Rapport TOTAL

MASTER 2 Optimisations des Protocoles Exprimentaux
Universit de Bretagne Occidentale

Avenue Le Gorgeu
29200 Brest
ESTIMATION DE LINCERTITUDE SUR LE GAZ

PRODUIT GLOBAL DU CHAMP RIO DEL REY
(CAMEROUN)
Exploration Production
Direction Hygine Scurit Environnement
Dpartement Environnement
LACOUR Cdric
Promo 9
Session 2006-2007
Estimation de lincertitude sur le gaz produit global du champ Rio Del Rey (Cameroun)
REMERCIEMENTS
Je tiens avant tout remercier la socit TOTAL et M. Jean-Yves DURIEUX,
Directeur du service Hygine, Scurit, Environnement (HSE) de la Direction Gnrale
Exploration Production (DGEP), pour mavoir accueilli durant ces quatre premiers mois de
stages de fin dtudes du Master 2 Professionnel Optimisations des protocoles
exprimentaux .
Je remercie plus particulirement M. Roger CAMPS, responsable du service
Environnement au sein de la DGEP/HSE, ainsi que Michel GRANDPRAT pour mavoir
confier la ralisation de cette mission et pour avoir eu confiance en mes capacits la mener
bien.
Je me permets dexprimer toute ma gratitude lgard de Mathieu MURRAY, mon
tuteur, pour son exprience et son savoir-faire qui mont permis dtre initi au monde
ptrolier ainsi que pour sa disponibilit. Ses recommandations et son esprit critique mont t
dune aide prcieuse dans la ralisation de mes diffrentes tches.
Merci galement Jean-Paul Valois, de la Direction Gosciences (GSR) Dpartement
Valorisation des gisements (VDG) pour mavoir accord du temps lors des visites Pau. Ses
conseils et formations ont fortement contribu lavancement de mes travaux ainsi que les
informations apportes par lquipe du Dpartement Technologies Gosciences (TG).
Jexprime mes remerciements Benjamin MAKAYA, de la filiale Cameroun, pour
mavoir fourni les donnes ainsi qu son quipe pour avoir rpondu mes questions.
Enfin je souhaite adresser de sincres remerciements tous les membres de la Direction
HSE et les stagiaires pour leur accueil chaleureux et la sympathie quils mont tmoign.
Cdric Lacour (Mars Aot 2007)
Voir dfinition dans le glossaire
ABSTRACT
TOTAL produces yearly an Environment Report for each affiliate in which is given
the inventory of the production of waste, the fresh water consumption, the atmospheric
emissions These Environment Reports are audited to be consistent at the Group level.
The gas production of Rio Del Rey field in Cameroon was not considered satisfactory by the
external auditors. This is due in particular to the absence of accurate measurements on the
site.
In spite of these fluctuating data, the object of the study was to analyse, with
a statistical approach, well test data to have a better understanding of the results, to model the
production of gas and to estimate the uncertainty associated to this production.
This study is a useful attempt to avoid heavy modifications of the existing count.
As a supplement to exploratory analyses (analysis of variance ANOVA, curve Qgaz =
f (Time) ), allowing to discover the influential factors on well production and to proceed to
groupings (wells with gas, with oil), two approaches appear:
The "Deterministic" one, using multivariate analysis tools of Unscrambler
(Principal Component Analysis, Partial Least Square ). These tools, owing to the
lack of information, seemed not to be conclusive and did not allow to show groups
of population as only 30 % of the information was explained and 50 % of the
quantity of produced gas was predicted.
The "Probabilistic" one, consisting in the application of a regression method (called
LOESS) with the use of a SAS module developed by a TOTAL statistician. It
allowed, by curve smoothing versus time (moving average), to estimate punctual
uncertainties. This technique also required a command of certain parameters
(fluids, oilfield specific ) aiming at a sharper exploratory analysis.
It appears that multivariate analysis tools are not adapted because of a lack of
information of good quality and a too high uncertainty on the average ( 184%).
Another way to explore is interpolation (production of new data) coupled with LOESS
regression. This method leads to an uncertainty of 5%.
Thanks to the goods results, I recommend to follow in this way.
Key words: environment report, gas assessment, well test, data analysis, LOESS regression.
SOMMAIRE
I.
II.
Introduction .................................................................................................................... 5
Gnralits...................................................................................................................... 6
A. Contexte de la mission ................................................................................................... 6
B. Problmatique................................................................................................................. 7
1. Donnes en prsence .................................................................................................. 7
2. Informations collectes sur le champ Rio Del Rey et sur les essais de puits............. 9
C. Notion dincertitude ..................................................................................................... 10
1. valuation des incertitudes....................................................................................... 10
2. Mthodes dvaluation des incertitudes de type A et B ........................................... 11
3. Propagation des incertitudes..................................................................................... 11
D. Test dhypothse nulle et seuil de signification ........................................................... 12
III.
Mthodes danalyses et destimation de lincertitude .................................................. 12
A. Analyse multivarie...................................................................................................... 12
1. Gnralits sur lACP et la PLS............................................................................... 12
a) Analyse en Composantes Principales........................................................... 12
b) Partial Least Square...................................................................................... 13
2. Statistiques descriptives des variables...................................................................... 14
a) Analyse des variables ................................................................................... 14
b) Dtection de groupes de donnes ................................................................. 15
3. Analyse ACP / PLS sur les donnes de tests de puits .............................................. 17
a) Gnral ......................................................................................................... 17
b) Dure de test > 0.5 jour ................................................................................ 19
c) Puits gaz..................................................................................................... 20
4. Conclusion ACP/PLS............................................................................................... 21
B. Rgression de LOESS : mthode des moyennes mobiles ............................................ 22
1. Principe..................................................................................................................... 22
2. Exemple gnral....................................................................................................... 22
3. Statistiques descriptives ........................................................................................... 23
4. Analyse de la rgression LOESS sous SAS ............................................................. 26
a) Mthode........................................................................................................ 26
b) Interpolation ................................................................................................. 27
c) Applications ................................................................................................. 27
5. Conclusions rgression LOESS ............................................................................... 29
IV.
Conclusion.................................................................................................................... 30
V.
Recommandations ........................................................................................................ 31
GLOSSAIRE............................................................................................................................ 32
I. Introduction
En matire denvironnement, de nombreux sujets sont au cur des proccupations
mondiales : le rchauffement climatique bien sr, mais aussi la pollution de lair et de leau, la
dgradation acclre de la biodiversit, la prolifration de dchets...
TOTAL est concern par ces enjeux, quils soient dimportance locale ou plantaire.
La dmarche du GROUPE vise aussi rduire les risques de pollutions et les missions
nfastes pour lenvironnement. La prservation de la biodiversit est par ailleurs au cur de
ses proccupations.
Danse ce sens, TOTAL se doit de fournir un rapport environnemental pour chacune de ses
filiales rendant compte des diffrents indicateurs environnementaux dont le bilan de gaz
produit.
En vue de dterminer ce bilan de gaz, mais aussi les dbits deau et dhuile produits,
des tests de puits sont raliss. En effet, labsence de comptage en temps rel du flux
triphasique ncessite de passer par des essais de puits.
Dans leur rapport prliminaire les auditeurs d Ernst & Young ont relev la ncessit
de faire diminuer lincertitude sur le bilan gaz. Une analyse par un traitement statistique des
donnes de tests de puits sera ralise pour minimiser cette incertitude afin dviter des
modifications lourdes du systme de comptage (tests de puits).
Le stage consistera en lutilisation des outils acquis lors de ma formation (analyse
multivarie, logiciel Unscrambler et Statistica) mais aussi ceux dcouvert durant mon stage
(rgression LOESS, logiciel SAS).
II. Gnralits
A. Contexte de la mission
Chaque anne TOTAL produit un Reporting Environment visant renseigner ses
filiales sur les indicateurs environnementaux (missions atmosphriques, la consommation
deau, les dblais de forage, ). Ce rapport doit tre valid par des auditeurs externes.
Dans le Reporting Environment de la filiale E&P Cameroun de Dcembre 2006, les auditeurs
ont estim que lincertitude sur le gaz produit global (non mesur) ntait pas satisfaisante
voir inexistante.
En effet une approche de lincertitude a t mene en la dduisant directement du Gas
Oil Ratio (G.O.R).
puitsn
Gaz Produit =
GOR puits i * Huile Pr oduiteRconcilie * temps fonctionnement du puits i
puits1
Lincertitude a t calcule de la manire suivante, en tenant compte de lincertitude

