DATE CLASSIFICATION INITIALE 31/07/2007 DR Projet MODEAU : Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études PÔLE EMETTEUR AUTEURS TUTRICES DE STAGE DEP/DGS Ba Linh NGUYEN Markéta PICHLOVA France © Gaz de Magali CLAUDEL DIRECTION EXPLORATION PRODUCTION Département Géosciences Service Assistance Géosciences 361, avenue du Président WILSON 93211 Saint-Denis La Plaine Cedex téléphone 01 49 22 49 14 télécopie 01 49 22 54 15 Gaz de France S.A au capital de 983 871 988 € 542 107 651 RCS Paris Institut de la francophonie pour l’informatique Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études NB DE PAGES TOTAL 53 NB D’ANNEXES DOC(S) ASSOCIÉS CLASSEMENT MODEAU COMPTE DE GESTION / COST CENTER RÉSUMÉ La production de gaz dans les gisements comme dans les stockages en aquifère induit également une production d’eau de gisement qui perturbe l’exploitation des sites et représente un coût important lors du traitement Afin de minimiser cet impact il est utile de prévoir ces arrivées d’eau Une instrumentation a été mise en place pour mesurer les quantités d’eau arrivant en surface L’exploitation de ces données par méthode d’apprentissage devrait améliorer la gestion des puits et des débits imposés L’objectif de ce stage est de prédire l’occurrence des bouchons d’eau dans les réseaux de collecte des stockages de gaz Dans ce rapport, une étude sur l’utilisation des réseaux de neurones pour la prévision des quantités d’eau est réalisée Puis trois types de modèles neuronaux différents (a savoir Backpropagation, Filtres adaptatifs et Réseaux dynamique) sont présentés et évalués ABSTRACT Production of gas from gas deposits as well as from aquifer underground storage also produces water which disturbs the exploitation of the sites and represents an important treatment cost In order to minimize this impact it is necessary to envisage these water arrivals An instrumentation to measure the quantities of water arriving on the surface The exploitation of these data by machine learning should improve the management of the wells and the imposed flows The objective of the training is to predict the occurrence of water slugging in the separators In this report, a study about the use of reural networks to predict the quantity of water produced is presented, three types of neural models are shown Backpropagation, Adaptive Filters and Dynamic Networks) and evaluated Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 2/60 (ie Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études Sommaire I PRESENTATION DE GAZ DE FRANCE .5 1.1 Organisation 1.2 Activités 1.3 Présentation de la Direction Exploration Production .6 1.3.1 Organisation de la Direction Exploration Production 1.3.2 Accueil des stagiaires II CONTEXTE DU STAGE : PROJET MODEAU 2.1 Stockages de gaz en nappe aquifère 2.2 Projet MODEAU .8 2.3 Essais Cerville 2.3.1 Instrumentations : 2.3.2 Bouchons 10 2.3.3 Données L.I.T et outil de gestion des bouchons d’eau 10 2.4 Objectifs du stage 11 2.5 Logiciel utilisé 11 III RÉSEAU DE NEURONES 12 3.1 Introduction .12 3.2 Modèle de neurone et Architectures de réseau 13 3.2.1 Modèle de neurone 13 3.2.2 Architectures de réseau .14 3.3 Le perceptron 18 3.3.1 Introduction .18 3.3.2 Modèle de neurone 18 3.3.3 Architecture de perceptron 20 3.3.4 Règles d’apprentissage 20 3.3.5 Règle d’apprentissage de perceptron 21 3.4 Algorithme d’apprentissage de « Backpropagation » 22 3.4.1 Introduction .22 3.4.2 Architecture de neurone 22 3.4.3 Algorithme de Backpropagation 24 3.5 Filtres adaptatifs et formation adaptative 25 3.5.1 Introduction .25 3.5.2 Modèle de neurone linéaire .25 3.5.3 Architecture de réseau linéaire adaptatif 25 3.5.4 L’algorithme LMS (Least Mean Squared) .26 3.5.5 Filtrage adaptatif (adapt) 26 3.6 Réseau dynamique 28 3.6.1 Introduction .28 3.6.2 Focused Time-Delay Neural Network (newfftd) 28 3.7 Conclusion 28 IV TRAVAIL