Modèle CNN-LSTM optimisé par un algorithme de recherche du moineau amélioré pour la prédiction de la production de puits pétroliers

Planification plus intelligente de l’énergie souterraine

Les compagnies pétrolières et gazières doivent savoir combien de pétrole un puits produira plusieurs mois à l’avance pour planifier les investissements, programmer la maintenance et éviter le gaspillage d’eau, d’énergie et d’argent. Pourtant, les puits réels se comportent de façon complexe et variable, difficile à saisir avec des formules classiques. Cette étude présente une nouvelle approche d’intelligence artificielle (IA) qui apprend à partir du comportement passé de puits individuels pour prévoir leur production future de façon plus précise et plus fiable.

Pourquoi prédire un puits unique est si difficile

La quantité de pétrole qu’un puits peut fournir dépend de nombreux facteurs changeants : la géologie de la roche, la façon dont l’eau est injectée dans le réservoir, les performances de la pompe et la manière dont les fluides se déplacent sous terre au fil du temps. Les modèles d’ingénierie classiques peuvent représenter une grande partie de cette physique mais exigent d’énormes quantités de données et de longs temps de mise en place, et peinent toujours à gérer les variations du monde réel. Les méthodes récentes d’apprentissage automatique, qui extraient les motifs directement des données, ont amélioré les prévisions — mais elles nécessitent souvent des réglages manuels soignés par des experts. Choisir les bons paramètres du modèle, ou hyperparamètres, peut être fastidieux, subjectif et conduire à des solutions sous-optimales.

Combiner motifs spatiaux et temporels

Les auteurs s’appuient sur deux outils d’IA puissants. Les réseaux de neurones convolutionnels (CNN) excellent à repérer des motifs locaux et des caractéristiques dans les données, tandis que les réseaux à mémoire à long terme (LSTM) sont conçus pour suivre l’évolution des signaux sur de longues périodes. En combinant CNN et LSTM, le modèle peut d’abord « distiller » des motifs utiles à court terme à partir de plusieurs signaux opérationnels, puis suivre la manière dont ces motifs évoluent mois après mois. Les entrées incluent la production d’eau quotidienne, l’efficacité de la pompe, le cut d’eau, le temps de production et la profondeur de la pompe — sélectionnées à l’aide d’un test statistique standard (corrélation de Pearson) pour ne conserver que les variables réellement pertinentes pour la production de pétrole. La cible unique de prédiction est la production moyenne mensuelle de pétrole d’un puits donné.

Une façon plus intelligente d’ajuster le modèle d’IA

L’innovation clé est une version améliorée de l’algorithme de recherche du moineau, une technique inspirée de la façon dont les oiseaux cherchent de la nourriture en groupe. Dans cette approche, de nombreuses solutions candidates « volent » dans l’espace des réglages possibles du modèle, partageant des informations sur les régions prometteuses. L’algorithme de moineau amélioré (ISSA) affine trois éléments centraux : il utilise un schéma chaotique spécial pour répartir uniformément les points de départ, et il améliore la manière dont les « producteurs » et « prédateurs » virtuels se déplacent pendant l’exploration. Ces changements élargissent la recherche, accélèrent la convergence vers de bons réglages et réduisent le risque de rester bloqué dans des optimums médiocres. ISSA est ensuite utilisé pour régler automatiquement des hyperparamètres critiques du CNN-LSTM, comme la taille et le nombre de filtres convolutionnels et la taille des couches cachées.

Test sur des puits réels dans un réservoir compact

Pour évaluer les performances pratiques du nouveau modèle, l’équipe l’a appliqué à un réservoir de grès compact du bassin d’Ordos en Chine, en utilisant cinq ans de données de deux puits représentatifs, TB987 et TB990. Les données ont été divisées en un ensemble d’entraînement pour apprendre au modèle et un ensemble de test pour évaluer ses prévisions. Les auteurs ont comparé leur approche ISSA-CNN-LSTM à plusieurs alternatives : des versions utilisant uniquement LSTM ou uniquement CNN, des modèles réglés avec la méthode originale du moineau, et des modèles optimisés par d’autres algorithmes de type essaim populaires comme l’optimisation par essaim de particules, la mouche du fruit et le loup gris. Sur plusieurs mesures d’erreur standard, le modèle amélioré a systématiquement fourni des prévisions qui suivaient plus étroitement les courbes de production réelles et avec des fluctuations d’erreur plus faibles.

Ce que des prévisions améliorées apportent aux opérations

La plus grande précision du modèle ISSA-CNN-LSTM n’est pas seulement un avantage théorique ; elle a des applications opérationnelles directes. À court terme, des prévisions mensuelles plus fiables peuvent orienter la quantité d’eau à injecter et la répartition des ressources entre puits, aidant à maintenir une production stable. Lorsque la production réelle s’écarte trop de la plage prédite, les opérateurs peuvent considérer cela comme un signal d’alerte précoce et inspecter les pompes, rechercher une percée d’eau inattendue ou réévaluer les conditions du réservoir. Sur des périodes plus longues, les prévisions du modèle aident à révéler la vitesse de déclin d’un réservoir, soutenant les décisions quant au moment de stimuler un puits, forer de nouveaux puits ou modifier le plan de développement.

Une vision plus claire de la production future à partir des données

En termes simples, ce travail montre que laisser une méthode de recherche améliorée, inspirée des comportements d’oiseaux, régler automatiquement un réseau combiné CNN–LSTM rend les prévisions pour puits individuels à la fois plus précises et plus stables. Pour les deux puits testés, les erreurs du modèle ont été réduites à environ un pour cent en moyenne, et la concordance entre production prédite et réelle était presque parfaite. Avec un développement ultérieur sur des ensembles plus vastes de puits et l’intégration à d’autres outils de séries temporelles, des approches comme ISSA-CNN-LSTM pourraient devenir des aides à la décision pratiques, aidant les producteurs de pétrole à extraire davantage d’information — et de valeur — des données qu’ils collectent déjà.

Citation: Zhang, R., Guo, L., Sun, J. et al. CNN-LSTM model optimized by improved sparrow search algorithm for oil well production prediction. Sci Rep 16, 13972 (2026). https://doi.org/10.1038/s41598-026-43674-7

Mots-clés: prévision de la production de puits pétroliers, apprentissage automatique, prévision de séries temporelles, algorithme d’optimisation, génie des réservoirs