de chaque terme :
GOR moyen
Huile Pr oduite
Gaz Pr oduit
Rconciliation
= (
) + (
) + (
)
Gaz Pr oduit
GOR moyen
Huile Pr oduite
Rconciliation
Soit
Gaz Pr oduit
=
Gaz Pr oduit
(0.20) + (0.0025) + (0.01) 20%
Comme dit prcdemment, les dbits ne sont pas mesurs en temps rel, il est donc
ncessaire deffectuer des tests de puits. La ralisation de tests de puits valids est primordiale
pour le bilan et la stratgie production dune filiale. En gnral, la production est triphasique
mais elle peut tre diphasique (Huile + Gaz) en dbut de production dun champ. En labsence
dun comptage triphasique en temps rel pour chaque puits, cest le seul moyen pour
dterminer les caractristiques principales du puits (Dbits eau, gaz, huile) en fonction dun
certain nombre de critres (Pression, temprature, duse, densit, ). Les rsultats obtenus
permettront dextraire un certain nombre de donnes et de ratios pour comprendre le
fonctionnement du puits et du rservoir dans le temps, et pour quantifier les volumes produits
(BSW, GOR, ).
B.
Problmatique
1. Donnes en prsence
Lors de ma mission, jai donc eu pour rle destimer cette incertitude associe une quantit
de gaz total produit sur une priode de 6 ans (2000-2006). Ces donnes sont extraites de la
base ELISA du champ Rio Del Rey au Cameroun.
Par mes qualits de statisticien, jai du trouver des outils appropris (analyse multivarie,
mthode de rgression) afin dy voir clair dans les donnes dessai de puits (Fig 1).
Fig 1. chantillon du tableau de donnes.