EFFECTUE 30 4.1 Pré-traitment de données 30 4.2 Prédiction des événements .32 4.2.1 Backpropagation 33 Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 3/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études 4.2.2 Filtre adaptatif 46 V Conclusion 53 VI Références 54 VII Annexe 56 7.1 Scripts d’apprentissages avec Backpropagation 56 7.2 Script d’apprentissage avec Filtre Adaptatif 57 7.3 Script de prévoir niveau d’eau avec gaz proposé 58 Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 4/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études PRESENTATION DE GAZ DE FRANCE Gaz de France est un acteur majeur de l’énergie en Europe Le Groupe produit, transporte, distribue et commercialise du gaz, de l’électricité et des services auprès de 13,8 millions de clients (particuliers, entreprises, collectivités) 1.1 Organisation Le management de Gaz de France repose sur un Comité exécutif et quatre Branches opérationnelles Quatre fonctions de pilotage sont également rattachées au Président Directeur Général: stratégie, communication, audit et risques, et délégation aux cadres dirigeants du Groupe Gaz de France a pour ambition de fournir de l’énergie et des services ses clients au meilleur prix, de s’imposer comme un gestionnaire d’infrastructures de référence en Europe, d’être un acteur engagé du développement durable et de créer de la valeur pour ses actionnaires 1.2 Activités • Acheter Gaz de France est le 4ème acheteur mondial de gaz naturel et dispose du portefeuille d’approvisionnement le plus diversifié en Europe C’est pourquoi Gaz de France peut garantir ses clients la fourniture d’une énergie compétitive • Vendre Gaz de France vend ses clients du gaz, de l’électricité et des services en France et en Europe Le Groupe est le 3ème opérateur de services énergétiques en France et le 2ème en Italie • Produire Etre producteur est le fruit d’une politique volontariste de diversification du portefeuille d’approvisionnements du Groupe Depuis 2005, Gaz de France produit également de l’électricité • Etre leader du GNL en Europe Gaz de France est le 2ème acteur du gaz naturel liquéfié (GNL), le 2ème opérateur de réception de GNL en Europe et le 5ème importateur mondial En 2005, le GNL a représenté 26 % des approvisionnements de long terme de Gaz de France • Gérer des infrastructures Gaz de France investit significativement sur son réseau en France et renforce ses positions en Europe, pour s’imposer comme un gestionnaire d’infrastructures de référence Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 5/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études 1.3 Présentation de la Direction Exploration Production Au cours de mon stage, j’ai travaillé au sein de la Direction Exploration Production (DEP) de Gaz de France Il s’agit d’une direction relativement jeune qui a été créée en 2000 pour diversifier et sécuriser les ressources en gaz naturel du groupe Aujourd’hui, l’exploration production constitue une activité clef de l’entreprise La DEP a trois objectifs majeurs : • Disposer moyen terme d’une porte-feuille de réserves prouvées et probables d’un milliard de barils-équivalent-pétrole • Accrtre la production du groupe par croissance interne et externe • Accrtre la compétitivité du groupe 1.3.1 Organisation de la Direction Direction Exploration Production La Direction Exploration Production inclut cinq départements : • Département acquisitions Le département acquisition (DAC) est responsable des acquisitions, des ventes et de l’échange des capitaux dans le secteur d’exploration et de production • Département économie et finance Le département économie et finance (DEF) inclut deux équipes : L’équipe d’économie et d’évaluation des risques : Les fonctions de cette équipe sont de mettre jour la gestion du portefeuille, la gestion des risques, la consolidation et le développement de l’acquisition