REPUBLIQUE DU CAMEROUN

Paix – Travail – Patrie

REPUBLIC OF CAMEROON
Peace – work – fatherland
UNIVERSITE DE NGAOUNDERE
THE UNIVERSITY OF NGAOUNDERE
ECOLE DE GÉOLOGIE ET D’EXPLOITATION MINIÈRE
SCHOOL OF GEOLOGY AND MINING ENGINEERING

Département de Génie du Pétrole et Gaz

Department of petroleum and Gas Engineering

Spécialité : Technologie Innovante en Exploration Pétrolière et Gazière

NOMS ET PRENOMS DES PARTICIPANTS :

• BALLA MENGUE HYACINTHE DANIEL 19A081EM

• DOUMBE GOTTLIEB ARTHUR 19A093EM
• EDIMA MEBALE LAETITIA BERNADETTE 19A090EM
• FEUSSOM LAPPI IVAN 19A169EM
• FONTCHA SEUGA ANAIS 19A095EM
• KAMGA BIANGA YANN 19A084EM
• LAPPEE SAP HENRY LUC 19A170EM
• MBIEULEU KOUENDE ORTEGA 19A283EM
• MESSINA MONIQUE NOEL 19A088EM
• MOLO YANN MAXIME 19A284EM
• NAFISSATOU OUSMANOU 19A168EM
• NDJENGUE ANDJOUGA THOMAS D’AQUIN 19A096EM
• NGAAH FONASAFF INGRID 19A263EM
• NGAMI AYUK IVAM WILFRIED 19A086EM
• NGUEMZI DONGMO RALPH KEVIN 19A092EM
• NJUNKENG BECLEAN 19A085EM
• NKOUO NJIFENDJOU SIDDIKA 19A167EM
• NOGHU TAKAM ARMAND DIDIER 19A078EM
• OWONA TSANGA GREGOIRE ULRICH 19A172EM
• TAMFU DIANNA CHECHE 19A080EM
• TCHAKO NJINLEE LORAINE VANELLE 19A079EM
• TCHINDA DOUANLA ORLINE ELVIRA 19A087EM
• TIKANGOUA FOSSO NELSON 19A171EM
• TSIDIE FOKEM VANELLE 19A262EM

Sous l’encadrement de : Dr MFENDJOU Martin Luther

Année Académique : 2023-2024

 TABLE DE MATIERES

TABLE DE MATIERES................................................................................... i
TPE1 : Quels sont les nouvelles technologies utilisées dans les différentes
techniques d’exploration pétrolière et gazière ? .................................................. 1
TPE 2 : Utiliser le logiciel Microsoft Excel pour trouver la solution au problème
suivant................................................................................................................ 5
TPE 3 : Deux problèmes qui se résolvent avec la programmation linéaire ......... 6
TPE 4 : Deux problèmes qui se résolvent avec l’algorithme génétique ............ 24

i
TPE1 : Quels sont les nouvelles technologies utilisées dans les différentes
techniques d’exploration pétrolière et gazière ?

En exploration pétrolière et gazière, plusieurs nouvelles technologies ont été

développées pour améliorer l'efficacité et réduire les coûts. Voici quelques-unes d'entre elles :

1. Sismique 4D : Cette technologie permet de surveiller les changements dans les

gisements pétroliers et gaziers au fil du temps en utilisant des données sismiques. Cela aide à
optimiser la production.

2. Forage directionnel et horizontal : Ces techniques permettent d'atteindre des

gisements éloignés ou difficiles d'accès en forant de manière directionnelle ou horizontale.

3. Simulation numérique : Des logiciels de simulation avancés aident à modéliser le

comportement des réservoirs, ce qui permet de prendre des décisions éclairées sur la
production.

4. Capteurs intelligents : L'utilisation de capteurs avancés permet de surveiller en

temps réel la performance des puits et des installations, améliorant ainsi la sécurité et
l'efficacité.

5. Robotique et automatisation : Les robots et l'automatisation sont utilisés pour

effectuer des tâches dangereuses ou répétitives, comme l'inspection des pipelines ou des
plateformes offshores.

6. Analyse des données massives (big data) : L'exploitation de grandes quantités de

données permet d'optimiser les opérations, d'identifier des tendances et de prendre des
décisions éclairées.

7. Géothermie de puits de pétrole : La récupération de la chaleur des puits pétroliers

pour produire de l'électricité est une technologie émergente.

8. Réduction de l'empreinte environnementale : Des avancées sont faites pour

minimiser l'impact environnemental de l'exploration pétrolière et gazière, notamment en
réduisant les émissions de gaz à effet de serre.

1
 9. Gravimétrie : cette méthode utilise la variation de la gravité terrestre pour détecter
les variations de densité dans le sous-sol. Les variations de densité peuvent indiquer la
présence de structures géologiques susceptibles de contenir du pétrole ou du gaz.

10. Magnétométrie : cette technique mesure les variations du champ magnétique

terrestre pour détecter les anomalies magnétiques associées aux formations géologiques
contenant des hydrocarbures.

11. Électromagnétisme : cette méthode utilise des champs électromagnétiques pour

détecter les variations de conductivité électrique dans le sous-sol. Les formations géologiques
contenant du pétrole ou du gaz ont souvent une conductivité différente de celle des roches
environnantes, ce qui permet de les repérer.

12. Carottage : le carottage consiste à prélever des échantillons de roches du sous-sol

en utilisant une foreuse spéciale. Ces échantillons sont ensuite analysés en laboratoire pour
déterminer leur composition et leur potentiel en hydrocarbures.

13. Géochimie : la géochimie est une discipline qui étudie les caractéristiques
chimiques des roches et des fluides du sous-sol. Des techniques avancées d'analyse chimique
permettent de détecter des traces d'hydrocarbures dans les échantillons prélevés lors du
forage, ce qui peut aider à localiser des gisements potentiels.

14. Télédétection : la télédétection utilise des satellites et des avions équipés de

capteurs pour collecter des données sur les caractéristiques géologiques du sous-sol. Ces
données, combinées à des techniques d'analyse avancées, peuvent aider à identifier des
structures géologiques potentiellement porteuses d'hydrocarbures.

15. Intelligence artificielle (IA) : l'IA est de plus en plus utilisée dans l'exploration
pétrolière et gazière pour analyser de grandes quantités de données géologiques et
géophysiques. Les algorithmes d'IA peuvent aider à détecter des modèles ou des anomalies
qui pourraient indiquer la présence de gisements d'hydrocarbures.

16. Modélisation numérique : la modélisation numérique permet de simuler le

comportement des fluides et des roches dans le sous-sol. Cette technique peut aider à prédire
la distribution des hydrocarbures et à optimiser les opérations d'extraction.

2
 Ces techniques sont souvent utilisées en combinaison les unes avec les autres pour
obtenir une image plus complète du sous-sol et maximiser les chances de découvrir des
gisements de pétrole ou de gaz.

Ces technologies contribuent également à rendre l'exploration pétrolière et gazière plus

efficace, plus sûre et plus respectueuse de l'environnement.

L'utilisation de technologies innovantes dans l'exploration pétrolière et gazière peut

également présenter certains problèmes, notamment :

1. Coût élevé : Les technologies innovantes peuvent nécessiter des investissements

importants en termes d'équipements et de formation du personnel, ce qui peut augmenter les
coûts d'exploration et de production.

2. Complexité technique : Certaines technologies innovantes peuvent être complexes à

mettre en œuvre et nécessiter une expertise technique avancée. Cela peut poser des défis si les
entreprises n'ont pas accès à des professionnels qualifiés dans ces domaines.

3. Résistance des communautés locales : L'utilisation de technologies innovantes peut

susciter des préoccupations et une opposition de la part des communautés locales, en raison
des impacts environnementaux potentiels ou des conflits d'intérêts. Cela peut entraîner des
retards ou des obstacles dans la mise en œuvre de ces techniques.