Elles se composent de 6041 donnes de tests rparties sur 86 puits du champ Rio Del
Rey au Cameroun (Champ offshore Annexe 2). Ces mesures ont t effectues sur une
priode pouvant aller jusqu 6 ans pour certains puits (2000 20006).
Ces tests sont caractriss par les 14 variables et 5 rponses suivantes :
Puits : Nom du gisement + type dinstallation + N de linstallation
Exemple EKM008 : EK = Ekoundou, M = puits (F pour plateforme), 008 =N du puits.
COL : Colonne ou Tubing, orifice par lequel remonte le liquide de production.
Date : Date du test.
Dure : Dure en jour du test.
Duse : Orifice situ entre la tte de puits et le sparateur. Celui-ci est fixe en condition
de test et variable en condition de production. (Diamtre en de pouce). Il permet de
contrler le dbit du fluide qui jaillit.
PTH / TTH : Pression et temprature en tte de puits.
P inj : Pression de linjection de gaz lift en tte de lannulaire (en barg).
P sep / T sep : Pression et temprature au niveau du sparateur.
P res / T res : Pression et temprature du rseau Gas Lift (GL).
Qgl : Dbit de Gas Lift inject (Sm / j)*
D15/4 : Densit de lhuile 15C par rapport leau 4C (la plus dense).
Q HA : Dbit dhuile anhydre (m/ j).
Q EAU : Dbit deau (m / j).
Q Gaz : Dbit de gaz associ (naturel) (Sm / j)
BSW : Basic Sediment and Water, Pourcentage deau dans le fluide diphasique
huile/eau produit (%).
GOR : Gas Oil Ratio, Volume de gaz produit ramen aux conditions standard par
volume dhuile produit. (Sm / m).
* Aux conditions standards (15C et 101,325 kPA).

Ce tableau est une synthse des paramtres pouvant influer sur la rponse qui nous
intresse (Q Gaz). Certains sont ajustables comme la duse, la pression dinjection GL, Qgl ou
encore la dure du test. Dautres sont mesurs (Pressions et tempratures en tte de puits, au
niveau sparateur, la densit, les dbits )
Face ce nombre de donnes, diffrents problmes se prsentent : les liaisons entre les
variables, la prsence de valeurs manquantes et de donnes aberrantes, la performance des
puits en fonction de leur dure de vie
Une approche statistique de ces paramtres permettra donc de faire le tri dans les
donnes, dtablir des relations entre variables et de prdire une rponse au cours du temps
associe une incertitude.
2. Informations collectes sur le champ Rio Del Rey et sur les essais de
puits
Les puits sont supposs tre tests une fois par mois (deux fois sils ncessitent un
suivi particulier). Ou moins, sils sont jugs stables.
Des puits produisent du gaz et servent la rallocation c..d que le gaz produit est
redistribu sur dautres plateformes afin de faciliter et damliorer la production
dhuile en injectant ce gaz (dit gaz lift), ce qui a pour consquence dallger la colonne
de fluide. (BOM203 LS puits gaz Haute Pression, BOM009 qui a un fort G.O.R,
ASM032G utilis en appoint du rseau Compression Zone Est , ).
Depuis 2004, lobjectif du puits EKM038 est de fournir des gaz pour lactivation des
puits. On est dans le mme cas de figure pour les puits BOM203 et NHM001.
Il existe 2 origines pour la production de gaz : la premire est le gaz dissout en