de la division d’explorationproduction et de la stratégie d’exploration L’équipe de contrôle et de finances : Cette équipe a le rôle de la gestion de contrôle dans la division de production d’exploration Ceci consiste préparer et surveiller le budget, assurer la collecte et le traitement de l’information avec les filiales, et suggérer des mesures pour améliorer les résultats de l’activité • Département de Géosciences Le département de Géosciences comporte sections : appui scientifique, assistance technique et projets Geosciences Le département de Geosciences a pour missions de réaliser les études techniques et économiques en géosciences (géologie, géophysique, réservoir), pour les stockages en aquifère et les gisements • Département opérations Le département opérations (DOP) assure la qualité du travail technique dans l’acquisition, le développement et la production Il assure l’intégration, les synergies et le développement de la compétence, évalue des incertitudes et les risques techniques Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 6/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études • Département exploration Le département exploration (DEX) a pour but de prospecter afin d’étendre les sources d’approvisionnement Mon stage s’est déroulé dans le Département Géosciences, dans le cadre du projet MODEAU Ce projet est un projet support pour la Division des Grandes Infrastructures (DGI) qui opère les stockages 1.3.2 Accueil des stagiaires La Direction Exploration Production de Gaz de France accueille régulièrement de nombreux stagiaires L’habitude de travailler avec des stagiaires rend leur accueil chaleureux et facilite leur intégration au sein de leur équipe de travail Les stagiaires ont de nombreux avantages au sein de cette entreprise, comme le temps de travail de 35 heures par semaine, le restaurant du site prix correct, la possibilité d’accéder la bibliothèque, la vidéothèque etc Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 7/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études CONTEXTE DU STAGE : PROJET MODEAU 2.1 Stockages de gaz en nappe aquifère Les nappes aquifères, qui contiennent le plus souvent de l’eau l’état naturel, sont utilisées pour stocker du gaz dans les pores des roches qui les constituent Les structures géologiques sont des anticlinaux couverts par une roche imperméable (argiles) Le gaz est injecté durant l’été pour être stocké, puis soutiré en hiver afin d’être distribué aux clients Le processus de production et de stockage se déroule sur toute l’année Dans la nappe aquifère, le gaz est injecté au-dessus de l’eau, donc lorsque le puits de production soutire le gaz, il induit également une production d’eau qui perturbe l’exploitation des sites et représente un coût important lors du traitement Figure 2-1: Stockages de gaz en nappe aquifère 2.2 Projet MODEAU L’eau produite lors du soutirage du gaz des stockages en nappe aquifère a un impact sur les coûts d’exploitation et la disponibilité des installations Cet impact tend s’accrtre avec les contextes d’exploitation venir : accès des tiers aux stockages, irrégularité des cycles de production Les objectifs du projet sont : • fournir des outils de prédiction de la production d’eau et de ses impacts en fonction des conditions d’exploitation et de l’état du stockage ; • fournir des règles de conception de la chne de l’eau de production (technologie, configuration et dimensionnement) Le projet MODEAU (MO MOdélisation des venues D’EAU EAU ) s’intéresse au sousMO sous-sol et aux puits puits Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 8/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études L’un des axes du projet consiste prévoir les arrivées d’eau sous forme de « bouchons » des puits vers les séparateurs Pour cela une technique basée sur les réseaux de neurones a été envisagée 2.3 Essais