Newsroom

Chez Schlumberger, la data science irrigue l’exploration, la production et l’innovation

petrole-offshore
Fort de ses expériences en machine learning, notamment dans la Silicon Valley, Laurent Butré est aujourd’hui en charge de la création du AI Lab de Schlumberger, rattaché directement au Technology Innovation Center de l’entreprise, en Californie. Il dirige au quotidien les opérations de ce Lab parisien : recrutement, recherche de projets clients, mentorat et pilotage budgétaire. Il est venu présenter son activité aux étudiants du MS Big Data le 9 mai 2019.
Schlumberger est une entreprise multinationale de services et équipements pétroliers créée en 1926. Elle fournit des produits et services de l’exploration à la production, en passant par des solutions intégrées allant des cartographies sismiques, du forage, de la mise en production du réservoir jusqu’aux premiers équipements de pétrochimie optimisant la récupération des hydrocarbures. Elle compte 100 000 employés dans le monde, aux États-Unis, en Europe et en Asie avec une présence dans 85 pays au total.

Les cas d’usages du AI Lab, situé à Clamart, portent notamment sur la caractérisation, la production, et le forage des puits.

La caractérisation correspond au travail réalisé en amont du forage du premier puits. Une meilleure compréhension du puits permettra une meilleure optimisation de ses performances tout au long de sa vie. Il s’agit de comprendre les roches et les fluides du puits grâce à des mesures précises fournies par les outils de mesure complexes, ainsi que grâce à l’expertise multidisciplinaire des ingénieurs de Schlumberger.

Par exemple, dans le cas d’une caractérisation de réservoir en mer profonde, une source sismique (canons à air) disposée sous un navire, va générer une onde sonore qui se propage dans l’eau et dans le sous-sol. Les couches géologiques du sous-sol sont caractérisées par une densité et une célérité. Au niveau de chaque interface entre deux couches successives :

  • Une partie de l’énergie de l’onde incidente est réfléchie vers la surface,
  • Une partie de l’énergie est transmise dans les couches plus profondes. Les signaux réfléchis sur les couches du sous-sol sont reçus par des capteurs de pression (hydrophones) intégrés dans de longs câbles remorqués derrière le navire, puis enregistrés à haut débit dans des serveurs de calcul.

Ces enregistrements représentent des milliers d’images pour lesquelles les ingénieurs devront analyser chaque couche avec ses failles et ses faciès géologiques, et définir la nature des dépôts de couche organique dans un immense modèle 3D. Ces pétaoctets de données nécessitent l’apport de la data science afin de soulager l’important travail d’analyse fourni par les géologues. À titre de comparaison, le data scientist, même avec une précision de 68% dans ses analyses des couches, arrive en 72h à réduire la quantité de données que le géologue aurait eu à traiter sur plusieurs mois afin de détecter les couches susceptibles de contenir des hydrocarbures.

Schlumberger propose des technologies pour le forage dirigé par des mesures pétro-physiques (nucléaires et résistivité), permettant aux sociétés pétrolières d’accroître l’efficacité de leur production par un positionnement optimum du puits. En combinant ces technologies au service du forage avec le guidage sismique, Schlumberger fournit des mesures de surface et en fond de trou pour le pilotage géologique et pour améliorer la compréhension du puits en vue d’un placement précis et d’une meilleure assurance de production en volume. Il s’agit en effet de guider la tête de forage (mandrin) dans une fenêtre de tir d’un mètre seulement, tout en étant à 10 km de la cible, grâce aux capteurs présents derrière la foreuse. La data science s’avère alors utile afin d’aider à prédire au mieux si l’on se rapproche de la couche contenant du pétrole.

Pour ce qui est de la production, les recherches de Schlumberger s’intéressent à la meilleure façon d’extraire le pétrole et le gaz de réservoirs complexes en allant jusqu’à la prédiction de la production des différents puits tout en protégeant l’environnement avec un contrôle efficace des fuites potentielles.

Enfin, la data science prend une grande place en innovation où les priorités sont d’améliorer l’efficacité opérationnelle (par exemple, on ne sait retirer que 30% de pétrole dans le sol), réduire les coûts, améliorer la durée de vie des équipements actifs, ou encore renforcer la sécurité. Avec la vision par ordinateur, on peut reconnaitre que des objets ont été posés d’une façon non adéquate et ainsi envoyer quelqu’un pour remettre l’objet dans une position sécurisée. On peut également identifier au plus vite si une personne est en détresse, ou allongée par terre. Ces tâches peuvent être confiées à des drones survolant les exploitations pétrolières afin d’identifier si tout est bien en ordre, avec une automatisation de la reconnaissance d’images réalisée par des réseaux de neurones.

Compte-rendu rédigé par Guillaume Quispe et Guillaume Ferrier, étudiants du Mastère Spécialisé Big Data de Télécom Paris, promotion 2018-2019.