4. Impact environnemental : Bien que les technologies innovantes puissent contribuer

à réduire l'impact environnemental de l'exploration pétrolière et gazière, elles peuvent
également présenter des risques potentiels pour l'environnement. Par exemple, l'utilisation de
techniques de fracturation hydraulique peut entraîner des fuites de produits chimiques dans les
eaux souterraines.

5. Risques opérationnels : L'utilisation de technologies innovantes peut entraîner des

risques opérationnels accrus, tels que des pannes techniques ou des accidents liés à
l'équipement. Ces risques peuvent affecter la sécurité des travailleurs sur le terrain et la
continuité des opérations.

3
 Il est important de prendre en compte ces problèmes potentiels lors de l'utilisation de
technologies innovantes dans l'exploration pétrolière et gazière, afin de les atténuer et de
maximiser les avantages tout en minimisant les impacts négatifs.

Les nouvelles technologies utilisées dans les différentes techniques d'exploration

pétrolière et gazière offrent plusieurs avantages, notamment :

1. Une meilleure précision : Les technologies modernes telles que la sismique 3D, la
tomographie électrique et la gravimétrie permettent de cartographier les réserves de pétrole et
de gaz avec une grande précision.

2. Une réduction des coûts : Les nouvelles technologies permettent une exploration
plus rapide et plus efficace, ce qui réduit les coûts d'exploration et de production.

3. Une réduction des risques : Les technologies modernes permettent de minimiser les
risques associés à l'exploration et à la production de pétrole et de gaz en fournissant des
informations plus précises sur les réserves et les conditions géologiques.

4. Une utilisation plus efficace des ressources : Les nouvelles technologies permettent
une utilisation plus efficace des ressources en optimisant l'emplacement des puits de forage et
en maximisant la récupération de pétrole et de gaz.

5. Une amélioration de la sécurité : Les technologies modernes permettent une

surveillance plus étroite des opérations d'exploration et de production, ce qui contribue à
améliorer la sécurité des travailleurs et à réduire les risques environnementaux.

En conclusion, ces nouvelles technologies utilisées offrent de nombreux avantages tels

qu'une meilleure précision, une réduction des coûts, une réduction des risques, une utilisation
plus efficace des ressources et une amélioration de la sécurité.

Ces avantages contribuent à rendre l'exploration et la production de pétrole et de gaz

plus efficaces, plus sûres et plus durables.

4
TPE 2 : Utiliser le logiciel Microsoft Excel pour trouver la solution au problème
suivant.
Max H = 2x + y + 2z + 3t + 2u sous les contraintes suivantes :

𝑥 + 2𝑦 + 3𝑧 + 2𝑡 + 𝑢 ≤ 33
2𝑥 + 2𝑦 + 𝑧 + 𝑡 + 2𝑢 ≤ 24
2𝑥 + 𝑦 + 2𝑧 + 𝑡 + 2𝑢 ≤ 36
𝑥 + 2𝑦 + 𝑧 + 2𝑡 + 𝑢 ≤ 39
2𝑥 + 2𝑦 + 𝑡 + 𝑢 ≤ 45
{ 𝑥, 𝑦, 𝑧, 𝑡, 𝑢 ≥ 0

5
TPE 3 : Deux problèmes qui se résolvent avec la programmation linéaire

➢ DOUMBE GOTTLIEB ARTHUR

PROBLEME 1 : Supposons que nous devons planifier la production de trois gisements de

gaz, A, B et C, pour maximiser les bénéfices tout en satisfaisant certaines contraintes.

Voici les données :

- Le gisement A a une capacité de production maximale de 500 millions de pieds cubes par
jour.

- Le gisement B a une capacité de production maximale de 800 millions de pieds cubes par
jour.

- Le gisement C a une capacité de production maximale de 600 millions de pieds cubes par
jour.

- Le coût de production par million de pieds cubes est de 10 dollars pour le gisement A, 12
dollars pour le gisement B et 15 dollars pour le gisement C.

- Le prix de vente par million de pieds cubes est de 20 dollars pour le gisement A, 22 dollars
pour le gisement B et 18 dollars pour le gisement C.

- Il y a une contrainte de demande minimale de 1000 millions de pieds cubes par jour.

Nous pouvons formuler ce problème de programmation linéaire de la manière suivante :

Variables de décision :

- xA : quantité de gaz produite par jour à partir du gisement A (en millions de pieds cubes)

- xB : quantité de gaz produite par jour à partir du gisement B (en millions de pieds cubes)

- xC : quantité de gaz produite par jour à partir du gisement C (en millions de pieds cubes)

Objectif :

Maximiser les bénéfices : 20 xA + 22 xB + 18 xC

6
Contraintes :

- Capacité de production du gisement A : xA ≤500

- Capacité de production du gisement B : xB ≤ 800

- Capacité de production du gisement C : xB ≤ 600

- Contrainte de demande minimale : xA + xB + xC ≥ 1000

Résolution du problème

Max Z = 20 XA+ 22 XB + 18 XC+ e1+e2+e3

XA+e1 = 500
XB+e2=800
XC+e3=600
XA+XB+XC>=1000, e1+e2+e3>=1000

XA XB XC e1 e2 e3 bI bi/ai
e1 1 0 0 1 0 0 500 ∞
e2 0 1 0 0 1 0 800 800
e3 0 0 1 0 0 1 600 ∞
20 22 18 0 0 0 f-0

XA XB XC e1 e2 e3 bI bi/ai
e1 1 0 0 1 0 0 500 500
XB 0 1 0 0 1 0 800 ∞
e3 0 0 1 0 0 1 600 ∞
20 0 18 0 -22 0 -17600

XA XB XC e1 e2 e3 bI bi/ai
XA 1 0 0 1 0 0 500 ∞
XB 0 1 0 0 1 0 800 ∞

7
 e3 0 0 1 0 0 1 600 600
0 0 18 -20 -22 0 -27600

XA XB XC e1 e2 e3 bI bi/ai
XA 1 0 0 1 0 0 500
XB 0 1 0 0 1 0 800
XC 0 0 1 0 0 1 600
0 0 0 -20 -22 -1 -27618

Donc on a :

• XA=500
• XB=800
• XC=600
• Z=27618
• e1=e2=e33=0

PROBLEME 2 : Supposons que nous devons planifier la production de deux champs

pétroliers, A et B, pour maximiser les revenus tout en satisfaisant certaines contraintes.

Voici les données :

- Le champ pétrolier A a une capacité de production maximale de 5000 barils par jour.

- Le champ pétrolier B a une capacité de production maximale de 8000 barils par jour.

- Le prix de vente par baril est de 100 dollars pour le champ A et 120 dollars pour le champ B.

- Les coûts de production par baril sont de 80 dollars pour le champ A et 90 dollars pour le
champ B.

- Il y a une contrainte de demande minimale de 3000 barils par jour pour le champ pétrolier A.

- Il y a une contrainte de demande minimale de 5000 barils par jour pour le champ pétrolier B.