Cerville Des essais ont été organisés sur le site de stockage de Cerville Ils ont permis de réaliser une observation complète de la production d’eau et de fournir des données fiables de venue d’eau Les essais ont eu lieu sur le puits VA27 Figure 2-2 : profil de la collecte du puits VA27 2.3.1 Instrumentations : L’instrumentation la plus pertinente la fois pour détecter les bouchons au séparateur et compter l’eau qui y arrive (les pots-siphons ont été fermés) est la solution L.I.T (Level Indicator Transmission) qui fournit en temps réel et en continu le niveau d’eau de la cuve du séparateur Cette instrumentation a l’avantage de permettre de s’affranchir des délais de purge qui peuvent fausser le comptage de l’eau Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 9/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études Figure 2-3 : comptage de l’eau au séparateur 2.3.2 Bouchons L’analyse des données fournies par le L.I.T révèle un point important : les bouchons sont préférentiellement, voire exclusivement, générés par les reliefs de la collecte La mécanique est la suivante : si la vitesse du gaz est inférieure une vitesse seuil, l’eau s’accumule dans le point bas jusqu’à créer des pertes de charges importantes (et détectables), puis est brusquement emportée vers le séparateur dès que la vitesse du gaz augmente, même très légèrement L’eau emportée constitue alors un bouchon qui est traité au niveau du séparateur par des purges successives haute fréquence Le risque dans ce cas est de mettre le séparateur en sécurité et de provoquer une gêne l’exploitation Figure 2-4 : niveau d’eau dans le séparateur et indication des purges Mise en évidence d’un bouchon d’eau 2.3.3 Données L.I.T et outil de gestion des bouchons d’eau Suite aux précieux enseignements de l’analyse des données fournies par le L.I.T la piste stochastique de la prévision des bouchons d’eau au séparateur a été renforcée : un modèle mécanique du cheminement des bouchons avec les effets tampon des points bas de la collecte avec le logiciel OLGA est plus laborieuse En revanche une méthodologie basée sur les Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 10/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études Quand on réduit davantage les données, on perd l’information sur les événements importants, donc, on ne peut pas réduire les données au-delà de 1/20 Figure 4-27 : Graphe d’apprentissage de la prédiction événement après par réduire les données 1/40 zoom Avec la méthode Backpropagation il y a toujours un décalage entre la date prédite et la date laquelle il a réellement lieu La période de temps de décalage est assez grande en comparaison avec le temps prévu, donc on ne peut pas utiliser cette méthode pour faire la prédiction On ne peut pas utiliser non plus le Backpropagation avec les données réduites, parce qu’avec les données réduites moins de 1/20, les données vont perdre des événements importants comme les bouchons qui sont des événements rapides En revanche, avec les données complètes, le temps de calcul pour réaliser un apprentissage est très long, donc on voit que l’utilisation des données réduites 1/10, représente un bon compromis 4.2.2 Filtre adaptatif Si on veut utiliser un filtre adaptatif pour prévoir la prochaine valeur d’un processus aléatoire, p(t), on peut employer le réseau montré ci-dessous : Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 46/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études Figure 4-28 : La modèle de la prédiction d’événement du filtre adaptatif Le signal pour être prévu, p(t), entre de la gauche dans le tapped delay line Les deux valeurs précédentes de p(t) sont disponibles comme les sorties du tapped delay line Le réseau utilise adapt pour changer les poids chaque étape afin de réduire au minimum l’erreur e(t) Si cette erreur est zéro, alors le réseau a produit a(t) est