Bienvenue aux Mines Paristech
Bienvenue à MINES ParisTech
Newsletter International
Website
Théorie & Pratique
Vous êtes

webTV

Lecture

Certificat exécutif : digital native, 3 questions à...

Lecture

Certificat exécutif : digital native, 3 questions à...

Lecture

Mastère Spécialisé AIMove: Artificial Intelligence and Movement in Industries and Creation

Lecture

Olivier Remy, third year student of the Corps des Mines

Lecture

Le Forum mécatronique 2019

+ Toutes les vidéos

Partager

Détection du comportement des outils de forage par machine learning : Application à la détection d'événements et à l'optimisation des performances

Détection du comportement des outils de forage par machine learning : Application à la détection d'événements et à l'optimisation des performances

Drill Bit behavior detection with Machine Learning: Application to event detection and performance optimization

Proposition de thèse

Spécialité

Géosciences et géoingénierie

Ecole doctorale

GRNE - Géosciences, Ressources Naturelles et Environnement

Directeur de thèse

ROMARY Thomas

Co-encadrant

GERBAUD Laurent Marc

Unité de recherche

Géosciences

ContactLaurent GERBAUD
Date de validité

01/10/2021

Site Web
Mots-clés

Machine Learning basé sur la physique, Forage, Mécanique

Physic informed Machine Learning, Drilling, Mechanic

Résumé

La rentabilité de l'énergie géothermique passe par une réduction drastique de ses coûts. Les coûts de forage représentent 30 à 50% du coût total du projet et restent le principal obstacle à son développement. Il convient donc de réduire au maximum ces coûts en forant rapidement et sur une longue période dans des roches métamorphiques du sous-sol où les vitesses de forage (ROP) sont très faibles, de l'ordre de 1 à 2 m/h, avec un risque de rupture des matériaux dû à des conditions extrêmes (température, vibration, pression, etc.). Le comportement de l'outil de forage est l'un des sujets les plus difficiles pour augmenter le ROP et sa gestion est souvent plus importante que l'outil de forage lui-même. Il est donc fondamental de savoir en temps réel comment se comporte l'outil de forage (détection des dysfonctionnements, sécurité du forage) et quels sont les paramètres optimaux.
Le département géosciences a développé et breveté un procédé qui permet de suivre en temps réel les dysfonctionnements du trépan afin de les traiter et ainsi augmenter la vitesse de forage. Des travaux internes récents utilisant des techniques de clustering et des réseaux neuronaux convolutifs montrent que les dysfonctionnements de forage tels que les vibrations de type whirl ou Stick Slip peuvent être détectés avec précision. Enfin, le département des géosciences a rassemblé une large expertise sur le comportement des trépans grâce au développement d'un logiciel d'interaction trépan-roche en 3D (DIG3D), de modèles d'interaction trépan-roche et d'une énorme quantité de données provenant de plus de 20 ans d'expérience de forage dans sa plateforme de forage expérimentale.

The profitability of geothermal energy requires a drastic reduction in its costs. Drilling costs represent 30 to 50% of the total cost of the project and remain the main obstacle to its development. These costs should therefore be reduced as much as possible by drilling quickly and over a long period of time in basement, metamorphic rocks where drilling speeds (ROP) are very low, in the order of 1 to 2 m/h, with the risk of material breakage due to extreme conditions (temperature, vibration, pressure, etc.). Drill bit behavior is one of the most challenging topics for increasing ROP and its management is often more important than the bit itself. It is therefore fundamental to know in real time how the bit behaves (dysfunction detection, safe drilling) and what the optimum parameters are.
The geosciences department has developed and patented a process that allows monitoring drilling dysfunctions at the bit in real time in order to deal with them and thus increase drilling speed. Recent internal works using Clustering techniques and Convolutional Neural Networks show that drilling dysfunction such as whirl or Stick Slip vibrations can be accurately detected. Finally, the geosciences department has gathered a broad expertise in drill bit behavior through the development of a 3D bit rock interaction software (DIG3D), models of cutter-rock interaction and a huge amount of data from more than 20 years of drilling experience in its experimental drilling platform.
As part of this thesis, we wish to develop a new approach to monitor and optimize drilling in real time based on machine learning. This work will consist of two main components:
- The first step will be to develop a supervised Machine Learning model to predict the drill bit behavior in a controlled environment (laboratory drilling). The model will be trained with data from 20 years of experimental laboratory drilling tests as well as theoretical results from 3D simulations. One of the solutions explored will be the Physics Informed Neural Networks. This approach uses a modified loss function to train the neural network, to ensure that the model predicts the observations while honoring the laws of physics. The auto-differentiation (back-propagation of the errors) within the neural networks allows to estimate the parameters. This approach is very attractive and will be extended and modified to be applicable in the context of geothermal drilling, using experimental and numerical simulations data. Once the model trained, it will be used both to predict the bit behavior and/or to predict the optimal parameters by inversion.
- Disrupted by many untapped phenomena, it has been shown that drill bit behavior cannot be estimated with surface field data and that it is difficult to detect all phenomena affecting the penetration speed. The second step will be to use transfer learning techniques to develop a new model for the field where the model developed from the lab data will be used as a starting point.
The expected results of the thesis are the development of a procedure composed of learning models that can detect major drill bit events during drilling and provide the optimal drilling parameters for fast, long and safe drilling. This procedure should allow real-time monitoring in the first instance and should pave the way for drilling automation in the second instance.

