Ferdinand Hingerl n'a aucune réserve concernant l'intelligence artificielle.
M. Hingerl est directeur technique d'Ambyint, une entreprise basée à Calgary dont la plateforme alimentée par l'intelligence artificielle optimise la production des sociétés pétrolières et gazières en amont. La plateforme d'Ambyint utilise des algorithmes autonomes pour gérer environ 12 milliards de dollars de production en Amérique du Nord, réduisant ainsi le recours aux interventions manuelles.
La production pétrolière et gazière est marquée par une grande incertitude. Les conditions météorologiques varient et la stabilité des puits diminue à mesure que les équipements tombent en panne. Cette incertitude a un coût élevé : elle peut avoir des répercussions non seulement sur les résultats financiers, mais aussi sur la sécurité des travailleurs et l’environnement. L’objectif d’Ambyint est de réduire cette incertitude.
« Ce que nous faisons, c’est en réalité de la prise de décision en situation d’incertitude pour l’assurage dans les systèmes de contrôle industriels », explique-t-il.
M. Hingerl explique que son équipe souhaitait étudier comment l'apprentissage par renforcement (RL) pourrait améliorer la plateforme d'Ambyint. Elle recherchait un partenaire disposant d'une expérience en RL et capable de l'accompagner tout au long de ce processus de recherche, afin de réduire les risques et les coûts inhérents à toute nouvelle approche innovante.
M. Hingerl affirme qu'il savait exactement qui il souhaitait comme partenaire : l'Alberta Machine Intelligence Institute (Amii), un leader mondial dans le domaine de l'apprentissage par renforcement.
« Je lis beaucoup d’articles de recherche publiés par l’Amii », dit-il.
« Nous sommes sur le point d'aboutir à une solution qui peut réellement être mise en œuvre. J'ai donc proposé de collaborer avec Amii pour voir si nous pouvions développer une solution adaptée au cas d'utilisation concret auquel nous sommes confrontés. »
Sous pression
Le défi qu'Ambyint et Amii se sont fixé de relever était l'automatisation des puits à piston.
Lorsqu'un nouveau puits est foré dans un gisement, c'est la pression naturelle souterraine qui permet de faire remonter le pétrole ou le gaz à la surface. Cependant, à mesure que les puits vieillissent, de l'eau et des hydrocarbures liquides s'accumulent au fond du puits, ce qui réduit cette pression naturelle. Lorsque celle-ci diminue suffisamment, le puits ne peut plus fonctionner sans une intervention quelconque.
Le système de pompage à piston est l'un des moyens les plus courants d'assurer le fonctionnement d'un puits en fin de vie. Un piston est descendu dans le puits, où l'eau et d'autres liquides s'accumulent au-dessus de celui-ci tandis que la pression s'accumule en dessous.
Finalement, lorsque la pression atteint un niveau suffisamment élevé, une vanne de surface s'ouvre. Cela crée une différence de pression extrême, qui propulse le piston vers le haut du puits, un peu comme une fusée artisanale à l'échelle industrielle. L'eau et les autres liquides situés au-dessus du piston sont expulsés avec lui, ce qui permet au réservoir de refouler le gaz vers la surface pendant un certain temps. Lorsque la pression redescend en dessous d'un certain seuil, la vanne se ferme et le piston redescend, permettant ainsi de répéter le processus.
Les systèmes de pompage à piston sont très couramment utilisés dans l’industrie pétrolière et gazière : ils sont économiques et ne nécessitent aucune alimentation électrique externe, car ils exploitent la pression naturelle présente sous terre. Mais si le principe d’un système de pompage à piston est simple, son exploitation ne l’est pas. Les points de consigne — c'est-à-dire les seuils de pression qui déterminent quand le piston doit monter ou descendre — sont difficiles à définir. Les conditions souterraines peuvent évoluer rapidement, et les points de consigne appropriés peuvent facilement changer en l'espace de quelques jours.