condition fond de puits et la seconde est le gaz prsent dans le rservoir aux conditions
(P, T) rservoir (saturation en gaz > 0, coning en provenance dune couche de gaz
au dessus).
Pour la majorit des puits, lors des tests, il faut un temps de stabilisation relativement
long surtout si ces puits sont en Gas Lift.
Un puits commence tre mauvais producteur lorsquil produit le gaz en provenance

du gas cap qui est au dessus de la couche dhuile.
Les puits BOM012 et INM009 sont atteints par du gas coning .
Les gisements ont la mme signature gochimique mais ils diffrent par le degr de
lessivage. Il y a une migration des hydrocarbures de le roche mre vers les diffrents
piges constituant les rservoirs.
Lors des mises en route des puits, un dgazage est effectu.
Les donnes dessais de puits sont difficilement transposables aux donnes de

production. Ceci est d aux conditions qui diffrent. (ex : le diamtre des duses nest
pas le mme en essai ou en production).
Plus un test est long, meilleur est sa performance.
Il est prfrable de raisonner sur le champ et non par puits car les donnes sont trop
biaises.
C. Notion dincertitude
valuer lincertitude sur une mesure est un domaine complexe qui fait lobjet dune
branche complte : La mtrologie.
Vocabulaire
G : Mesurande, grandeur mesurer.
g : Mesure de la grandeur G ;
u (G) : Incertitude type.
U (G) : Incertitude largie.
U (G )
= Incertitude relative.
g
1. valuation des incertitudes

Il faut un instrument de mesure construit sur un talon. Malgr tout, cet instrument
possde aussi une certaine prcision. Lacte de mesurer entrane deux types derreurs :
valuations de type A
Cest le cas o une srie de mesures est effectue. Le traitement des erreurs est
statistique : moyenne, cart type, Cette analyse statistique se fait lorsquon a peu
dindications sur les sources derreurs.
valuation de type B
Il est impossible de faire un calcul statistique. Il faut chercher et valuer les sources
derreurs. Le constructeur de linstrument de mesure fournit des donnes telles que la classe
de lappareil, le calibre, la rsolution. Il est ncessaire davoir une connaissance gnrale de
lexprience ou du process.
Incertitudes composes
Dans certains cas complexes, il fau souvent combiner les deux mthodes pour obtenir
une meilleure valuation de lincertitude.
u (G) =
u A2 (G ) + u B2 (G )
10
2. Mthodes dvaluation des incertitudes de type A et B
Type A
Dans le cas de plusieurs mesures indpendantes, lincertitude se calcule laide de

lcart type dordre n-1 (appel cart type de lchantillon). On prend alors comme valeur de
g, la moyenne des mesures. Si la distribution des mesures suit une loi gaussienne, alors les
observations montrent que lcart type de lchantillon est un bon estimateur de lincertitude
pour un trs grand nombre de mesures.
Type B
Il est ncessaire de faire un bilan des erreurs :

- les erreurs systmatiques telles que les erreurs de mthodes, le vieillissement des
composants, le rglage du zro de lappareil,
- les erreurs alatoires telles que les erreurs de lecture ou dues lappareil lui-mme
ou dues aux conditions extrieures (temprature et dilatation, pression atmosphrique, )
Dans un tel cas de figure, pour arriver exprimer lincertitude sous la forme dun cart
type, on peut changer dinstrument de mesure, voire de protocole, faire varier les paramtres
influents.
Incertitude largie
Le problme, et notamment dans le cas dune valuation de type B pour laquelle le

calcul statistique nest pas possible, est quil faut donc arriver faire confiance notre
cart type, en llargissant :
Si les mesures sont quiprobables et que lon connat g max et g min , lincertitude largie
se calcule en multipliant u par un cfficient dlargissement k :
U = k*u avec k = 2 pour une confiance 95%.
k = 3 pour une confiance 99%.
3. Propagation des incertitudes

Si une grandeur y se dduit de grandeurs xi , par une formule du type :
y = f( x1 + x2 + ... ), alors lincertitude se calcule par
Si les mesures sont indpendantes (non corrles).
Dune manire plus simple
u( y)
=
y
u ( x1 ) u ( x 2 )
+
+ .....
x12
x 22
11
D. Test dhypothse nulle et seuil de signification