Nous pouvons formuler ce problème de programmation linéaire de la manière suivante :

8
Variables de décision :

- xA : quantité de pétrole produite par jour à partir du champ pétrolier A (en barils)

- xB : quantité de pétrole produite par jour à partir du champ pétrolier B (en barils)

Objectif :

Maximiser les revenus : 100 xA + 120 xB

Contraintes :

- Capacité de production du champ A : xA ≤5000

- Capacité de production du champ B : xB ≤8000

- Contrainte de demande minimale pour le champ A : xA ≥3000

- Contrainte de demande minimale pour le champ B : xB ≥5000

➢ TCHINDA DOUANLA ORLINE ELVIRA

PROBLEME 1 : Supposons que nous avons un champ pétrolier avec 5 emplacements de

puits possibles, notes A, B, C, D et E. Nous voulons planifier les forages pour maximiser la
production de pétrole tout en minimisant les couts. Les couts de forage pour chaque
emplacement sont les suivants :

-A: 100.000 Fcfa

-B: 120.000 Fcfa

-C: 150.000 Fcfa

-D : 200.000 Fcfa

-E : 250.000 Fcfa

La production de pétrole pour chaque emplacement dépend du nombre de puits foré et

de leur emplacement. Supposons que la production de pétrole pour chaque emplacement soit
donnée par la formule :

9
-A : 20x1 + 10x2

-B : 15x1 + 25x2

-C : 30x1 + 20x2

-D : 25x1 + 30x2

-E : 10x1 + 40x2

Ou xi est une variable binaire qui prend la valeur 1 si un puits est foré à l’emplacement
i et 0 sinon, x1 représente le nombre de puits forés a l ’emplacement i et x2 représente le
nombre de puits fores à l’emplacement j.

Nous pouvons maintenant modéliser le problème comme suit :

-Variables de décision : xA, xB, xC, xD, xE qui prennent des valeurs binaires 0 ou 1 pour
indiquer si un puits est foré à l’emplacement correspondant.

-Fonction objectif : maximiser la production totale de pétrole, qui est donnée par :

20xA + 10xB + 15xB + 25xB + 30xC + 20xC + 25xD + 30xD + 10xE + 40xE

-Contraintes : Nous avons plusieurs contraintes a respecter. Tout d’abord, nous devons forer
un nombre total de puit donne. Supposons que nous voulons forer 3 puits au total. Nous avons
donc la contrainte suivante :

xA + xB + xC + xD + xE = 3

Ensuite, nous pouvons imposer des contraintes sur le nombre de puits à forer à chaque
emplacement. Par exemple, nous pouvons décider de forer au plus un puits à l’emplacement
A et aux plus deux puits à l’emplacement B. Ces contraintes peuvent être exprimees comme
suit :

-xA ≤ 1

-xB ≤ 2

-xC ≤ 3

-xD ≤ 2

10
-xE ≤ 1

Enfin, nous pouvons imposer des contraintes sur les couts totaux associes aux forages.
Par exemple, nous pouvons décider de ne pas dépasser un budget total de 500.000 Fcfa. Cette
contrainte peut être exprimée comme suit :

100.000xA + 120.000xB + 150.000xC + 200.000xD + 250.000xE ≤ 500.000

Une fois que nous avons défini le modèle de programmation linéaire, nous pouvons
utiliser un solveur PLNE pour trouver la solution optimale qui maximise la production de
pétrole tout en respectant les contraintes. La solution optimale peut alors être utilisée pour
planifier les forages et optimiser la production de pétrole.

PROBLEME 2 : Supposons que nous avons une entreprise d’exploration pétrolière et

gazière qui possède plusieurs sites potentiels pour forer des puits. Nous voulons maximiser la
production de gaz tout en minimisant les couts de forage. Les couts de forage pour chaque site
sont les suivants :

-Site1 : 150.000Fcfa

-Site2 : 120.000Fcfa

-Site3 : 180.000Fcfa

-Site4 : 200.000Fcfa

La production de gaz pour chaque site dépend du nombre de puits foré et de leur
emplacement. Supposons que la production de gaz pour chaque emplacement soit donnée par
la formule suivante :

-Site1 : 10x1 + 20x2

-Site2 : 15x1 + 25x2

-Site3 : 20x1 + 15x2

-Site4 : 25x1 + 30x2

11
 Ou xi est une variable binaire qui prend la valeur 1 si un puits est foré sur le site i et 0
sinon, x1 représente le nombre de puits forés sur le site i et x2 représente le nombre de puits
forés sur le site j.

Nous pouvons maintenant modéliser le problème comme suit :

-Variables de décision : x1, x2, x3, x4 qui prennent des valeurs binaires 0 ou 1 pour indiquer si
un puits est foré sur le site correspondant.

-Fonction objectif : maximiser la production totale de gaz, qui est donnée par :

10x1 + 20x2 + 15x1 + 25x2 + 20x1 + 15x2 + 25x1 + 30x2

-Contraintes : Nous avons plusieurs contraintes à respecter. Tout d’abord, nous devons forer
un nombre total de puit donne. Supposons que nous voulons forer 4 puits au total. Nous avons
donc la contrainte suivante :

x1 + x2 + x3 + x4 = 4

Ensuite, nous pouvons imposer des contraintes sur le nombre de puits à forer à chaque
emplacement. Par exemple, nous pouvons décider de forer aux plus deux puits sur le site 1 et
aux plus un puits sur le site 4. Ces contraintes peuvent être exprimées comme suit :

-x1 ≤ 2

-x2 ≤ 2

-x3 ≤ 3

-x4 ≤ 1

Enfin, nous pouvons imposer des contraintes sur les coûts totaux associes aux forages.
Par exemple, nous pouvons décider de ne pas dépasser un budget total de 500.000 Fcfa. Cette
contrainte peut être exprimée comme suit :

150.000x1 + 120.000x2 + 180.000x3 + 200.000x4 ≤ 500.000

Une fois que nous avons défini le modèle de programmation linéaire, nous pouvons
utiliser un solveur PLNE pour trouver la solution optimale qui maximise la production de gaz
tout en respectant les contraintes. La solution optimale peut alors être utilisée pour planifier
les forages et optimiser la production de gaz.

12
 ➢ NAFISSATOU OUSMANOU

PROBLEME 1 : Supposons qu’une entreprise d'exploration pétrolière et gazière qui dispose

de plusieurs projets d'exploration en cours. Chaque projet nécessite une certaine quantité de
ressources telles que des équipements, de la main-d’œuvre et des matériaux. L'entreprise
dispose également de contraintes de capacité pour chaque type de ressource.
Pour modéliser ce problème en programmation linéaire, nous pouvons définir les variables
Suivantes :
- x1 : le nombre de projets alloués aux équipements
- x2 : le nombre de projets alloués aux travailleurs
- x3 : le nombre de projets alloués aux matériaux
Les contraintes peuvent être formulées comme suit :
- contrainte d'équipement : x1 + x2 + x3 ≤ 5
- contrainte de main-d’œuvre : 2x2 ≤ 10
- contrainte de matériaux : 100x3 ≤ 1000
L'objectif peut être formulé comme suit :
Maximiser la production de pétrole

PROBLEME 2 : Supposons qu'une entreprise d'exploration pétrolière souhaite explorer cinq

sites terrestres pour trouver du pétrole, appelés A, B, C, D et E. Les coûts associés à
l'exploration de chaque site sont les suivants : 2 millions de dollars pour le site A, 3 millions
de dollars pour le site B, 2.5 millions de dollars pour le site C, 4 millions de dollars pour le
site D et 3.5 millions de dollars pour le site E. De plus, chaque site a une probabilité de succès
différente : 80% pour le site A, 60% pour le site B, 70% pour le site C, 50% pour le site D et
65% pour le site E.
L'objectif est de maximiser les chances de succès tout en minimisant les coûts
d'exploration. En utilisant la programmation linéaire, on peut formuler le problème comme
suit :
Variables :
x1 = 1 si le site A est choisi, 0 sinon
x2 = 1 si le site B est choisi, 0 sinon
x3 = 1 si le site C est choisi, 0 sinon

13
x4 = 1 si le site D est choisi, 0 sinon
x5 = 1 si le site E est choisi, 0 sinon
Fonction objectif :
Maximiser Z = 0.8x1 + 0.6x2 + 0.7x3 + 0.5x4 + 0.65x5 (chances de succès)
Contraintes :
x1 + x2 + x3 + x4 + x5 = 1 (un seul site peut être choisi)
x1, x2, x3, x4, x5 ∈ {0, 1} (variables binaires)
Solutions optimales :
Supposons que la solution optimale soit x1 = 1, x2 = 0, x3 = 0, x4 = 0 et x5 = 0. Cela
signifie que l'entreprise devrait choisir le site A pour maximiser les chances de succès tout en
minimisant les coûts d'exploration.