exactement égal p(t), et le réseau a fait sa prévision correctement Nous allons faire une prédiction de l’eau avec un tapped delay line = 9, et avec une réduction de données 1/10 Ordre Evénement Tapped delay line Erreur 1 0.2458 2 0.3315 3 0.3729 4 0.4017 5 0.4216 6 0.4346 7 0.4427 8 0.4474 9 0.4495 10 10 0.4501 Tableau 4-14 : Résultats de prédiction de 10 événements après par le filtre adaptatif avec TDL=9 On voit que l’erreur quand on prédit 10 événements après est de 0.4501 ; c’est beaucoup moins que le résultat avec Backpropagation (0.9406) On peut voir le détail sur les graphes cidessous : Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 47/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études Figure 4-29 : Prédiction 10 événements après par le filtre adaptatif avec les données réduites 1/10 Figure 4-30 : Prédiction 10 événements après par le filtre adaptatif avec les données réduites 1/10 – zoom1 Figure 4-31 : Prédiction 10 événements après par le filtre adaptatif avec les données réduites 1/10 – zoom2 Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 48/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études On trouve que cette méthode peut prédire les petits bouchons mais elle est moins pertinente avec les gros bouchons (elle prédit leur moment d’occurrence mais pas leur intensité) Le résultat du filtre adaptatif dépend beaucoup de la longueur du tapped delay line On teste différents tapped delay line: Ordre Evénement Tapped delay line Erreur 10 15 0.5699 10 20 0.4311 10 25 0.3821 10 30 0.3674 10 35 0.3584 10 40 0.3523 10 45 0.3411 10 50 0.3230 10 55 0.3059 10 10 60 0.3007 11 10 65 0.2949 12 10 70 1.5271e+027 Tableau 4-15 : Résultats de prédiction 10 événements après par le filtre adaptatif avec les TDLs différents La limite pour la longueur du tapped delay line est de 65 Si la valeur excède 65, on ne peut pas faire la prédiction Figure 4-32 : Prédiction 10 événements après par le filtre adaptatif TDL = 65 Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 49/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études Figure 4-33 : Prédiction 10 événements après par le filtre adaptatif TDL = 65 - zoom On prédit bien le bouchon avec une erreur e= 0.2949, mais dans ce cas, il y a aussi apparition de quelques prédictions fausses Ceci est de moindre importance car cela permet d’adopter un comportement conservatif Avec l’erreur e = 0.2949 pour prédire 10 événements après, on peut prédire plus d’événements utilisant le filtre adaptatif : Ordre Evénement Tapped delay line Erreur 20 65 0.2531 30 65 0.2578 40 65 0.2831 50 65 0.3477 Tableau 4-16 : Prédiction de 20 50 événements après par le filtre adaptatif TDL = 65 50 événements équivant une heurs, avec l’erreur = 0.3477, cette erreur est acceptable pour prédire un événement dans une heures Figure 4-34 : Prédiction de 50 événements après par le filtre adaptatif TDL = 65 Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 50/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études Figure 4-35: Prédiction de 50 événements après par le filtre adaptatif TDL = 65 – zoom Figure 4-36 : Prédiction de 50 événements après par le filtre adaptatif TDL = 65 – zoom Prédire l’eau avec gaz imposé Dans le système d’exploitation du gaz, on peux ajuster le débit du gaz pour contrôler le niveau d’eau Donc, on va utiliser le filtre adaptatif pour prédire le niveau d’eau avec le débit du gaz imposé Ici, j’ai utilisé, le modèle de filtra adaptatif pour prédire les événements dans une heure, deux heures et trois heures après Ordre Evénement Tapped delay line Erreur 50 60 0.2432 100 60 0.2479 150 60 0.2482 Tableau 4-17 : Prédiction de 50 150 événements après par le filtre adaptatif avec gaz imposé Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 51/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études Figure 4-37 : Prédiction de 150 événements