Abstract:
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.
