Abstract:
Ce mémoire présente une étude approfondie sur l’intégration de l’intelligence artificielle dans le domaine du forage pétrolier, plus précisément dans le contrôle qualité des fluides de forage au sein de l’ADFC, filiale de Sonatrach. Les fluides de forage, essentiels à la stabilité des puits et à la sécurité des opérations, sont traditionnellement surveillés à l’aide de méthodes manuelles et de tests en laboratoire, souvent limités par le manque d’automatisation et la réactivité tardive. Dans ce contexte, nous avons conçu et mis en œuvre une solution basée sur un modèle de Machine Learning, utilisant l’algorithme Random Forest, afin de détecter automatiquement les anomalies dans les propriétés des fluides à partir de données multi-sources (capteurs en temps réel, historiques, et analyses en laboratoire). L’approche est complétée par une application interactive développée sous Streamlit, permettant aux ingénieurs de charger des fichiers, visualiser les résultats et générer automatiquement des rapports d’anomalies.
Les résultats obtenus démontrent une amélioration significative en matière de réactivité, de fiabilité des prédictions et de support à la décision technique. Cette solution constitue une avancée concrète vers la digitalisation du secteur pétrolier et ouvre la voie à une surveillance intelligente et autonome des opérations de forage.