➢ BALLA MENGUE Hyacinthe

PROBLEME 1 : Modélisation de la distribution spatiale des sédiments

Les algorithmes linéaires peuvent être utilisés pour modéliser la distribution spatiale
des sédiments dans un environnement donné, en analysant les données géologiques et
géophysiques disponibles

Pour modéliser la distribution spatiale des sédiments, plusieurs étapes doivent être suivies :

✓ La collecte des données : Il est important de collecter des données sue la topographie
du fond marin ou du lit de la rivière, les courants, les vagues, les marées, la
granulométrie des sédiments, ainsi que d’autres paramètres hydrodynamiques et
géologiques ;
✓ Le choix du modèle : Il existe différents modèles numériques qui peuvent être utilisés
pour simuler la distribution des sédiments, tels que les modèles hydrodynamiques, les
modèles de transport sédimentaire et les modèles de dépôts sédimentaires. Le choix du
modèle dépendra des objectifs d l’étude et de la disponibilité des données ;
✓ Le paramétrage du modèle : Une fois le modèle choisi, il est nécessaire de paramétrer
les conditions initiales et les paramètres du modèle en fonction des données
disponibles et des caractéristiques du site d’étude ;

14
 ✓ La simulation : Le modèle est ensuite utilisé pour simuler le transport et le dépôt des
sédiments dans l’environnement étudié. Cela pernet de prédire la répartition spatiale
des sédiments en fonction des conditions hydrodynamiques et géologiques ;
✓ La validation : Les résultats de la modélisation doivent être comparés aux données
observées sur le terrain afin de valider le modèle et d’ajuster si nécessaire les
paramètres et les conditions initiales.

En utilisant ces étapes, la modélisation de la distribution spatiale des sédiments peut fournir
des informations précieuses pour la gestion des ressources naturelles, la planification
environnementale et la prise de décision.

➢ OWONA TSANGA GREGOIRE

PROBLEME 1 : Supposons que nous ayons une zone d'exploration pétrolière et gazière avec
plusieurs sites potentiels où nous pouvons forer des puits. Chaque site a une estimation de la
quantité de pétrole ou de gaz qu'il contient, ainsi que des coûts associés au forage et à
l'exploitation.

Les données simulées pour cet exercice pourraient être les suivantes :

- Sites potentiels : A, B, C, D

- Estimation des réserves (en milliers de barils) :

- Site A : 500

- Site B : 700

- Site C : 400

- Site D : 600

- Coûts associés au forage (en millions de dollars) :

- Site A : 2

- Site B : 3

15
 - Site C : 2.5

- Site D : 4

- Coûts associés à l'exploitation (en millions de dollars) :

- Site A : 1.5

- Site B : 2.5

- Site C : 1.8

- Site D : 3

L'objectif serait alors d'utiliser la programmation linéaire pour déterminer quels sites forer
afin de maximiser les réserves tout en respectant un budget donné.

Cela pourrait être formulé comme un problème d'optimisation linéaire où les variables
de décision seraient les sites à forer (par exemple, x A, xB, xC, xD), et les contraintes seraient le
budget total disponible et la quantité maximale pouvant être extraite dans chaque site.

La fonction objectif serait alors la maximisation des réserves totales :

Maximiser Z = (xA * réservesA) + (xB * réservesB) + (xC * réservesC) + (xD * réservesD)

Sous les contraintes :

(xA * coûtForageA) + (xB * coûtForageB) + (xC * coûtForageC) + (xD * coûtForageD) ≤

budgetTotal

16
(xA * réservesA) ≤ quantitéMaximaleSiteA

(xB * réservesB) ≤ quantitéMaximaleSiteB

(xC * réservesC) ≤ quantitéMaximaleSiteC

(xD * réservesD) ≤ quantitéMaximaleSiteD

XA, xB, xC, xD ≥ 0

Cette formulation permettrait d'utiliser un solveur de programmation linéaire pour

trouver la combinaison optimale des sites à forer qui maximise les réserves tout en respectant
le budget et les contraintes sur les quantités maximales extraites dans chaque site.

➢ TCHAKO NJINLEE LORAINE VANELLE

PROBLEME 1 : Lors d’une prospection géologique dans un bassin du RIO Del Rey, on
a effectué des sondages géophysiques et deux forations à respectivement 1000 et 1500
mètres. Il est question de caractériser le type argiles contenu dans une couverture. Les
propriétés sont, l’imperméabilité et la plasticité

Comme l’indique le tableau suivant :

PLASTICITE IMPERMEABILITE
Argile (y1) 20 10
Argile (y2) 30 25
➢ L’objectif étant d’optimiser le classement des argile contenus afin de maximiser les tôt
hydrocarbures dans la caractérisation des types d’argile.

Contraintes : l’argile idéal doit avoir au maximum 40 de plasticité ; 30 imperméabilités.

17
Variables : Argile (y1) et Argile (y2) vérifiant le couple (y1 ; y2)

Programme linéaire : Max Z (y1 ; y2) = 1000 y1 + 1500 y2

20𝑦1 + 30𝑦2 ≤ 40
{10𝑦1 + 25𝑦2 ≤ 30
𝑦1 ; 𝑦2 ≥ 0

➢ LAPPEE SAP HENRY LUC

PROBLEME 1 : Problème de classification des grès issus de deux roches réservoirs.

Lors d’une campagne d’exploration dans un bassin sédimentaire au Sud Cameroun, on a

effectué des sondages géophysiques et deux forations à respectivement 2000 et 2500 mètres. Il est
question de caractériser le type de grès contenu dans le réservoir. Les paramètres pétro-physiques
sont la porosité, la perméabilité et le diamètre du grès.
Comme l’indique le tableau suivant :
POROSITE PERMEABILITE DIAMETRE
GRES 1 (X1) 10 10 30
GRES 2 (X2) 50 20 20

L’objectif étant d’optimiser le classement des grès contenus afin de minimiser les
erreurs dans la caractérisation des types de grès.
Contraintes : le grès idéal doit avoir au minimum 50 usi de porosité ; 40 usi de perméabilité
et 60 usi de diamètre.
Variables : GRES1 (x1) et GRES2 (x2) vérifiant le couple (x1 ; x2)
Programme linéaire : Min Z (x1 ; x2) = 2000 X1 + 2500 X2 / x1 ; x2 ≥ 0

10𝑥1 + 50𝑥2 ≥ 50
{10𝑥1 + 20𝑥2 ≥ 40
30𝑥1 + 20𝑥2 ≥ 60

18
 ➢ TAMFU DIANNA CHECHE

PROBLEME 1 : Supposons que nous devons planifier la production de deux champs

pétroliers, champ1 et champ2, pour minimiser les risques tout en satisfaisant certaines
contraintes.
Les variables de décision :
X1 : quantités de pétrole à extraire du champs1 (en baril)
X2 : quantités de pétrole à extraire du champs2 (en baril)
Les contraintes :
-La limites de capacité de production pour le champ1, des exigences de qualité du pétrole à
extraire X1 ≤ 100
-La limites de capacité de production pour le champ2, des exigences de qualité du pétrole à
extraire X2 ≤ 130
-Les contraintes environnementales telles que les émissions de gaz à effet de serre A ≥ 0
-Les contraintes économiques : coûts de production minimal par baril (X1) du champs1 = 20
Dollars et le coût de production minimal (X2) du champs2 = 10 dollars.
-Le prix de vente par baril est de 135 dollars pour le champ1 et 200 dollars pour le champ2.
L'objectif ici est de trouver les valeurs optimales de x1 et x2 qui minimisent les risques tout en
respectant toutes les contraintes.
Objectif :
(Min Z) Minimal des risques : 135 X1 + 200 X2
Coûts de production :
Coût total de production minimal= 20 X1 + 10 X2

PROBLEME 2 : Supposons que nous devons planifier la production de trois gisements de

gaz, A, B et C, pour maximiser les bénéfices. Nous avons les contraintes suivantes :

- Le gisement A a une capacité de production maximale de 100 000 mètres cubes par jour.
- Le gisement B a une capacité de production maximale de 150 000 mètres cubes par jour.
- Le gisement C a une capacité de production maximale de 120 000 mètres cubes par jour.
- La demande quotidienne totale de gaz est de 300 000 mètres cubes.
- Le coût de production du gisement A est de 5$ par mètre cube.
- Le coût de production du gisement B est de 24$ par mètre cube.
- Le coût de production du gisement C est de 15 $ par mètre cube.

