| Titre : |
Optimisation du système de séparation Verti-G par apprentissage automatique pour le traitement des déblais de forage |
| Type de document : |
document électronique |
| Auteurs : |
Khalil Djeffal, Auteur ; Elias Benamira, Directeur de thèse ; Mouhoub Hacene, Directeur de thèse |
| Editeur : |
[S.l.] : [s.n.] |
| Année de publication : |
2025 |
| Importance : |
1 fichier PDF (9.4 Mo) |
| Présentation : |
ill. |
| Note générale : |
Mode d'accès : accès au texte intégral par intranet.
Mémoire de Projet de Fin d’Études : Génie des procédés et environnement : Alger, École Nationale Polytechnique : 2025
Bibliogr. p. 94-97 |
| Langues : |
Français (fre) |
| Mots-clés : |
Forage
Fluides de forage
Déblais de forage
Verti-G
Optimisation
Machine
Learning
Intelligence Artificielle (IA). |
| Index. décimale : |
PE00425 |
| Résumé : |
Les opérations de forage pétrolier génèrent des déblais (cuttings) contaminés par des boues à
base d’huile (OBM), posant des défis environnementaux majeurs. Ce travail, en collaboration
avec la société ADFC, vise à optimiser le système Verti-G, un séparateur mécanique destiné à
réduire la teneur en huile résiduelle (OOC) des cuttings.
À partir de données industrielles, plusieurs modèles de régression ont été testés (Random Forest,
SVR, LightGBM, CatBoost), optimisés via Optuna, puis combinés par stacking, atteignant un
R2 maximal de 0.889 et un RMSE de 0.294. Enfin, une optimisation inverse des réglages Verti-G
a permis de recommander des paramètres réduisant l’OOC prédite de 7.41% à 5.66 %, tout en
restant dans des plages industrielles réalistes.
Ces résultats démontrent l’intérêt des techniques de Machine Learning pour améliorer les per-
formances industrielles et limiter l’impact environnemental des déchets pétroliers. |
Optimisation du système de séparation Verti-G par apprentissage automatique pour le traitement des déblais de forage [document électronique] / Khalil Djeffal, Auteur ; Elias Benamira, Directeur de thèse ; Mouhoub Hacene, Directeur de thèse . - [S.l.] : [s.n.], 2025 . - 1 fichier PDF (9.4 Mo) : ill. Mode d'accès : accès au texte intégral par intranet.
Mémoire de Projet de Fin d’Études : Génie des procédés et environnement : Alger, École Nationale Polytechnique : 2025
Bibliogr. p. 94-97 Langues : Français ( fre)
| Mots-clés : |
Forage
Fluides de forage
Déblais de forage
Verti-G
Optimisation
Machine
Learning
Intelligence Artificielle (IA). |
| Index. décimale : |
PE00425 |
| Résumé : |
Les opérations de forage pétrolier génèrent des déblais (cuttings) contaminés par des boues à
base d’huile (OBM), posant des défis environnementaux majeurs. Ce travail, en collaboration
avec la société ADFC, vise à optimiser le système Verti-G, un séparateur mécanique destiné à
réduire la teneur en huile résiduelle (OOC) des cuttings.
À partir de données industrielles, plusieurs modèles de régression ont été testés (Random Forest,
SVR, LightGBM, CatBoost), optimisés via Optuna, puis combinés par stacking, atteignant un
R2 maximal de 0.889 et un RMSE de 0.294. Enfin, une optimisation inverse des réglages Verti-G
a permis de recommander des paramètres réduisant l’OOC prédite de 7.41% à 5.66 %, tout en
restant dans des plages industrielles réalistes.
Ces résultats démontrent l’intérêt des techniques de Machine Learning pour améliorer les per-
formances industrielles et limiter l’impact environnemental des déchets pétroliers. |
|
PE00100 
Ajouter le résultat dans votre panier Faire une suggestion Affiner la rechercheOptimisation du système de séparation Verti-G par apprentissage automatique pour le traitement des déblais de forage (2025)
