Prise en compte des incertitudes sur le schéma d'injection de CO2 dans un stockage souterrain par apprentissage machine

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : Mobilité Durable, Energies Nouvelles, Climat / Environnement / Economie circulaire et Hydrocarbures Responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique plus diversifié ;
la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.

Prise en compte des incertitudes sur le schéma d’injection de CO2 dans un stockage souterrain par apprentissage machine

La mise en place de sites souterrains de stockage de CO₂ nécessite plusieurs étapes telles que des analyses préalables de faisabilité et de risque, des études de conception du stockage, ou encore le suivi du stockage pendant et après l’injection afin d’anticiper et corriger d’éventuels problèmes.

Ces différentes étapes peuvent s’appuyer sur des modèles numériques du sous-sol qui consistent en une grille 3D représentant la structure géométrique du stockage et peuplée en propriétés pétrophysiques (porosité, perméabilité …). Une simulation de la dynamique des fluides injectés et en place et des différentes interactions dans le modèle fournit ensuite une représentation spatio-temporelle de l’évolution du réservoir (pression, température, fraction de CO₂) en réponse à un scenario d’injection donné.

Toutefois, de nombreuses simulations sont généralement nécessaires pour tenir compte à la fois des incertitudes sur les caractéristiques du stockage (propriétés des roches et des fluides par exemple) et des nombreux scenarios d’utilisation potentiels, ce qui implique des temps de calcul très longs.

Une façon de réduire les coûts calculatoires lors des études consiste à utiliser des techniques d’apprentissage machine pour mettre en place des méta-modèles (ou modèles proxy) imitant le simulateur et fournissant des estimations des sorties simulées en des temps de calculs faibles. S’ils sont suffisamment précis, ces méta-modèles peuvent ensuite être utilisés à la place du simulateur pour réaliser des études de faisabilité, de la conception optimisée ou encore aider au suivi du site.

Une telle approche a déjà été mise en place pour prédire la dynamique de stockages en tenant compte des incertitudes sur leurs caractéristiques physiques, à l’aide par exemple de réseaux de neurones et de processus Gaussiens. Toutefois, les schémas d’injection considérés y sont généralement fixes ou contraints, avec peu de flexibilité en termes de date de changement des conditions opérationnelles notamment.

Ceci nécessite donc de reconstruire de nouveaux méta-modèles si le schéma d’injection à prédire diffère finalement de celui utilisé pour l’apprentissage du méta-modèle (variation de la demande, arrêts techniques imprévus …).

L’objectif de ce stage est donc de voir comment prendre en compte une plus grande flexibilité sur le schéma d’injection dans les méta-modèles afin de pouvoir prédire le comportement dynamique d’un stockage (pression au puits, distribution spatiale du CO₂ dans le réservoir …) pour n’importe quel scenario d’utilisation.

Le travail de stage consistera à identifier les paramètres à considérer en entrée des méta-modèles (en appliquant par exemple des techniques de réduction de dimension et d’analyse de sensibilité), à construire une base d’apprentissage pertinente, puis à mettre en place les méta-modèles (par réseaux de neurones et processus Gaussiens). Le workflow sera appliqué à des cas synthétiques.