19
Le prix de vente par million de pieds cubes est de 10 dollars pour le gisement A, 50 dollars
pour le gisement B et 30 dollars pour le gisement C.
En utilisant ces contraintes, nous pouvons établir un plan de production optimal pour
maximiser les bénéfices tout en répondant à la demande quotidienne.
Les variables de décision dans ce cas sont les quantités de gaz à produire à partir de chaque
gisement (A, B et C) afin de maximiser les bénéfices.
Ces quantités peuvent être représentées par les variables xA, xB et xC, respectivement.
-xA: quantité de gaz produite par jour à partir du gisement A (en millions de pieds cubes)
- xB : quantité de gaz produite par jour à partir du gisement B (en millions de pieds cubes)
- xC : quantité de gaz produite par jour à partir du gisement C (en millions de pieds cubes)
Objectif :
Max(Z) Maximiser les bénéfices : 10 xA + 50 xB + 30 xC
Contraintes :
- Capacité de production du gisement A : xA <= 100 000
- Capacité de production du gisement B : xB <= 150 000
- Capacité de production du gisement C : xC <= 120 000
- Contrainte de demande minimale : xA + xB + xC >= 300 000
Coûts de production :
Coût total de production = 5 xA + 24 xB + 15 xC

➢ NGUEMZI NDOGMO RALPH KEVIN

PROBLEME 1 : Un exemple de problème d'exploration pétrolière est la planification de

l'exploitation d'un champ pétrolifère. Supposons qu'une entreprise pétrolière dispose de trois
options pour extraire du pétrole d'un champ donné : forage vertical, forage horizontal et
fracturation hydraulique. Chaque option a un coût différent et produit une quantité différente
de pétrole. L'entreprise doit décider quelle option choisir pour maximiser sa production de
pétrole tout en respectant certaines contraintes.
Les variables de décision dans ce problème sont les quantités de pétrole produites par
chaque option de forage. Supposons que ces quantités soient représentées par les variables x1,
x2 et x3 pour le forage vertical, le forage horizontal et la fracturation hydraulique,
respectivement.

20
 Les contraintes dans ce problème peuvent inclure des limites sur le budget de l'entreprise,
la quantité de pétrole disponible dans le champ et les capacités de production des équipements
de forage. Par exemple, l'entreprise peut avoir un budget limité de 10 millions de dollars pour
l'exploitation du champ, une quantité maximale de 100 000 barils de pétrole disponibles dans
le champ et une capacité de production maximale de 50 000 barils de pétrole par jour pour
chaque option de forage.

La fonction objectif dans ce problème est de maximiser la production totale de pétrole.

Supposons que les quantités de pétrole produites par chaque option de forage soient
respectivement de 20x1, 30x2 et 40x3 (en milliers de barils de pétrole).

Ainsi, le problème peut être formulé comme suit :

Max Z= 20x1 + 30x2 + 40x3

Sous les contraintes :

X1 + x2 + x3 ≤ 100 (quantité maximale de pétrole disponible dans le champ)

X1 ≤ 50 (capacité de production maximale pour le forage vertical)

X2 ≤ 50 (capacité de production maximale pour le forage horizontal)

X3 ≤ 50 (capacité de production maximale pour la fracturation hydraulique)

2x1 + 3x2 + 4x3 ≤ 10 000 (budget limité de 10 millions de dollars)

Ce problème peut être résolu à l'aide de la programmation linéaire pour déterminer les
quantités optimales de pétrole produites par chaque option de forage, tout en respectant les
contraintes données.

➢ NGAMI AYUK WILFRIED IVAN

PROBLEME 1 : Une compagnie pétrolière cherche a maximiser sa production en

explorant des nouveaux gisements. Elle dispose de trois sites potentiels ou elle peut forer
des puits, mais les couts d’exploration et les estimations varient pour chaque site pour
maximiser sa production tout en minimisant les couts.

Solution :

21
 a) DEFINIR LES VARIABLE :
1- X1 : nombre de puits a foré au site 1
2- X2 : nombre de puits a foré au site 2
3- X3 : nombre de puits a foré au site 3
b) ETABLIR LA FONCTION OBJECTIF :
Z=10x1 + 8x2 + 12x3.
c) ETABLIR LES CONTRAINTES :
Cout total d’exploration : 2x1 + 3x2 + 4x3 ≤ 25
Production minimal requise : x1 + 2x2 + 3x3 ≥ 15
Limite de forage : x1, x2, x3 ≥0

d) ETABLIR LE TABLEU INITIAL DU SIMPLEX

Base X1 X2 X3 RHS
X4 2 3 4 25
X5 1 2 3 15
Z -10 -8 12 0
e)

➢ NGAAH FONASAFF INGRID

PROBLEME 1 : Une raffinerie fabrique du butane, du carburant automobile, du gazole

moteur et du fuel domestique à partir de deux pétroles bruts B1 et B2. Pour fabriquer tous
ces produits, le raffineur a recours `a quatre familles de traitement : séparation, conversion,
amélioration et m´mélange. La phase de s´séparation consiste à distiller le produit brut afin
d’obtenir notamment de l’essence, du gazole et des résidus (distillats). Les résidus passent
ensuite par une phase de conversion (craquage catalytique) qui permet d’obtenir des produits
plus légers. Les différents produits issus de la distillation sont purifiés (désulfuration) ou
améliores par une opération de reformage permettant d’augmenter leur indice d’octane.
Enfin, pour obtenir chacun des produits qu’il met sur le marché, le raffineur m´mélange les
différents produits obtenus après ces phases de façon à respecter la réglementation portant
sur les produits commercialisés.

22
 Après distillation, le brut B1 fournit 3% de butane, 15% d’essence, 40% de gazole et
15% de distillat. Le brut B2 fournit 5% de butane, 20% d’essence, 35% de gazole et 10% de
distillat. Le carburant automobile est fabrique `à partir de trois ingrédients : l’essence, le
butane et le distillat. Le gazole moteur est obtenu par m´mélange de gazole et de distillat. Et
le fuel domestique peut contenir en proportions libres du distillat et du gazole. Les
réglementations imposent certaines contraintes sur la qualité du carburant automobile et du
gazole. Trois caractéristiques du carburant automobile sont importantes : l’indice d’octane
(mesure du pouvoir antidétonant du carburant), tension de vapeur (mesure du risque
d’explosion au stockage) et la volatilité (mesure de facilite de d´amarrage du moteur par
temps froid). Enfin, une quantité maximale de soufre dans le gazole moteur est impose par
des normes antipollution. Les caractéristiques `à respecter sont données par le tableau
suivant :

Caract. Butane Es. Gaz. Distillat Carb. Gaz. moteur

reformée d´es.
Indice d’Octane 120 100 - 74 ≥ 94 -
Tension de 60 2,6 - 4,1 ≤ 12,7 -
vapeur
Volatilité 105 3 - 12 ≥ 17 -
Soufre en % - - 0,3 1,2 - ≤ 0,5
La raffinerie doit produire en un mois au moins 20000 tonnes de butane, 40000
tonnes de carburant automobile, 35000 tonnes de gazole moteur et 50000 tonnes de fuel
domestique. Elle dispose pour cela de 250000 tonnes de brut B1 et de 500000 tonnes de brut
B2 en stock. La capacité mensuelle de reformage est limitée `a 30000 tonnes, celle de
d´désulfuration `a 40000 tonnes et celle de craquage `a 50000 tonnes. Les coûts de
reformage, de d´désulfuration et de craquage sont respectivement de 250 F, 450 F et 350 F
par tonne.