Contexte

Dans le cadre de cette thèse, nous souhaitons développer une nouvelle approche pour surveiller et optimiser le forage en temps réel basée sur l'apprentissage automatique. Ce travail sera constitué de deux composantes principales :
- La première étape consistera à développer un modèle de Machine Learning supervisé pour prédire le comportement de l'outil de forage dans un environnement contrôlé (forage en laboratoire). Le modèle sera entraîné avec des données provenant de 20 ans de tests expérimentaux de forage en laboratoire ainsi que des résultats théoriques provenant de simulations 3D. L'une des solutions explorées sera celle du « Physic Informed Neural Network ». Cette approche utilise une fonction de perte modifiée pour entraîner le réseau neuronal, afin de garantir que le modèle prédit les observations tout en respectant les lois de la physique. L'auto-différenciation (rétropropagation des erreurs) au sein des réseaux neuronaux permet d'estimer les paramètres. Cette approche est très attrayante et sera étendue et modifiée pour être applicable dans le contexte du forage géothermique, en utilisant des données de simulations expérimentales et numériques. Une fois le modèle formé, il sera utilisé à la fois pour prédire le comportement de l'outil de forage et/ou pour prédire les paramètres optimaux par inversion.
- Perturbé par de nombreux phénomènes inexploités, il a été démontré que le comportement de l'outil de forage ne peut être estimé avec des données de terrain de surface et qu'il est difficile de détecter tous les phénomènes affectant la vitesse de pénétration. La deuxième étape consistera à utiliser des techniques de « transfert learning » pour développer un nouveau modèle pour le terrain où le modèle développé à partir des données de laboratoire sera utilisé comme point de départ.
Les résultats attendus de la thèse sont le développement d'une procédure composée de modèles d'apprentissage qui peuvent détecter les événements majeurs de l'outil de forage pendant le forage et fournir les paramètres de forage optimaux pour un forage rapide, long et sûr. Cette procédure devrait permettre une surveillance en temps réel dans un premier temps et devrait ouvrir la voie à l'automatisation du forage dans un deuxième temps.

Encadrement

Co-encadrant (non HDR) : GERBAUD, Laurent, MINES ParisTech (Géosciences) ; DI MEGLIO, Florent, MINES ParisTech (CAS) ; FIGLIUZZI Bruno (CMM).

Responsabilités spécifiques de chaque encadrant :
Thomas ROMARY sera impliqué plus spécifiquement dans la partie Machine Learning.
Laurent GERBAUD sera plus impliqué dans la modélisation physique du fonctionnement d'un outil de forage, sur les connaissances du forage et sur la partie expérimentale.
Florent Di MEGLIO sera plus impliqué dans la partie transfert learning, modélisation du train de tige et machine learning.
Bruno FIGLIUZZI sera impliqué dans la partie machine learning.

Profil candidat

Mathematics, Mechanics or Civil Engineering, IA.

Mathematics, Mechanics or Civil Engineering, IA.

Références

1- Alberto Ramirez and Jessica Iriarte, 'Event Recognition on Time Series Frac Data Using Machine Learnin', SPE-195317-MS 2019, Well Data Labs

2- Yang Zha* and Son Pham, 'Monitoring downhole drilling vibrations using surface data through deep learning', SEG International Exposition and 88th Annual Meeting, ConocoPhillips 2018

3- Jie Zhao, Yuelin Shen, Wei Chen, Zhengxin Zhang, and Sonny Johnston, 'Machine Learning–Based Trigger Detection of Drilling Events Based on Drilling Data', SPE-187512-MS 2018

4- Mayowa Oyedere, Ken Gray, 'Torque-on-bit (TOB) prediction and optimization using machine learning algorithms',Journal of Natural Gas Science and Engineering 2020

5- CUI Meng; SUN Mengci; ZHANG Jinwen; KANG Kai; LUO Yucai, 'Maximizing Drilling Performance With Real-Time Surveillance System Based on Parameters Optimization Algorithm', 2014

Type financement

Convention CIFRE

Document PDF

https://www.adum.fr/script/downloadfile.pl?type=78&ID=35821

Retour à la liste des propositions

actualité

EcorcAir et les platanes du Quartier latin

Formation EcorcAir et les platanes du Quartier latin Vendredi 2 avril 2021, dernier jour de cours, en présentiel,…
> En savoir +

Félicitations à Rabab Akkouche

Formation Félicitations à Rabab Akkouche 16 candidats étaient en lice, dont 10 doctorants et docteurs…
> En savoir +

Prix de thèses de prospective de la Fondation 2100

Formation Prix de thèses de prospective de la Fondation… La cérémonie s'est déroulée le 9 février, sous la présidence…
> En savoir +

Femmes de science

Formation Femmes de science   Chercheuses confirmées, doctorantes ou élèves ingénieures, elles font la…
> En savoir +

Quelle empreinte environnementale pour notre avenir énergétique ?

Formation Quelle empreinte environnementale pour notre… Le doctorat est un exercice académique codifié qui aboutit à…
> En savoir +

+ Toutes les actualités

contact

Alexandra BELUS
Direction de l'Enseignement
Service du Doctorat
> envoyer un mail

Plan du site
MINES
ParisTech

60, Boulevard Saint-Michel
75272 PARIS Cedex 06
Tél. : +33 1 40 51 90 00

Implantations
Mentions légales | efil.fr | ©2012 MINES ParisTech | +33 1 40 51 90 00 |