Un test d'hypothse est une dmarche consistant rejeter ou accepter une hypothse
statistique, appele hypothse nulle, en fonction d'un jeu de donnes (chantillon).
L'hypothse nulle H0 est une hypothse de non diffrence (il n'y a pas de diffrence
significative entre les chantillons A et B). Elle est formule de faon tre rejete. Dans le
cas de son rejet, l'hypothse alternative (H1) (il y a une diffrence significative entre les
chantillons A et B) doit tre accepte.
Le calcul de probabilit p correspond la probabilit que l'hypothse nulle soit
vraie (ou la probabilit de se tromper en rejetant l'hypothse nulle). Si p>0,05 ( = 5%), on
ne peut pas rejeter l'hypothse nulle. On dit qu'il ny a pas de diffrence significative entre les
deux chantillons.
Le risque = 5% signifie quil n'y a que 5 chances sur 100 pour que l'cart entre la
variable et sa valeur moyenne dpasse 2 fois l'cart type (Fig.2).
Fig 2. Seuil de signification (acceptation / Rejet)
III. Mthodes danalyses et destimation de lincertitude

A. Analyse multivarie
Lanalyse multivarie est une tude statistique des relations pouvant exister entre plusieurs
variables. LAnalyse en Composantes Principales (ACP) et la mthode Partial Least Square
(PLS) sont deux des techniques de la famille des analyses multivaries. Ces deux mthodes
seront effectues avec le logiciel UNSCRAMBLER .
1. Gnralits sur lACP et la PLS

a) Analyse en Composantes Principales
L'tude d'une population statistique de taille n passe le plus souvent par le recueil d'un
nombre lev p de donnes quantitatives par lment observ. L'analyse de ces donnes doit
tenir compte de leur caractre multidimensionnel et rvler les liaisons existantes entre leurs
composantes.
12
L'analyse en composantes principales (ACP), introduite en 1901 par K. Pearson [4] et

dveloppe par H. Hotelling en 1933 [1], est une mthode trs puissante pour explorer la
structure de telles donnes. Chaque donne tant reprsente dans un espace p dimensions,
l'ensemble des donnes forme un "nuage de n points" dans Rp. Le principe de l'ACP est
d'obtenir une reprsentation approche du nuage dans un sous-espace de dimension faible k
par projection sur des axes bien choisis. Une mtrique dans Rp tant choisie (en gnral
normalise par l'utilisation de variables centres rduites), les k axes principaux sont ceux qui
maximisent l'"inertie" du nuage projet, c'est--dire la moyenne pondre des carrs des
distances des points projets leur centre de gravit. Les composantes principales sont les n
vecteurs ayant pour coordonnes celles des projections orthogonales des n lments du nuage
sur les k axes principaux.
Les composantes sont les axes principaux de lellipsode dinformation dans Rp.
L'ACP construit ainsi de nouvelles variables, artificielles, et des reprsentations
graphiques permettant de visualiser les relations entre variables, ainsi que l'existence
ventuelle de groupes d'lments et de groupes de variables.
L'interprtation de ces reprsentations est dlicate et doit respecter une dmarche
rigoureuse.
b) Partial Least Square
Dveloppe par Wold dans les annes 1960 [2], la rgression PLS (Partial Least
Squares) est une technique permettant de contourner certains obstacles (valeurs manquantes,
nombre de variables explicatives suprieurs au nombre dobservations ). Elle peut tre
perue comme une gnralisation de la Rgression Linaire Multiple (mais galement de
la Rgression sur Composantes Principales et de l'Analyse Canonique).
La Rgression PLS remplace l'espace initial des (nombreuses) variables explicatives par
un espace de faible dimensionnalit, sous tendu par un petit nombre de variables appeles
"facteurs" ou "variable latentes" qui sont construits l'un aprs l'autre de faon itrative. Ces
facteurs seront les nouvelles variables explicatives d'un modle de rgression linaire
classique.
Les facteurs sont orthogonaux (non corrls), et sont des combinaisons linaires des
variables explicatives initiales. Mais alors que ces derniers ne sont calculs qu' partir des
variables initiales (et donc sans rfrence la rponse y), les facteurs de la rgression PLS
13
prennent en compte leur utilit individuelle pour prdire y en maximisant leurs corrlations
successives avec y, tout en maintenant la contrainte d'orthogonalit avec les facteurs dj
construits.
La rgression PLS est utilisable mme sur des variables nominales (explicatives ou
expliquer) par le biais d'un codage sous forme de la cration de variables indicatrices binaires.
Cest la technique principale de modlisation prdictive dans les situations o les prdicteurs
sont plus nombreux que les observations, fortement corrls, et avec de nombreuses donnes
manquantes. Son champ d'application essentiel est la chimiomtrie, mais la rgression PLS est
trs gnrale, et se dveloppe rapidement dans tous les domaines (conomie, mdecine,
psychologie etc...).
2. Statistiques descriptives des variables