Et des points de consigne mal réglés peuvent entraîner des problèmes importants.
« Si vous ne réagissez pas assez vite aux changements qui rendent caduques vos points de consigne actuels, votre piston restera bloqué en bas », a-t-il déclaré.
Un piston bloqué signifie un puits hors service, au moins jusqu’à ce que le problème soit résolu. Cela se fait généralement par une opération de purge, au cours de laquelle le puits est fermé et la pression augmentée jusqu’à ce que le piston puisse être repoussé vers le haut. Selon M. Hingerl, l’objectif est d’éviter autant que possible ces puits bloqués : leur dépannage peut être dangereux pour les travailleurs et coûte cher. De plus, les opérations de purge peuvent libérer de grandes quantités de méthane, un puissant gaz à effet de serre. Le méthane présent dans l’atmosphère retient très bien la chaleur, ce qui signifie qu’il a un impact 28 fois supérieur sur le changement climatique par rapport à une quantité équivalente de dioxyde de carbone.
« La plateforme d’automatisation actuelle d’Ambyint permet déjà de réduire ces incidents de purge de 60 à 70 % », explique M. Hingerl. Mais l’entreprise souhaitait étudier comment l’apprentissage par renforcement pourrait améliorer encore davantage cette efficacité, ce qui se traduirait par une baisse des coûts, une sécurité accrue pour les travailleurs et un impact environnemental réduit.
Le problème s'est avéré particulièrement complexe. Les projets d'apprentissage par renforcement impliquent souvent une forme de simulation : il s'agit de créer une version numérique du problème afin de pouvoir tester les modèles d'apprentissage par renforcement de manière bien plus efficace que dans le monde réel. Cependant, une simulation de qualité nécessite de grandes quantités de données, difficiles à obtenir dans le cas des puits de pétrole. La quasi-totalité de ces précieuses données se trouve en effet à plusieurs kilomètres sous terre, là où se situe le gisement.
« Tout se passe littéralement à cinq ou six kilomètres de profondeur. En surface, on ne dispose d’absolument aucune mesure de ce qui se passe dans le sous-sol », explique-t-il.
Que se passe-t-il sous terre ?
Pour faire face à cette incertitude, il fallait adopter une approche collaborative très spécifique. Une approche qui alliait la connaissance approfondie d’Ambyint de la dynamique des puits de pétrole à l’expertise de pointe d’Amii en matière d’apprentissage par renforcement. Plutôt que de se contenter de développer le modèle de manière isolée, les spécialistes en apprentissage automatique d’Amii ont travaillé main dans la main avec les membres de l’équipe technique d’Ambyint. Il en a résulté un processus collaboratif et itératif qui a non seulement permis de résoudre le problème, mais aussi d’approfondir la compréhension et la maîtrise de l’équipe d’Ambyint en matière d’apprentissage par renforcement et de ses possibilités.
« Nous avons rencontré leur équipe technique chaque semaine et avons discuté des différentes approches. La collaboration est très étroite à cet égard », a déclaré Dave Staszak, chercheur principal en apprentissage automatique au sein de l'équipe Technologies avancées d'Amii.
C'est l'un des objectifs : les aider à réfléchir au problème et à se familiariser avec l'apprentissage par renforcement.
Ambyint et l'équipe d'Amii Advanced Tech ont fini par tester plusieurs approches différentes d'apprentissage par renforcement (RL) afin d'améliorer les valeurs de consigne qui déterminent le moment où un piston est abaissé ou relâché.
La première approche consistait en une méthode d'apprentissage par renforcement (RL) hors ligne directe, qui utilisait des données historiques sur les points de consigne passés pour établir des prévisions pour l'avenir. Bien qu'elle ait donné des résultats encourageants, son utilisation sur un puits en exploitation impliquait des contraintes quant aux actions qu'elle pouvait entreprendre pour explorer des méthodes permettant d'améliorer l'efficacité.