après par le filtre adaptatif avec gaz imposé – zoom1 Figure 4-38 : Prédiction de 150 événements après par le filtre adaptatif avec gaz imposé – zoom2 Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 52/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études Conclusion J’ai mis en place deux modèles d’apprentissage: Backpropagation et Filtre adaptataif pour prévoir l’arrivée des bouchons d’eau Par les résultats obtenus on voit que le modèle de filtre adaptatif est le mieux adapté Avec Backpropagation, les résultats sont bons pour la prédiction des événements proches Les résultats ne sont pas bons quand on prédit plusieurs événements après Avec le Filtre adaptatif, on peut prévoir de un plusieurs événements dans la future Avec cette méthode, la valeur d’erreur n’a pas relevé très vite quand on augemente les événements de prédiction Il existe d’autres modèles d’apprentissages, mais je n’ai pas assez de temps pour les tester parce que mon stage se déroule pendant seulement six mois Pour l’instant, les résultats obtenus avec le modèle Filtre adaptatif pour prévoir l’arrivée des bouchons d’eau est un outil qui fournit des résultats satifaisants Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 53/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études Références [1] Howard Demuth, Mark Beale, Martin Hagan – Neural Network Toolbox – 2007 [2] Magali Claudel – Projet MOEAU : Avancement novembre 2006 Perspectives pour 2007 [3] Magali Claudel – Projet MOEAU : Sous – parite Données Réelles Sites (D.R.S) : Bilan des essais réalisés sur le puits VA27 Cerville durant la cmpagne 2005/2006 [4] Christopher M Bishop – Neural Networks for Pattern Recognition – 2004 [5] Society of Retroleum Engineers SPE 87008 – From Real Time Data to Production Optimization – 2004 [6] Mark Last, Abraham Kandel, Horst Bunke - Data mining in time series databases - 2004 [7] Esa Alhoniemi - Pattern recognition – spring 2003 Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 54/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 55/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études Annexe 7.1 Scripts d’apprentissages avec Backpropagation tout.m Mode d’emploi : tout.m Données utilisées : - données eau4 : données d’eau - données y4 : données gaz, eau, pression, température %Description: prédire les différentes événements après avec Backpropagation %chaque fois prédire les événement après, on essayer de prédire avec % différences neurones, chaque cas on enregistre le %résultat et les informations dans un struct cycle %cycle(i,j): c'est le cas avec prédire i événement après, avec j neurones %eau4: données d'eau target %y4: données gaz, eau, pression, température f=10;%nombre d'événements après s=4;%nombre de neurones n=82988; n1=50000; n2=n1+1; n3=n-n1-1; for i=10:f t=eau4.'; p=y4; for l=1:i t(l)=[]; p(:,n+1-l)=[]; end %preprocessing données [tn,ts]=mapminmax(t); [pn, ps]=mapminmax(p); tn1=tn(:,1:n1); tn2=tn(:,n2:n-l); t1=t(:,1:n1); t2=t(:,n2:n-l); pn1=pn(:,1:n1);%données d'apprentissages pn2=pn(:,n2:n-l);%données de teste for j=4:1:s cycle(i,j)=struct('net', newff([-1 1;-1 1;-1 1;-1 1], [j, 1], {'purelin','tansig'},'trainlm'),'tr',[],'an1',[],'a1',[],'t1',t1,'x1' ,[],'an2',[],'a2',[],'t2',t2,'x2',[]); cycle(i,j).net.trainParam.show=50; cycle(i,j).net.trainParam.epochs=500; cycle(i,j).net.trainParam.lr=0.05; cycle(i,j).net.trainParam.goal=1e-7; [cycle(i,j).net,cycle(i,j).tr]=train(cycle(i,j).net, pn1,tn1); %simulation avec données d'apprentissage Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 56/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études cycle(i,j).an1=sim(cycle(i,j).net,pn1); %an1=sim(cycle(i,j).net,pn1); cycle(i,j).a1=mapminmax('reverse',cycle(i,j).an1,ts); cycle(i,j).x1=(1:1:length(cycle(i,j).a1)); %cycle(i,j).graph=plot(cycle(i,j).x1, cycle(i,j).a1, cycle(i,j).x1, t1); %simulation avec