Recherche sur une méthode de prédiction du taux d’avancement du forage de puits profonds basée sur un modèle TCN-transformer

Pourquoi la vitesse de forage compte en profondeur

Chaque heure supplémentaire passée à forer un puits pétrolier ou gazier coûte de l’argent, use l’équipement et consomme du carburant. Un indicateur clé suivi par les ingénieurs est la vitesse à laquelle la mèche traverse la roche, appelée taux d’avancement. Si ce taux pouvait être prédit avec précision à l’avance, les entreprises pourraient concevoir des programmes de forage plus intelligents, éviter de perdre du temps dans des roches difficiles et réduire les risques en formation profonde et chaude. Cette étude présente une nouvelle manière de prévoir la vitesse de forage dans des puits très profonds en combinant deux outils d’intelligence artificielle modernes dans un modèle unique et plus précis.

Le défi du forage à des kilomètres sous la surface

Les puits profonds affrontent des conditions bien plus rudes que les puits peu profonds. À plusieurs kilomètres sous terre, les températures peuvent dépasser 150 °C et les pressions s’envolent, modifiant à la fois les roches et le ciment qui scelle le puits. Dans des régions comme les bassins du Tarim et du Sichuan en Chine, certains puits atteignent des profondeurs supérieures à 7 000 mètres. Dans ces conditions extrêmes, les méthodes traditionnelles basées sur des formules peinent à estimer la vitesse de forage car la résistance des roches, le comportement des fluides et les paramètres de l’équipement interagissent de façon complexe et variable. Des approches statistiques et d’apprentissage automatique antérieures ont aidé, mais elles traitaient souvent chaque mesure comme un point isolé, en négligeant la façon dont le forage se déroule comme un processus continu le long du puits.

Transformer le forage en une histoire temporelle

Les auteurs considèrent le taux d’avancement comme une série temporelle : une histoire qui évolue de façon continue avec la profondeur et le temps. Ils s’appuient sur deux idées modernes de modélisation de séquences issues du domaine de l’intelligence artificielle. La première, appelée temporal convolutional network (réseau de convolution temporelle), parcourt la séquence avec des fenêtres chevauchantes, repérant des motifs de courte et moyenne portée — par exemple comment une variation de la charge sur la mèche ou de la vitesse de rotation affecte le forage quelques instants plus tard. La seconde, connue sous le nom de transformer, excelle à relier des points distants dans une séquence, capturant des relations de longue portée qui peuvent s’étendre sur des milliers de mètres de forage. En fusionnant ces deux approches, le modèle extrait d’abord des caractéristiques locales détaillées puis apprend des tendances plus larges et globales reliant différentes étapes du puits.

Construire un prédicteur plus intelligent à partir de données de terrain réelles

Pour entraîner et tester leur approche, les chercheurs ont utilisé des données de forage réelles provenant de plusieurs puits d’un même bloc du bassin du Sichuan. Ils ont commencé par 12 mesures usuelles, incluant la profondeur, la vitesse de rotation, les propriétés du boue et la force sur la mèche, puis ont utilisé un test de corrélation standard pour réduire à 10 variables celles qui importaient le plus pour prédire la vitesse de forage. Parce que les données de forage sont naturellement ordonnées dans le temps, ils ont évité le mélange aléatoire et ont conservé la séquence intacte, en utilisant les 80 % premiers de chaque jeu de données ordonné pour l’entraînement et les 20 % restants pour les tests. Ils ont aussi constaté que les sections peu profondes au‑dessus de 3 000 mètres présentaient des fluctuations importantes dues à une géologie variable et à des ajustements fréquents de l’équipement, les rendant bruyantes et difficiles à modéliser. En se concentrant sur les sections plus profondes et plus stables, ils ont nettement amélioré la précision.

Ce que le modèle hybride fait de mieux

L’équipe a comparé soigneusement différentes façons d’organiser les données et différentes architectures de modèles. Lorsqu’ils utilisaient un seul puits à la fois, la qualité des prédictions était modeste. La combinaison de plusieurs puits du même bloc, et le respect de l’ordre réel de forage dans chaque puits, ont amélioré les performances car cela préservait la relation naturelle de cause à effet entre les choix opérationnels et la réponse de la roche. Un modèle uniquement basé sur un transformer faisait déjà mieux que les méthodes traditionnelles, mais le modèle hybride — où le réseau de convolution temporelle alimente le transformer — a donné les meilleurs résultats. Il a atteint un coefficient de détermination proche de 0,99 sur les données du bloc et a conservé une précision comparable lors de la prédiction d’un nouveau puits non utilisé pour l’entraînement, surpassant nettement les arbres boosting classiques et un modèle convolution-plus-LSTM.

Du modèle de recherche à l’outil de terrain

Pour comprendre pourquoi la fusion fonctionne si bien, les auteurs ont réalisé des tests qui désactivaient ou modifiaient des composants individuels du modèle. La suppression de la structure « dilatée » des convolutions temporelles, la réduction de la fenêtre des données passées ou le remplacement du réseau de convolution temporelle par une simple couche convolutionnelle ont tous réduit la précision. Les meilleurs résultats ont été obtenus lorsque le modèle pouvait considérer environ 30 pas de temps consécutifs, utiliser des réglages de convolution finement ajustés pour capturer les motifs de courte et moyenne portée, et laisser le transformer gérer les liens de longue portée. Cette combinaison a permis au système de généraliser entre des puits de géologie similaire, suggérant qu’avec un certain ajustement, il pourrait être adapté à d’autres blocs également.

Ce que cela signifie pour le forage futur

L’étude montre qu’un hybride bien conçu de deux techniques d’IA modernes peut prédire avec haute précision la vitesse de forage en puits profonds dans un contexte pétrolier réel. Pour les ingénieurs, cela signifie des prévisions plus fiables de la vitesse de forage, une meilleure planification des courses de mèche et des programmes de boue, et des réactions plus rapides aux problèmes émergents en fond de trou. Bien que le modèle actuel n’intègre pas encore des mesures détaillées des propriétés des roches et doive encore être testé dans des régions géologiquement plus diverses, il constitue une avancée importante vers des systèmes d’aide en temps réel plus intelligents qui contribuent à forer plus sûr, plus vite et à moindre coût.

Citation: Yuehao, L., Guodong, Z., Xiangchao, S. et al. Research on deep well drilling rate of penetration prediction method based on TCN-transformer model. Sci Rep 16, 11075 (2026). https://doi.org/10.1038/s41598-026-41298-5

Mots-clés: forage de puits profonds, prédiction du taux d’avancement, apprentissage automatique en forage, modélisation de séries temporelles, réseaux neuronaux hybrides