Modéliser le problème sous forme de modèle de programmation linéaire pour d´déterminer

la composition de chaque produit fini de façon `à minimiser les coûts de production de la
raffinerie pour la période considérée, tout en respectant les contraintes de capacité et les
réglementations portant sur ces produits.

23
TPE 4 : Deux problèmes qui se résolvent avec l’algorithme génétique

➢ DOUMBE GOTTLIEB ARTHUR

PROBLEME 1 : Supposons que nous souhaitions déterminer la localisation optimale de trois

puits de forage dans une zone donnée. Les paramètres à prendre en compte sont la profondeur,
la pression, l'angle de forage et la distance entre les puits. Nous voulons maximiser la
production tout en minimisant les coûts de forage.

• Établissement d'une représentation génétique :

Une représentation possible des solutions serait d'utiliser des coordonnées géographiques
(latitude et longitude) pour définir l'emplacement de chaque puits de forage.

• Création de la population initiale :

Générons une population initiale de solutions potentielles. Pour chaque individu

(solution), générons des coordonnées géographiques aléatoires qui correspondent à un
emplacement possible pour chaque puits.

• Évaluation des solutions :

Pour chaque solution dans la population, évaluons son aptitude en utilisant une fonction
d'évaluation. Cette fonction pourrait prendre en compte des critères tels que la production
attendue en fonction de la profondeur, la pression et l'angle de forage, ainsi que les coûts
associés à la distance entre les puits. Plus l'aptitude est élevée, meilleure est la solution.

• Sélection des individus :

Sélectionnons les individus les mieux adaptés pour la reproduction, en utilisant une
méthode de sélection telle que la sélection proportionnelle à l'aptitude (roulette wheel

24
selection) ou la sélection par tournoi. Les individus les mieux adaptés ont une plus grande
probabilité d'être sélectionnés.

• Reproduction et opérateurs génétiques :

Appliquons des opérateurs génétiques tels que la recombinaison (croisement) et la

mutation pour créer de nouvelles solutions. Par exemple, nous pouvons mélanger les
coordonnées géographiques des deux parents sélectionnés pour créer une descendance
possédant des caractéristiques des deux parents.

• Répétition des étapes 4 à 6 :

Répétons le processus d'évaluation, de sélection, de reproduction et d'opérateurs

génétiques sur plusieurs générations. À chaque génération, les solutions devraient converger
vers une localisation optimale des puits de forage.

• Présentation des résultats :

Une fois que l'algorithme a convergé ou que les critères d'arrêt prédéfinis sont atteints,
nous pouvons analyser les résultats. La meilleure solution obtenue représente la localisation
optimale des puits de forage, qui maximise la production tout en minimisant les coûts.

Il convient de noter que les détails spécifiques de la mise en œuvre d'un algorithme
génétique peuvent varier en fonction du langage de programmation utilisé et des préférences
particulières. L'objectif de cet exemple était de vous donner une idée générale de la procédure
à suivre.

➢ TSIDIE FOKEM VANELLE

PROBLEME 1 : L’optimisation de la localisation des puits de forage.

25
 Ici, l’objectif est de trouver la configuration optimale des puits de forage afin de
maximiser la production d’hydrocarbure tout en minimisant les couts d’exploitation. Cela
peut être formulé sous forme d’un système d’inéquation, ou chaque inéquation représente une
contrainte à respecter.

Les variables du problème peuvent inclure les coordonnées géographiques des puits, les
profondeurs de forage, les débits d’extraction, etc. l’algorithme génétique va alors générer une
population initiale de solutions potentielles c’est-à-dire les configurations de puits, puis les
faire évoluer au fil des générations en utilisant des opérations telles que la sélection, le
croisement et la mutation.

PROBLEME 2 : La maximisation de la production de gaz tout en respectant certaines

contraintes.

Supposons que nous ayons un ensemble de puits de gaz et que nous voulions déterminer
les débits optimaux pour chaque puits afin de maximiser la production totale de gaz.
Cependant, il existe des contraintes telles que la capacité maximale de chaque puits, les
limites d’injection d’eau ou de gaz dans certains puits, et les limites environnementales. En
utilisant un algorithme génétique, nous pouvons générer une population initiale de solutions
potentielles représentant différents débits pour chaque puits. Ensuite, nous évaluons chaque
solution en vérifiant si elle satisfait toutes les inéquations du système. Les solutions qui ne
satisfont pas toutes les contraintes sont éliminées. Ensuite nous appliquons des opérations
génétiques telles que la sélection, le croisement, la mutation pour créer une nouvelle
génération de solution potentielles. L’algorithme génétique permettra ainsi d’explorer
efficacement l’espace des solutions possibles et d’identifier une configuration optimale des
débits pour maximiser la production totale tout en respectant toutes les contraintes du
système.

➢ TCHINDA DOUANLA ORLINE ELVIRA

PROBLEME 1 : Comment évaluer la quantité de gaz naturel dans un gisement.

L’évaluation de la quantité de gaz naturel dans un gisement est essentiellement pour

déterminer la viabilité économique d’un projet d’exploration gazière. Pour ce faire, les
géologues et les ingénieurs pétroliers utilisent une variété de techniques d’analyse.

26
 Tout d’abord, des relevés sismiques sont effectues pour obtenir des images 3D du sous-
sol. Ces images permettent de localiser les structures géologiques qui peuvent contenir du gaz
naturel.

Ensuite, des forages sont effectues pour prélever des échantillons de roche et de fluide.
Ces échantillons sont ensuite analyses en laboratoire pour déterminer les propriétés physiques
et chimiques du gisement, telles que la porosité, la perméabilité et la composition du gaz.

Les données recueillies lors de ces analyses sont utilisées pour créer un modèle numérique
du gisement, qui peut être utilisé pour simuler les performances du réservoir et prédire la
quantité de gaz récupérable. Les simulations prennent en compte des facteurs tels que la
pression du réservoir, la température, le débit de production et les techniques de récupération
utilises. Les résultats de ces simulations permettent aux operateurs de déterminer la quantité
de gaz récupérable et d’évaluer la viabilité économique du projet.

PROBLEME 2 : Comment optimiser la production d’un champ pétrolier existant.

Pour optimiser la production d’un champ pétrolier existant, il est important de

comprendre les caractéristiques du réservoir et de déterminer les meilleures pratiques pour
maximiser la production tout en minimisant les couts. L’une des méthodes les plus courantes
pour optimiser la production consiste à utiliser des simulations de réservoir.

Tout d’abord, il faut collecter des données sur le réservoir, telles que la géométrie, la
porosité, la perméabilité, la pression et la température. Ces données peuvent être collectées à
partir des relevés sismiques, de carottages de puits existants et d’autres sources de données
géologiques et géophysiques. Ensuite, les données sont utilisées pour créer un modèle de
réservoir qui peut-être utilise pour simuler les flux de fluides et les performances du réservoir.
Les simulations peuvent être utilisées pour tester différentes stratégies de production et
déterminer la meilleure façon d’optimiser la production.

Les simulations peuvent également être utilisées pour prédire les performances du
réservoir dans différentes conditions, telles que l’ajout de nouveaux puits ou l’utilisation de
techniques de récupération améliorées. En utilisant ces prévisions, les opérateurs peuvent
déterminer les meilleures pratiques pour maximiser la production tout en minimisant les
couts.