données de teste cycle(i,j).an2=sim(cycle(i,j).net,pn2); cycle(i,j).a2=mapminmax('reverse',cycle(i,j).an2, ts); cycle(i,j).x2=(1:1:length(cycle(i,j).a2)); %cycle(i,j).graph=plot(cycle(i,j).x2, cycle(i,j).a2, cycle(i,j).x2, t2); end end 7.2 Script d’apprentissage avec Filtre Adaptatif testAdapt.m Mode d’emploi : testAdapt.m Données utilisées : - données eau4 : données d’eau - données y4 : données gaz, eau, pression, température %Prédire avec Filtre Adaptatif %ce script prédire avec les différences événements après et enregistre dans %un struct str, i: nombres d'événement après n=82988; n1=50000;%données d'apprentissage n2=50001; % données test t= con2seq(eau4.'); [tn,ts]=mapminmax(t); p=con2seq(y4); [pn,ps]=mapminmax(p); tn1=tn(1:n1); tn2=tn(n2:end); pn1=pn(1:n1); pn2=pn(n2:end); %dl=15; lr = 0.01; for i=10:10:10 delays =(i:i+15);%longue de tapped delay line Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 57/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études str=struct('net', newlin([-1 1;-1 1;-1 1],1,delays,lr),'a1',[],'t1',[],'x1',[],'a2',[],'t2',[],'x2',[],'e1',[],'e2 ',[]); pp = pn1(i+16:end); tt = tn1(i+16:end); for k=1:i+15, Pi{1,k}=pn1{k}; end str.net.adaptParam.passes = 100; [str.net,str.a1,e]=adapt(str.net,pp,tt,Pi); str.a1=mapminmax('reverse',str.a1,ts); str.t1=mapminmax('reverse',tt,ts); str.x1=(1:1:length(str.t1)); %for k=1:i, % Pi{1,k}=pn2{k}; %end %pn2 = pn2(i+1:end); %tn2=tn2(i+1:end); str.a2=sim(str.net, pn2,Pi); str.a2=mapminmax('reverse', str.a2, ts); str.t2=mapminmax('reverse', tn2, ts); str.x2=(1:1:length(str.t2)); str.e1=cell2mat(str.a1)-cell2mat(str.t1); str.e1=mse(str.e1); str.e2=cell2mat(str.a2)-cell2mat(str.t2); str.e2=mse(str.e2); filename=strcat('new2\Adapt\str','_',int2str(i)); save(filename,'str'); clear str; %plot(str.x1,cat(2,str.a1{:}),str.x1,cat(2,str.t1{:})); %plot(str.x2,cat(2,str.a2{:}),str.x2,cat(2,str.t2{:})); end 7.3 Script de prévoir niveau d’eau avec gaz proposé testAdapt_gazConnais.m Mode d’emploi : testAdapt_gazConnais.m Données utilisées : - données eau4 : données d’eau - données y4 : données gaz, eau, pression, température(mais on utilise seulement gaz et eau) Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 58/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études %Description: Prédire avec Filtre adaptatif avec gaz connais % n=82988; n1=50000; n2=50001; t= con2seq(eau4.'); [tn,ts]=mapminmax(t); PP=y4(1:2,:);%utilise gaz et eau PP(3,:)=PP(2,:); p=con2seq(PP); [pn,ps]=mapminmax(p); tn1=tn(1:n1); tn2=tn(n2:end); pn1=pn(1:n1); pn2=pn(n2:end); %dl=15; lr = 0.01; for i=50:50:150 for l=1:n1 PP(3,l)=PP(3,l+i);%propos gaz connais dans i événement après end delays =(i:i+60); str=struct('net', newlin([-1 1;-1 1;-1 1],1,delays,lr),'a1',[],'t1',[],'x1',[],'a2',[],'t2',[],'x2',[],'e1',[],'e2 ',[]); pp = pn1(i+61:end); tt = tn1(i+61:end); for k=1:i+60, Pi{1,k}=pn1{k}; end str.net.adaptParam.passes = 100; [str.net,str.a1,e]=adapt(str.net,pp,tt,Pi); str.a1=mapminmax('reverse',str.a1,ts); str.t1=mapminmax('reverse',tt,ts); str.x1=(1:1:length(str.t1)); %for k=1:i, % Pi{1,k}=pn2{k}; %end %pn2 = pn2(i+1:end); %tn2=tn2(i+1:end); str.a2=sim(str.net, pn2,Pi); str.a2=mapminmax('reverse', str.a2, ts); str.t2=mapminmax('reverse', tn2, ts); str.x2=(1:1:length(str.t2)); str.e1=cell2mat(str.a1)-cell2mat(str.t1); str.e1=mse(str.e1); str.e2=cell2mat(str.a2)-cell2mat(str.t2); str.e2=mse(str.e2); Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 59/60 Application des méthodes d’intelligence artificielle l’analyse de la production d’eau des puits de stockage de gaz Rapport de stage de fin d’études filename=strcat('new2\Adapt\str','_',int2str(i)); save(filename,'str'); clear str; %plot(str.x1,cat(2,str.a1{:}),str.x1,cat(2,str.t1{:})); %plot(str.x2,cat(2,str.a2{:}),str.x2,cat(2,str.t2{:})); end Gaz de France – DIRECTIONEXPLO RATION PRODUCTION © Gaz de France 60/60