a) Analyse des variables
Dans le but danalyser les donnes par le biais de lanalyse multivarie, la premire
tape consistera analyser chaque variable.
Une tude de dispersion des donnes pour chaque variable pourrait tre ralise mais le
nombre de valeurs ne nous permet pas de la faire. Le meilleur test connu ce jour est
Shapiro et Wilk [3] mais celui-ci ne prend en compte quun maximum de 5000 donnes
(Dans notre cas, il y en a plus de 6000). ventuellement, cette analyse pourra tre effectue
lorsque des groupes auront t constitus.
Lanalyse prliminaire consiste galement dtecter les anomalies et observer le
comportement des variables.
Les logiciels ne permettant pas de faire de test de normalit sur un grand nombre de
variables, on peut donc utiliser des histogrammes frquence = f (variables) et sapercevoir
que sur certaines variables, des valeurs semblent scarter trs sensiblement de la moyenne.
En questionnant les spcialistes, jai jug, selon le cas, sil fallait liminer ces valeurs
extrmes ou au contraire en tenir compte dans lanalyse.
14
b) Dtection de groupes de donnes
Lun des enjeux importants de cette premire approche est dessayer de trouver des
groupes de donnes bien dfinis. Cette partie de lanalyse a t ralise grce un module
dvelopp sous SAS par un statisticien de TOTAL (Jean Paul Valois).
Le graphique Qgaz = f (dure) prsente une bimodalit (Fig 3). Aprs discussion, il
ressort que cela est d la stabilisation des tests de puits. On considre gnralement quun
puits est stable partir de 6 heures de test. Dans notre cas on voit quil faut une demi-journe
pour quil se stabilise. Plus un test est long, meilleur est sa performance.
Lune des premires pistes sera donc de sparer les puits en fonction de la dure de test. Or il
ny a que 1/10 des tests qui sont suprieurs une demi-journe.
Fig 3. Graphique de la dure de test en fonction de la quantit de gaz produit.

(Qgas est en Sm/j et Dure en jour)
Une autre approche est de sparer les puits suivant la qualit des fluides quils
produisent.
Rio Del Rey tant en production depuis longtemps, certains puits produisent beaucoup de gaz
et dautres sont des puits huile. Pour cela il faut utiliser la variable G.O.R qui est le ratio
gaz/huile. Pour chaque puits, son volution a t trace.
15
Au dernier test connu pour chaque puits, 6 dentre eux (soit 1/10) prsentent un G.O.R
suprieur 1000 Sm/m. Ces puits sont considrs comme des puits gaz et produisent de
la quantit de gaz du champ.
Le graphique suivant, de la quantit de gaz produit en fonction du G.O.R, permet
galement de voir quels sont les puits bons producteurs dhuile ou de gaz.
Fig 4. Graphique de la quantit de gaz produit en fonction du G.O.R.

Il existe diffrents types de puits :
Faible GOR + Fort Qgas = bons producteurs dhuile.
Fort GOR + Fort Qgas = producteurs de gaz. Dans ce cas larrive massive de gaz
peut tre due ce que lon appelle du gas coning
ou bien les puits ont
volontairement t reperfors au sommet de la structure o un accumulation de gaz

sest produite (ou gas cap) afin dtre redistribu pour lactivation des puits.
Un puits est considr comme mauvais producteur lorsque le G.O.R de production
devient suprieur au Rs initial. Le Rs est lquivalent du G.O.R mais au niveau du rservoir.
Ainsi un G.O.R est considr comme mauvais partir dune valeur comprise entre 200
et 500 Sm/m. Cela dpend du volume du rservoir considr.
16
Un puits est dit Bon producteur lorsquil produit de lhuile en grande quantit (faible
G.O.R).
Nous avons donc l un autre aspect traiter : sparation des puits gaz ou huile.
Une premire tape exploratoire tant ralise, on va pouvoir affiner ltude par une
analyse multivarie. A la vue du nombre de tests et de variables, lanalyse multivarie semble
tre une tape pralable et primordiale lexamen des donnes.
3. Analyse ACP / PLS sur les donnes de tests de puits