27
 ➢ BALLA MENGUE Hyacinthe

PROBLEME 1 : Etude de l’effet des changements climatiques sur le transport sédimentaire.

Les algorithmes génétiques peuvent être utilisés pour étudier l’effet des changements
climatiques sur le transport sédimentaire, en analysant les données sur les précipitations, les
températures et les caractéristiques du bassin versant.

Pour étudier l’effet des changements climatiques sur le transport sédimentaire, plusieurs
étapes doivent être suivi :

✓ La collecte des données : Rassembler les données sur les précipitations, les
températures et les caractéristiques du bassin versant, telles que la topographie, la
végétation et l’utilisation des terres ;
✓ Définir l’objectif à atteindre : Déterminer l’objectif de notre étude ;
✓ La modélisation : Utiliser un modèle de transport sédimentaire existant et ajouter des
paramètres pour tenir compte des changements climatiques. Nous pouvons utiliser des
équations basées sur les données collectées pour modéliser la relation entre les
précipitations, les températures et le transport sédimentaire ;
✓ Créer une population initiale : Générer une population initiale d’individus représentant
différentes combinaisons de paramètres pour le modèle de transport sédimentaire ;
✓ L’évaluation de l’aptitude de chaque individu : Evaluer la performance de chaque
individu en utilisant le modèle de transport sédimentaire pour simuler le transport
sédimentaire dans différentes conditions climatiques. Comparer les résultats simulés
avec les données réelles pour déterminer l’aptitude de chaque individu ;
✓ La sélection : Sélectionner les individus les plus performants pour la reproduction ;
✓ Croisement : Effectuer des opérations de croisement entre les individus sélectionnés
pour créer une nouvelle génération d’individus ;
✓ Nutation : Appliquer des nutations aléatoires à certains individus de la nouvelle
génération pour introduire de la diversité ;
✓ Evaluation de l’aptitude de chaque individu : Evaluer la performance des nouveaux
individus en utilisant le modèle de transport sédimentaire ;
✓ Répéter la sélection et évaluation des individus jusqu’à ce qu’une condition d’arrêt
soit atteinte ;

28
 ✓ Résultats : Analyser les résultats obtenus pour comprendre comment les changements
climatiques affectent le transport sédimentaire dans le bassin versant. Nous pouvons
également identifier les paramètres les plus importants et les tendances observées.

➢ TCHAKO NJINLEE LORAINE VANELLE

PROBLEME 1 : Optimisation de la production pétrolière : les métaheuristiques peuvent

être utilisée pour optimiser la production pétrolière en prenant en compte les incertitudes
telles que la quantité de pétrole, de gaz et d’eau dans le réservoir, le volume total des pores et
la pression du réservoir.

Dans une étude optimisation de la production pétrolière en prenant en comptes les

incertitudes, un algorithme de programmation dynamique a été utilisé où résoudre
numériquement le problème optimisation multi-étapes sur deux instances spécifique ou
dimension de l’état peut être réduite.

Le résultat on montre que l’algorithme de programmation dynamique peut être utilise pour
optimiser la production de gaz et de pétrole dans des réservoirs avec une précision élevé.

➢ LAPPEE SAP HENRY LUC

PROBLEME 1 : Prédiction de la perméabilité par des différentes techniques de

l’intelligence artificielle.

Les algorithmes génétiques sont de la famille des algorithmes évolutionnistes. Leur but est
de trouver une solution approchée à un problème d'optimisation, lorsqu'il n'existe pas de
méthode exacte pour le résoudre en un temps raisonnable. Les algorithmes génétiques
utilisent la notion de sélection naturelle et l'appliquent à une population de solutions
potentielles au problème donné.
Principe et mise en ouvre
Le schéma d’un algorithme génétique est simple. On commence par générer une population
initiale d’individus de façon aléatoire. A chaque étape, on crée une nouvelle population en
utilisant les opérateurs génétiques, à savoir, sélection, croisement et mutation

29
 (Le hoai minh, 2007). Le schéma du fonctionnement d’un algorithme génétique est
présente dans la figure suivante :

Figure 1 : Schéma d’un algorithme génétique simple (le hoai minh, 2007)

La mise en œuvre d’un algorithme génétique nécessite les éléments suivants :

• Une fonction d’adaptation (ou fonction fitness) : la fonction que l’on utilise pour
évaluer les individus dans l’espace de recherche.
• Un codage : comme nous avons mentionné, on associe chaque point de l’espace de
recherche `a une structure particulière, appelée génotype, qui caractérise chaque
individu de la population.
• Une population initiale : la population à partir de laquelle l’algorithme évolue.
• Un processus de sélection : la sélection de deux parents selon un critère d’adaptation à
l’environnement pour favoriser la reproduction des ”bons” individus.
• Operateurs génétiques : croisement et mutation.

Application de l’algorithme Génétique (sélection des variables) sur les données brutes
On a utilisé cette technique à cause de sa capacité de distinguer statistiquement les
meilleurs individus d’un group et d’éliminer les mauvais.

Dans notre étude, la méthode de régression linéaire multiple (AG-RLM) combiné aux
algorithmes génétiques hybrides a été utilisée sur une série de 4 paramètres de la base de
données afin de prévenir et de choisir les facteurs explicatifs les plus influents, sur la
prévision de perméabilité du drain 5.

30
L'équation (AG-RLM) a été transférée à la relation suivante :
Prem = - 0,1987 (± 0,0422) Depth + 0,0031 (± 0,0044) ILD, DIL - 41,7733 (± 15,5163)
RHOB + 0,2558 (± 0,2535) NPHI + 779,1310 (± 144,6256)

Coefficient Ecart Intervalle de Confiance P- Commentaire

Type (95%) value
Constant 779,13 72,31 144,62 0 Significatif
depth
-0,19 0,02 0,042 0 Significatif

ILD, DIL 0,003 0,002 0,004 0,16 Pas

significatif

RHOB, -41,77 7,75 15,51 0 Significatif

NPHI
0,25 0,12 0,25 0,04 Significatif

La sélection de variable :
Le résultat de AG-RLM a montré que les variables les plus significatives pour estimer
la perméabilité sont : profondeur (HCAL), la densité (RHOB) et le neutron (NPHI). Ces
paramètres doivent être considérés comme des variables explicatives et elles sont utilisées
dans l’application avec les autres techniques d'intelligence artificielle pour améliorer les
performances et minimiser l’erreur (Tableau.1).
Les performances de cette technique entre perméabilité réelle et la perméabilité estimée par
(AG-RLM) sont
R2= 0.59, RMSE= 6.2162 et MAE= 4.1383 (Tableau. 2).
Tableau 2 : les performances de AG-RLM.

R2 RMSE MAE

0,59 6,21 4,13

31
 ➢ TAMFU DIANNA CHECHE

PROBLEME 1 : L'optimisation de la localisation des puits : L'algorithme génétique peut être

utilisé pour trouver la meilleure configuration de puits dans une zone d'exploration donnée.
En utilisant des variables génétiques telles que la profondeur, la distance entre les puits, le
débit d'huile/gaz attendu, etc., l'algorithme génétique peut itérer et évaluer différentes
combinaisons pour trouver la configuration optimale qui maximise la production tout en
minimisant les coûts.

