Les compagnies pétrolières et gazières emploient de nombreux opérateurs de première ligne pour maintenir leurs opérations sur le terrain chaque jour. La gestion et la maintenance des actifs peuvent être longues et coûteuses, mais sont cruciales pour leur production. EZ Ops, une société de logiciels basée à Edmonton, utilise l'apprentissage automatique pour résoudre certains des défis les plus pressants du secteur.

EZ Ops a été fondée par un groupe d'opérateurs pétroliers et gaziers travaillant à l'élaboration de solutions pour gérer ces défis sur le terrain. Leur objectif est de créer une plateforme d'exploitation avancée basée sur un logiciel en tant que service (Saas) qui s'appuie sur l'apprentissage automatique et l'intelligence artificielle (IA) pour aider à réduire les dépenses d'exploitation et les émissions.

La plateforme s'articule autour d'un centre d'information central permettant aux équipes d'exploitation de partager des données sur le terrain et de communiquer en temps réel. Elle les aide également à suivre et à optimiser les niveaux de production et la gestion des fluides, ainsi qu'à automatiser la programmation et les activités de maintenance. La plateforme facilite également la surveillance des fuites et des pannes d'équipement, tout en rationalisant les rapports de conformité réglementaire. Ces changements peuvent avoir un impact important : à ce jour, la société estime avoir fait économiser à ses clients environ 48 millions de dollars en temps et en coûts d'exploitation, tout en réduisant les émissions de dioxyde de carbone de 4 880 tonnes.

L'entreprise utilise désormais l'apprentissage automatique pour s'attaquer à deux problèmes clés du secteur : la hiérarchisation des tâches et la prévision des coûts et de la production.

Le défi de la dimensionnalité

Lorsqu'il s'agit de tirer le maximum de production d'un puits, les opérateurs ont une tâche délicate. Avec tant d'informations à trier et tant de systèmes à gérer, il peut être difficile de déterminer quelles tâches doivent être prioritaires, qu'il s'agisse d'effectuer de simples diagnostics ou d'injecter des produits chimiques ou des réparations. Traditionnellement, ces choix sont faits en fonction des routines établies et de l'expérience des opérateurs. Toutefois, ce processus peut prendre beaucoup de temps. Et comme le secteur est de plus en plus axé sur les données et que la quantité d'informations à analyser augmente, le risque d'erreur augmente également. La plateforme d'EZ Ops génère une liste de tâches hautement prioritaires qui fournissent davantage d'informations aux opérateurs et éliminent une grande partie des incertitudes du processus.

EZ Ops utilise désormais l'intelligence artificielle pour rendre cette hiérarchisation des tâches encore plus efficace. Son modèle d'apprentissage automatique utilise les données enregistrées à la fois par les opérateurs de première ligne travaillant sur les puits et par les informations recueillies par les puits eux-mêmes tracées dans le temps. En passant ces données au crible, le modèle trouve des tendances et des modèles qui permettent de mieux comprendre quelles tâches doivent être placées en tête de liste.

Cependant, l'utilisation de ces données est un défi en soi, notamment en raison de leur quantité. Il est communément admis que les modèles ML fonctionnent mieux avec davantage de données. Cependant, ces méthodes peuvent rencontrer certaines difficultés si les données ont une dimensionnalité très élevée - ce qui signifie qu'elles sont trop détaillées, avec trop de caractéristiques enregistrées. Ce problème est si important que les spécialistes du ML lui ont donné un nom : la "malédiction de la dimensionnalité". Si un modèle d'apprentissage automatique est confronté à un trop grand nombre de variables, il risque de ne pas être en mesure de distinguer les facteurs réellement importants de ceux qui ne le sont pas.

Heureusement, la plupart des problèmes ont des solutions en langage ML. EZ Ops s'est tourné vers une méthode appelée analyse en composantes principales (ACP) pour résoudre le problème de la dimensionnalité.

L'ACP consiste à calculer les relations entre les nombreuses variables d'un ensemble de données, afin de trouver celles qui sont étroitement liées les unes aux autres. Si plusieurs variables sont fortement corrélées entre elles, elles peuvent être éliminées de l'ensemble de données sans perdre beaucoup d'informations. Le résultat final est un ensemble de données simplifié qui peut ensuite être utilisé pour former un modèle d'apprentissage automatique sur les meilleures actions qu'un opérateur de puits peut prendre. Le modèle a été formé à l'aide d'une approche hybride d'apprentissage par renforcement, en commençant par quelques heuristiques de base, puis en exécutant une boucle de rétroaction continue avec de vrais opérateurs pour affiner le modèle.

Prévoir l'avenir

Grâce à l'utilisation du modèle, la plateforme d'EZ Ops est maintenant encore plus apte à déterminer les tâches les plus importantes à prioriser, à les transmettre aux opérateurs de puits, leur permettant ainsi d'augmenter la production. L'ACP est également utilisée pour répondre à une autre préoccupation essentielle de l'opérateur : la prévision de la production et des événements possibles.

À l'aide d'une méthode statistique appelée régression, EZ Ops travaille sur un modèle d'analyse des données historiques de ses puits afin de déterminer la relation entre une variable - par exemple, la quantité de pétrole produite par un puits - et d'autres facteurs. Cela lui permettra de prévoir le taux de production ou toute autre information utile sur le puits. Ce modèle peut être utilisé par l'entreprise et les opérateurs de nombreuses façons. Par exemple, en disposant d'une prédiction précise de la production future, la compagnie peut ajuster ses prix plus efficacement. Quant aux exploitants, ils peuvent avoir un aperçu des événements à venir, tels qu'une augmentation de la pression du puits ou le taux d'épuisement des pièces du puits.

EZ Ops a estimé avoir fait économiser jusqu'à 48 millions de dollars à ses clients grâce à la veille économique de première ligne. Des méthodes de ML telles que l'ACP et les modèles de régression ont aidé l'entreprise à créer des modèles pilotés par l'IA qui montrent aux opérateurs les activités prioritaires qui génèrent le plus de production et de conformité aux normes de sécurité, leur permettant ainsi de libérer le potentiel de leurs bases de données pour améliorer leurs opérations de première ligne.

Cette étude de cas a été élaborée en collaboration avec le AI Pathways Partnership, grâce au financement de Prairies Canada.