LACP / PLS va permettre dtablir un modle avec les variables explicatives partir
duquel on extrait un cart-type. Celui-ci aura une relation directe avec lincertitude recherche
sur la base de la formule suivante :
Y = Ym t*(SEP)
Ym = Y moyen
Y = Y vrai
t = correspond au t de la loi de Student au risque = 5% (ici t = 1.96)
SEP = Standard Error of Prediction.
n = nombre dchantillons.
a) Gnral
Aprs limination des points aberrants ( outliers ) grce au graphique des scores ,
des rsidus ainsi que par lintermdiaire de l effet de levier , on observe le
comportement des 12 variables. (9 points seront exclus selon un critre commun de P sep
trop lev). 9 composantes sont utiles pour expliquer 94% de la variance totale. Les deux
premires composantes (les plus explicatives) ne renseignent seulement que 46% de la
variance des X.
Ceci montre que les variables sont, en grande partie, indpendantes.
17
Fig 5. Variance explique et poids

des variables (Unscrambler).
Le tableau des corrlations confirme ce point, les variables les plus corrles sont la
temprature en tte de puits et celle sparateur r (TTH, Tsep) = 0.757. Viennent ensuite
r (PTH, duse) = r (PTH, Psep) = r (PTH, Qgl) = 0.55.
Le graphique des loadings (Fig 5) montre galement les relations existantes entre
variables et la contribution de celles-ci aux axes.
Il est normal davoir des corrlations entre les variables en tte de puits et celles du sparateur
car la temprature et la pression varient trs peu entre ces deux points.
Fig 6. Poids des variables et de la rponse.
Si lon applique une PLS 1 sur
la rponse qui nous intresse, QGaz,
on remarque quelle nest explique
seulement qu 50% (Fig 6). On peut
galement affirmer que les variables
les plus lies la rponse sont les
pressions en tte de puits et de
sparateur ainsi que la densit et la
quantit de Gas Lift inject. Ceci
en adquation avec le tableau des corrlations. Ces dernires donnent une indication sur la
mauvaise qualit du modle. En effet pour les 4 variables, elles varient de 43% 65% ce qui
reste faible.
18
Lincertitude estime sur la moyenne confirme ces mauvais rsultats avec une
approche 184%
Cette mauvaise explication de la variabilit des X et des Y va nous amener oprer par
groupes. Dans ce sens lanalyse prliminaire sera trs utile.
b) Dure de test > 0.5 jour
Si lon dfinit par une lettre les 2 types de tests (A < 0.5 jour, B > ou = 0.5 jour) et que
lon regarde la rpartition des puits suivant la dure des tests (Fig 7), on saperoit quil existe
effectivement 2 groupes de puits traiter sparment. Les tests tant les plus stables dans
le cas B, considrons une PLS avec une dure suprieure une demi-journe. Ce qui
reprsente seulement 1/10 des donnes.
Fig 7. Graphique des scores : sparation en fonction de la dure de test.

En traitant les donnes par cet aspect, le modle nest pas meilleur. Seulement 50% de
la variance des X et 54% de celle de Qgaz sont expliques.
On peut expliquer ceci par lACP ralise sur lensemble des donnes. Si lon regarde le
graphique des loadings (Fig 5 et 6) on remarque que la variable Dure contribue trs
peu aux axes 1 et 2 et est donc susceptible dapporter peu dinformations.
19
c) Puits gaz
De la mme manire si lon code les puits gaz et puits lhuile sur lvolution du
G.O.R (cf analyse prliminaire) et sur les informations reues par la filiale du Cameroun, on
a A qui correspond aux puits dits huile et B les puits dits gaz (Fig 8).
2 groupes se distinguent en fonction de la composante 5 auquel contribuent P inj et Pres, qui
sont deux types de pression renseignant sur le Gas Lift .
Fig 8. Variance explique et sparation des donnes sur la base du G.O.R.

