Un modèle proxy hybride simulation-apprentissage automatique pour loptimisation de la conception de linjection deau dans la Formation de Bahariya

Pourquoi une utilisation plus intelligente de leau dans les champs ptroliers est importante

Extraire les derniers restes de ptrole dun rservoir implique généralement dinjecter de leau dans la roche pour pousser le ptrole vers les puits de production. Ce processus, appel injection deau (waterflooding), est largement utilis mais loin dtre parfait : trop deau peut tre injecte au mauvais endroit, laissant du ptrole prcieux en place et gnrant dimportants volumes deaux rsidues. Cette tude montre comment la combinaison de simulations classiques bases sur la physique et dapprentissages automatiques modernes peut aider les ingnieurs  concevoir des injections deau plus intelligentes dans un gisement gyptien particulirement complexe, permettant de rcuprer plus de ptrole avec moins dessais et derreurs informatiques.

Une nigme souterraine complexe

La Formation de Bahariya, dans le Dsert occidental gyptien, nest pas une ponge de roche uniforme et ordonne. Elle rsulte de dpts fluviaux et deltaiques anciens, avec des couches de grs et dargile entremles de manire irrgulire. Ce patchwork cre des chenaux o les fluides circulent facilement et des impasses o le ptrole reste pig. Les donnes provenant des puits sont limitées, ce qui rend difficile une description dtaille de ce labyrinthe souterrain. Les simulateurs de rservoir traditionnels peuvent modliser de tels systmes, mais une exploration exhaustive exige des milliers de simulations longues et coteuses en calculstrop nombreuses pour une prise de dcision quotidienne sur le terrain.

Mlange de modles physiques et dapprentissage par les donnes

Les auteurs ont construit un modle informatiques tridimensionnel dtaille du rservoir en sappuyant sur des informations gologiques et ptrophysiques telles que la qualit de la roche, la porosit et les proprits des fluides. Ils ont ensuite conu un vaste ensemble de scnarios « et si » - au nombre de 1 536 au total - en faisant varier des facteurs cls comme le dbit dinjection deau, la permabilit de leau dans la roche, la quantit de ptrole restant pige, et la lgret ou la lourdeur du ptrole. Pour chaque scnario, ils ont test trois schmas standards dimplantation des puits dinjection et de production : une grille  cinq puits (five-spot) o les injecteurs sont entours par des producteurs, un schma en ligne dcal (staggered line drive) et un schma priphrique qui injecte principalement autour des bords du gisement. Le simulateur a fourni la quantit de ptrole pouvant tre finalement rcupre dans chaque cas.

Apprendre un proxy rapide pour imiter le simulateur

Plutt que de sappuyer indfiniment sur des simulations lentes, lquipe a entrain des modles simples dapprentissage automatique - spcifiquement des rgressions linaires - pour apprendre le lien entre les entres modifies et la rcupration finale de ptrole pour chaque configuration de puits. Ces modles servent de « proxies » : une fois entrains, ils peuvent prdire la rcupration en une fraction de seconde. Les chercheurs ont spar consciencieusement les donnes en jeux dentrainement et de test et ont vrifi les performances sur plusieurs scissions. Pour les trois schmas, les modles ont reproduit fidlement les rsultats du simulateur, expliquant plus de 93 % de la variabilit de la rcupration et maintenant des erreurs de prdiction trs faibles. En pratique, le simulateur lourd bas sur la physique a t distill en quations lgres qui restent physiquement senses.

Ce qui contrle vraiment la quantit de ptrole extraite

Avec ces modles proxy rapides, les auteurs ont sond quels facteurs sont les plus dterminants. En dsorganisant lchacune des entres  tour et en observant laggravation des prdictions, ils ont constat que la quantit de ptrole restant pig aprs linjection dite la saturation rsiduelle en ptrole tait de loin le contrle dominant, reprsentant prs de 40 % ou plus du pouvoir prdictif pour tous les schmas. La qualit du ptrole importait galement : les ptroles plus légers scoulaient plus facilement et augmentaient la rcupration, tandis que les roches permettant leau de circuler trop librement provoquaient souvent une "perce deau" prcoce et rduisaient lefficacit du balayage. Fait intéressant, limportance du dbit dinjection dpend fortement du schma. Dans le schma priphrique, lintensit dinjection avait un impact beaucoup plus grand que dans la configuration en grille five-spot, montrant que diffrentes dispositions de puits rpondent  des leviers diffrents.

De lintuition informatique  la dcision sur le terrain

En rassemblant ces lments, ltude montre quil nexiste pas de schma dinjection universellement optimal. Dans le champ simul de Bahariya, le schma priphrique a fourni la meilleure rcupration ultime, suivi du staggered line drive, puis du five-spot. Mais ce classement nest apparu quaprs prise en compte de la structure rocheuse et des proprits des fluides spcifiques  ce rservoir. Le flux de travail hybride utiliser des simulations pour gnrer des donnes, puis lapprentissage automatique pour les analyser rapidement offre aux ingnieurs de terrain une manire pratique de prslectionner de nombreuses options dinjection deau, de comprendre quels paramtres sont rellement importants et daffiner les stratgies dinjection sans lancer des milliers de simulations compltes. Pour le lecteur non spcialis, la conclusion est simple : en faisant en sorte que les ordinateurs respectent  la fois les lois de la physique et apprennent  partir des donnes, les oprateurs peuvent extraire plus de ptrole des mmes roches tout en utilisant leau et les ressources informatiques de manire plus efficiente.

Citation: Gad, R., Salem, A.M., El Farouk, O.M. et al. A hybrid simulation-machine learning proxy model for waterflood design optimization in the Bahariya Formation. Sci Rep 16, 14023 (2026). https://doi.org/10.1038/s41598-026-49561-5

Mots-clés: injection deau, apprentissage automatique, rcupration de ptrole, simulation de rservoir, Formation de Bahariya