours simulés. Il a atteint une grande précision pour prédire les débits de gaz produits, avec un R² de test d’environ 0,94, ce qui signifie qu’il expliquait la majeure partie de la variation dans le champ simulé. Lorsque les cartes de connectivité inférées ont été comparées aux schémas d’écoulement détaillés issus de simulations numériques traditionnelles, les liens forts du réseau appris correspondaient à des zones de haute perméabilité et à des trajets d’écoulement denses. Les auteurs ont aussi comparé leur méthode à une gamme d’autres modèles, de la régression simple aux réseaux de graphe autonomes et aux méthodes de séries temporelles. Dans tous les cas, le cadre LSTM–GAT a fourni des prévisions plus précises et des schémas de connectivité plus réalistes, tandis que les modèles de graphe purement statiques restaient nettement moins performants.

Implications pour une récupération pétrolière plus propre et plus efficace

Pour un lecteur non spécialiste, le message principal est que cette étude propose une manière plus intelligente et plus flexible de suivre le mouvement du CO2 injecté dans le sous-sol, en utilisant les données que les champs modernes collectent déjà quotidiennement. En transformant les historiques de production en une carte dynamique des connexions souterraines, les opérateurs pourraient mieux décider où injecter, quels puits ralentir et comment éviter les canalisations de gaz inefficaces. Bien que le travail soit démontré sur un modèle synthétique contrôlé plutôt que sur des données de terrain réelles et bruitées, il ouvre la voie à des outils futurs qui pourraient rendre l’injection de CO2 à la fois plus économique et plus efficace pour séquestrer le carbone, conciliant les besoins énergétiques à court terme et les objectifs climatiques à long terme.

Citation: Dong, Z., Xu, Y., Lv, W. et al. Research on inter-well connectivity in CO₂ flooding based on long short-term memory graph attention network. Sci Rep 16, 6664 (2026). https://doi.org/10.1038/s41598-026-36910-7

Mots-clés: injection de CO2, connectivité inter-puits, réseaux de neurones sur graphe, prévision de production, récupération assistée du pétrole