Modèle de prédiction des pertes de circulation basé sur les paramètres de forage avec un réseau neuronal PSO‑BP

Pourquoi il est crucial de garder la boue de forage dans le puits

Quand les entreprises forent profondément pour chercher du pétrole et du gaz, elles comptent sur une boue lourde pour maintenir le puits sous contrôle. Si cette boue disparaît soudainement dans des fissures de la roche, les opérations doivent s’arrêter, les coûts s’envolent et des événements dangereux comme des échappements de puits deviennent plus probables. Cet article décrit une nouvelle méthode pour détecter ces pertes dès leurs débuts, en utilisant un modèle informatique intelligent qui apprend à partir de données de forage réelles et peut prévenir les ingénieurs avant que de petits problèmes ne dégénèrent en accidents graves.

Ce que signifie que le puits commence à « boire »

Pendant le forage, des pompes envoient la boue dans la colonne de forage et elle remonte ensuite dans l’espace entre la colonne et la roche, emportant les déblais et équilibrant les pressions souterraines. La perte de circulation survient lorsque cette boue s’échappe dans la roche environnante au lieu de revenir en surface. Elle peut s’infiltrer par des fissures et des pores naturels, ou provoquer l’ouverture de nouvelles fractures si la boue est trop lourde. Dans tous les cas, l’équipe en surface constate une diminution du retour de boue, et le puits peut rapidement devenir instable, entraînant un effondrement, l’enrayage de la tige, ou un coup de charge, lorsque des fluides de la formation se précipitent dans le trou.

Lire les signes vitaux de la boue

Sur le terrain, de nombreuses mesures sont relevées toutes les quelques secondes : le volume de boue dans les réservoirs de surface, les débits d’entrée et de sortie, la pression nécessaire pour la pousser en fond, la vitesse de forage, et la charge sur la colonne de forage. Les auteurs montrent qu’aucune lecture isolée ne suffit pour détecter de manière fiable un problème ; ce sont plutôt les motifs combinés de plusieurs signaux qui comptent. En s’appuyant sur des méthodes statistiques et l’expertise des foreurs, ils réduisent une longue liste de paramètres à un petit ensemble qui reflète le mieux les événements de perte : volume total du réservoir, pression de la colonne d’alimentation, différence entre débit entrant et sortant, charge du top drive (ou du crochet), taux de pénétration, densité de la boue et direction du puits. Ensemble, ces paramètres jouent le rôle de signes vitaux pour la santé du puits.

Apprendre à un essaim numérique à détecter les incidents

L’équipe construit son système d’alerte autour d’un type de réseau neuronal artificiel, un modèle flexible capable d’apprendre des relations complexes cachées dans les données. Pris isolément, ce type de réseau peut toutefois apprendre lentement et se figer dans des solutions sous‑optimales. Pour contourner cela, les chercheurs l’associent à l’optimisation par essaim de particules, un algorithme inspiré des vols d’oiseaux en quête de nourriture. Chaque « particule » de l’essaim représente un jeu possible de réglages du réseau neuronal. En comparant la qualité avec laquelle chaque jeu prédit des pertes passées, l’essaim converge collectivement vers de meilleures solutions. De cette façon, l’optimisation par essaim est utilisée pour ajuster les connexions internes du réseau avant l’entraînement final, le rendant plus rapide et plus stable.

Des données de terrain bruitées aux alertes précoces

Les données réelles de forage sont désordonnées, avec des valeurs manquantes, du bruit provenant des capteurs et des relevés parfois erronés. Les auteurs nettoient d’abord leur jeu de données provenant de plusieurs puits de l’Ouest de la Chine, éliminent les valeurs aberrantes, encodent les entrées descriptives et mettent toutes les valeurs sur une même échelle afin qu’aucune variable ne domine. Ils analysent ensuite la corrélation de chaque paramètre avec les incidents de perte et ne conservent que ceux qui apportent une information distincte. Après avoir entraîné le modèle hybride sur des dizaines d’intervalles enregistrés de perte de boue et de fonctionnement normal, ils le testent sur de nouvelles sections de puits. Le modèle non seulement suit les variations des paramètres clés, mais transforme aussi ces motifs en une prédiction claire de la probabilité d’une perte.

Quelle est la performance du système intelligent

Pour évaluer l’intérêt de cette nouvelle approche sur le terrain, les auteurs la comparent à plusieurs alternatives : un réseau neuronal classique et des versions réglées par deux autres techniques d’optimisation. Ils utilisent des mesures d’erreur standard et montrent que le réseau accordé par l’essaim de particules prédit la perte de circulation plus précisément que les autres, avec des écarts beaucoup plus faibles par rapport aux observations de terrain réelles. Dans les puits de test, le modèle identifie correctement les zones où la boue sera perdue et estime l’ampleur du problème, fournissant un avertissement utile alors que le forage est encore en cours.

Conséquences pour un forage plus sûr et moins coûteux

En termes simples, l’étude montre que la combinaison du savoir‑faire pratique du forage et d’outils avancés de reconnaissance de motifs peut produire un système d’alerte précoce fiable lorsque le puits commence à « fuir » de la boue vers la roche. En surveillant une poignée de signaux soigneusement choisis et en laissant un essaim numérique affiner le moteur de prédiction, la méthode atteint une grande précision et évite les fausses non‑détections. Intégrée aux systèmes de surveillance en temps réel, cette approche pourrait aider les foreurs à réagir plus vite — en ajustant les propriétés de la boue ou les conditions d’exploitation avant que des pertes sévères ne surviennent — réduisant les risques, gagnant du temps et de l’argent, et offrant un modèle pour des outils similaires dans d’autres projets d’ingénierie souterraine et structurelle.

Citation: Wang, Z., Yang, M., Du, P. et al. Prediction model of lost circulation based on drilling parameters with PSO-BP neural network. Sci Rep 16, 13976 (2026). https://doi.org/10.1038/s41598-026-44613-2

Mots-clés: perte de circulation, sécurité du forage, réseau neuronal, optimisation par essaim de particules, alerte précoce