Les chercheurs en apprentissage automatique d'Amii ont donc cherché à simplifier l'objectif. Plutôt que d'utiliser l'apprentissage par renforcement pour établir un plan à long terme définissant les valeurs de consigne, le modèle surveillerait les conditions actuelles dans le puits et réagirait uniquement à ce qui se passe à ce moment-là.
Enfin, ils ont tenté une autre solution ingénieuse, fondée sur la physique. Ce modèle combinait des données historiques relatives aux points de consigne antérieurs avec un ensemble de règles basées sur les principes physiques connus concernant les liquides, les gaz et les pressions. Ce n'est pas tout à fait la même chose qu'un simulateur, qui s'appuierait sur les conditions réelles enregistrées dans un réservoir. Mais il s'agit plutôt d'une estimation aussi précise que possible.
Ce modèle a fourni les prévisions les plus précises. Il présentait toutefois une limite, puisqu'il ne permettait pas de vérifier les conditions réelles qui régnaient sous terre.
« On parle de ce qui se passe dans un trou situé à plusieurs kilomètres sous terre. C’est donc complètement fou et chaotique. Certains y consacrent toute leur carrière pour essayer de comprendre », explique Staszak.
La réalité virtuelle et l'avenir du contrôle industriel
Au final, les modèles RL ont donné des résultats assez précis, mais ils n'étaient pas aussi fiables ni aussi réactifs aux changements qu'Ambyint l'exigeait, et ils n'offraient pas un meilleur rendement que la plateforme d'automatisation actuelle d'Ambyint.
M. Hingerl explique que les solutions de RL qu'ils ont développées avec l'équipe d'Amii ne sont peut-être pas encore prêtes à être mises en production, mais que le projet a tout de même apporté quelque chose d'inestimable : des connaissances. Après avoir mené ce projet avec l'équipe Advanced Tech, il affirme qu'Ambyint a acquis une expérience inestimable en matière d'apprentissage par renforcement.
« Amii apporte un regard neuf et des experts. Et puis, ils posent beaucoup de questions sur les raisons pour lesquelles on fait réellement les choses. Nous, on voit les choses à notre façon. Amii les a abordées d’une manière très différente, et ensemble, nous avons très bien complété le tableau. »
Même si ce projet spécifique n’a peut-être pas donné de résultats immédiats, M. Hingerl affirme que la collaboration avec Amii a permis de former son équipe aux spécificités de l’apprentissage par renforcement et à la manière dont cette technique peut être utilisée dans de futurs projets. Tout comme le projet visait à réduire l’incertitude liée aux puits de pétrole, M. Hingerl explique que la collaboration avec l’équipe d’Amii a permis de lever une grande partie des incertitudes concernant l’apprentissage par renforcement, réduisant ainsi le temps et les ressources nécessaires pour explorer comment cette technique pourrait être mise à profit dans le cadre des activités d’Ambyint. Désormais, son équipe est mieux armée pour en tirer parti à l’avenir.
L'entreprise continuera à mener des recherches sur la manière dont l'apprentissage par renforcement pourrait être intégré à sa plateforme d'automatisation. Et il est convaincu que cela apportera des avantages considérables à mesure que la technologie gagnera en maturité et que certains défis seront surmontés.
Hingler déclare : « J'y crois. C'est l'avenir. Il faut simplement approfondir davantage la recherche dans ce domaine. »
Réalisé par Amii avec le soutien de Développement économique des Prairies Canada, ce projet favorise l’adoption de l’IA dans l’ensemble des Prairies. Grâce à cette initiative, Amii dote les petites et moyennes entreprises de l’Alberta, de la Saskatchewan et du Manitoba de l’expertise technique indispensable pour prospérer sur un marché en constante évolution. En stimulant la croissance régionale, ce partenariat positionne les Prairies comme un pôle d’excellence en matière d’innovation fondée sur l’IA, ce qui accélère le développement économique local, crée des opportunités et renforce l’écosystème global de l’IA au Canada.
)