PROBLEME 2 : La prédiction des caractéristiques géologiques : L'algorithme génétique

peut être utilisé pour prédire les caractéristiques géologiques d'une zone d'exploration à partir
de données sismiques et géologiques existantes. En utilisant des variables génétiques telles
que la porosité, la perméabilité, la saturation en huile/gaz, etc., l'algorithme génétique peut
ajuster les paramètres pour trouver le modèle géologique qui correspond le mieux aux
données disponibles. Cela permet aux entreprises pétrolières et gazières de mieux comprendre
la structure géologique d'une zone et d'optimiser leur stratégie d'exploration.
Dans le cas de la résolution du problème de prédiction des caractéristiques
géologiques dans une zone précise du Cameroun, un exemple courant et pratique de
l'utilisation de techniques d'analyses des données géologiques est l'utilisation de la “régression
linéaire.” La régression linéaire consiste à établir une relation linéaire entre les variables
d'entrée (telles que la composition chimique des échantillons de roche, la profondeur, etc.) et
la variable de sortie (telle que la teneur en minéraux, la porosité, etc.). En utilisant un
ensemble de données historiques comprenant à la fois les variables d'entrée et les valeurs
réelles des caractéristiques géologiques dans une zone spécifique du Cameroun, un modèle de
régression linéaire peut être construit. Ce modèle peut ensuite être utilisé pour prédire les
caractéristiques géologiques dans cette zone en utilisant les variables d'entrée disponibles. Les
résultats de la prédiction peuvent être validés en comparant les valeurs prédites avec les
valeurs réelles des caractéristiques géologiques, et le modèle peut être ajusté si nécessaire.
Exemple : Supposons que nous voulons prédire la production de pétrole dans le
gisement1 en fonction de certaines caractéristiques géologiques telles que
A : la profondeur du gisement
B : la porosité
C : la perméabilité

32
D : la pression
Modélisons un modèle de régression linéaire :
Production de pétrole = β0 + β1*Profondeur + β2*Porosité + β3*Perméabilité +
β4*Pression + ε
Où β0, β1, β2, β3, et β4 : coefficients du modèle et ε est l'erreur résiduelle.
En utilisant des techniques d'ajustement de modèle, nous pourrions estimer les
coefficients du modèle à partir de nos données et utiliser le modèle ajusté pour prédire la
production de pétrole dans le gisement1 en fonction des valeurs observées des caractéristiques
géologiques. Ainsi, la régression linéaire pourrait être utilisée pour prédire la production de
pétrole dans le gisement1 en fonction des caractéristiques géologiques, ce qui pourrait être
utile pour la planification de la production et la prise de décision dans le domaine pétrolier.

➢ NAFISSATOU OUSMANOU

PROBLEME 1 : Supposons que nous ayons une zone d'exploration pétrolière avec des
contraintes géologiques et opérationnelles spécifiques. Par exemple, nous pourrions avoir des
zones à haut potentiel de production, des contraintes de distance minimale entre les puits, des
contraintes environnementales, etc.
Pour résoudre ce problème, l’algorithme générera initialement une population de
configurations de puits aléatoires dans la zone d'exploration. Chaque configuration sera
représentée par un ensemble de coordonnées qui définissent l'emplacement de chaque puits.
Ensuite, l'algorithme évaluera chaque configuration en termes de production
potentielle et de coûts associés. Cela peut être fait en utilisant des modèles géologiques, des
simulations de production, des estimations de coûts, etc. Les configurations qui ne respectent
pas les contraintes géologiques ou opérationnelles seront éliminées.
Enfin, l'algorithme utilisera des opérations telles que la sélection, le croisement et la
mutation pour générer de nouvelles configurations de puits à partir des configurations
existantes. La sélection favorisera les configurations qui ont une meilleure performance
potentielle en termes de production et de coûts. Le croisement combinera les caractéristiques
des configurations parentales pour créer de nouvelles configurations. La mutation introduira
des variations aléatoires dans les configurations existantes.

33
 Ce processus d'évaluation et d'évolution sera répété sur plusieurs générations jusqu'à
ce qu'une configuration optimale émerge. La configuration optimale sera celle qui maximise
la production tout en minimisant les coûts, tout en respectant les contraintes géologiques et
opérationnelles.

➢ NGUEMZI NDOGMO RALPH KEVIN

PROBLEME 1 : Un exemple de problème en exploration gazière qui peut être résolu à

l'aide d'algorithmes génétiques est l'optimisation de la localisation des puits de forage.
L'objectif est de trouver la configuration optimale des puits de forage pour maximiser la
production de gaz tout en minimisant les coûts d'exploitation.

Voici comment un algorithme génétique peut être appliqué à ce problème :

• Représentation des individus : Chaque individu dans la population représente une

configuration de puits de forage. Cela peut être codé sous forme d'une chaîne binaire,
où chaque bit indique la présence ou l'absence d'un puits à une certaine position ;

• Génération de la population initiale : Une population initiale de configurations de puits

de forage est générée de manière aléatoire ;

• Évaluation des individus : Chaque individu est évalué en fonction de sa production de

gaz et de ses coûts d'exploitation. Cela peut être fait en utilisant des modèles de
simulation de réservoir et des estimations de coûts ;

• Sélection des parents : Les individus les plus performants sont sélectionnés comme
parents pour la prochaine génération. Cela peut être fait en utilisant des méthodes de
sélection telles que la roulette ou le tournoi ;

• Croisement et mutation : Les parents sélectionnés sont croisés pour créer de nouveaux
individus. Cela peut être fait en échangeant des parties de leurs configurations de puits
de forage. Des mutations aléatoires peuvent également être appliquées pour introduire
de la diversité dans la population ;

34
 • Remplacement des individus : Les nouveaux individus sont utilisés pour remplacer
une partie de l'ancienne population, en veillant à ce que les meilleurs individus soient
conservés ;

• Répéter les étapes 3 à 6 jusqu'à atteindre une condition d'arrêt : Les étapes
d'évaluation, de sélection, de croisement et de mutation sont répétées jusqu'à ce qu'une
condition d'arrêt soit atteinte, par exemple un nombre maximum d'itérations ou une
convergence des performances.

• Obtenir la meilleure solution : Une fois l'algorithme terminé, la meilleure

configuration de puits de forage trouvée dans la population finale est considérée
comme la solution optimale au problème d'exploration gazière.

En utilisant cette approche, les algorithmes génétiques peuvent aider les entreprises
d'exploration gazière à optimiser leurs opérations, en trouvant des configurations de puits de
forage qui maximisent la production de gaz tout en minimisant les coûts.

➢ NGAMI AYUK WILFRIED IVAN

PROBLEME 1 : Utilisation d’algorithme génétique pour optimisation d’emplacement d’un

puits de forage pétrolier.

1- Initialisation de la population : nous allons commencer pars une population probable

d’emplacement de puits dans un site délimité. Ces emplacements ou positionnements
sont considère comme les individue de cette population avec les coordonnées
géographiques comme gènes.
2- Evaluer le fitness : la fonction fitness évalue la qualité de chaque individues baser sur
les critères telle que la productivité du réservoir, les couts de forage et la proximité de
l’infrastructure existant.
3- Sélection : la sélection des individues de la population pour la reproduction est baser
sur la leurs valeurs de fitness. Les individues avec une value de fitness plus élevées
seront choisir pour la reproduction, imitant le processus de sélection naturelle.
4- Croissement (crossover) : le croisement est fait sur les individues sélectionner le
croisement entre de individues de diffèrent gènes donne naissance à nouvelle

35
 génération de diffèrent génotype cela permets d’explore les diffèrent attribues
d’emplacement du puits.
5- Mutation : En introduisant des changements génétiques aléatoires sur la nouvelle
génération au travers de la mutation. La mutation aides a créé des nouvelles variétés
dans la population permettant l’exploration des différents emplacements dans la zone
délimitée.
6- Evaluation du fitness de la nouvelle génération en utilisant la fonction fitness
7- Remplace la population : une fois l’évaluation a été faites remplacer une partir de la
population avec la nouvelle génération le remplacement est baser sur l’évaluation du
fitness de la nouvelle population cela permet à la nouvelle génération avec des
meilleur valeur de fitness de fait partie de la deuxième génération après elles.
8- Itérer le 3-7 plus le nombre d’itérations est élever mieux seront les résultats optimaux
9- Une fois l’algorithme terminer le meilleur emplacement est obtenue en utilisant les
méthodes de validation.

36