Si lon fait une PLS avec les puits gaz sur la rponse Qgaz , le modle obtenu est
galement trs peu satisfaisant.
La mauvaise qualit du modle ne permet pas davoir la meilleure estimation possible
de la quantit de gaz et nous amne se poser diffrentes questions sur lutilisation des
variables. Certaines dentre elles sont ajustables, dautres sont mesures (PTH, T sep, Psep...).
20
Doivent-elles tre considres comme des variables ou des rponses ? Les dbits tant
normaliss (ramens en valeurs journalires), est-il utile dutiliser la dure des tests dans le
modle ? La variable Date est-elle assimile un variable continue?
En effet cette approche dite multivarie ncessite davoir une meilleure
connaissance des paramtres. Les variables prsentes ne peuvent, elles seules, expliquer le
modle. Ce type danalyse se rapproche de la mthode destimation de lincertitude de type B
pour laquelle il est impratif de matriser chaque tape du processus.
4. Conclusion ACP/PLS
Cette mthode ne savre pas concluante, en effet trop de variables sont peu corrles
(9 composantes pour lACP) ce qui rend lACP peu intressante (pas de gain dinformation).Il
y a galement un manque vident dinformation (de bonne qualit) ce qui explique le faible
pourcentage dexplication de la rponse (51%).
La constitution de groupes (dure de tests) nous amne liminer trop dchantillons,
il est donc ncessaire dhomogniser la dure de tests (>12h).
Un autre point ngatif est lestimation de lincertitude sur une MOYENNE, dune part, et sa
valeur trop leve (184%), dautre part.
Contrairement ce que lon pensait au dpart le problme semble beaucoup plus
difficile et la mthode est inadapte
Cette conclusion nous amne explorer des techniques diffrentes pour analyser ces
donnes qui vont me permettre daccomplir ma mission principale : estimation de
lincertitude sur le gaz produit global .
La rencontre du personnel de TOTAL Pau et notamment de Jean Paul Valois (Analyses
statistiques Valorisation des gisements) ma permis de considrer une nouvelle approche et
dutiliser une mthode rgression sur une courbe en fonction du temps. (Rgression LOESS)
21
B. Rgression de LOESS : mthode des moyennes mobiles

Cette mthode consistera estimer une incertitude de type A, issue de calculs
statistiques.
1. Principe
Le lissage LOESS (ou LOWESS selon la littrature) est une mthode de lissage des
donnes (couples de donnes x-y). Un modle de rgression local ajuste chaque point et les
points proches de celui-ci (moyenne mobile). La mthode est aussi parfois appele rgression
robuste localement pondre. Les donnes lisses prsentent habituellement une image plus
claire de la forme gnrale de la relation entre les variables x et y. Cette mthode combine la
simplicit de la rgression linaire et la flexibilit dune rgression non-linaire. La mthode
LOESS a t propose par W.S Cleveland en 1979 [5] et a t dvelopp par Cleveland et
Devlin (1988) [6].
Avantages : Cette mthode nexige pas dadapter un modle toutes les donnes
de lchantillon mais ncessite juste dentrer les paramtres de lissage et le degr
du polynme.
LOESS est galement trs flexible, idale pour des processus complexes pour
lesquels il nexiste pas de modle thorique.
Inconvnients : LOESS exige davoir un nombre important de donnes. La

fonction produite est difficilement reprsentable par une formule mathmatique, ce
qui empche dtre transfrable dune analyse une autre.
2. Exemple gnral
Une des mthodes peut tre dappliquer un lissage sur une courbe Qgas = f (time) sur un
priode donne avec une fentre de lissage, un pas et un degr de polynme dfini
arbitrairement. Grce au
critre de slection AICc et aux paramtres contrls, le
programme va tracer une prdiction dans le temps de la variable Qgas ainsi quun intervalle
de confiance 95%. Le programme donne galement les paramtres de lissage qui
conviennent le mieux. Pour une analyse plus personnelle, il est possible de le faire
manuellement. (Fig 9).
22
- UpperCL et LowerCL
sont les intervalles de confiance.
- DepVar est la variable
Qgaz dorigine.
- Pred est la variable
prdite aprs lissage.
Fig 12. Rcapitulatif de la rgression LOESS sur le puits ACM013.

Fig 9. Exemple de rgression sur un puits.
Exemple : Pour le puits ACM013 le meilleur paramtre de lissage est 0.2. Il est possible
daffiner lanalyse en rduisant la fentre de lissage autour de 0.2.
Ce graphique, accompagn des donnes numriques, permet de dterminer un intervalle
de confiance 95% pour chaque test.
Ainsi on peut estimer une incertitude associ au bilan gaz puits par puits, soit une
date donne soit sur une priode dfinie, ceci en vue dobtenir un intervalle de confiance sur
le champ.
3. Statistiques descriptives
Auparavant il est important, dans le cadre dune rgression, dobserver le
comportement des puits en fonction du temps. Pour cela jai utilis STATISTICA et
lANOVA de Kruskal-Wallis qui est une alternative au test d'Analyse de la variance Intergroupes. Par cette mthode on pourra dterminer si la production est indpendante dun puits
un autre.
23
Ce test est utilis pour comparer au moins trois chantillons, et tester l'hypothse nulle
suivant laquelle les diffrents chantillons comparer sont issus de la mme distribution ou
de distributions de mme mdiane. Ainsi, l'interprtation du test de Kruskal-Wallis est trs
similaire une ANOVA paramtrique d'ordre Un, sauf qu'il est bas sur les rangs au lieu des
moyennes.
Le principe est de ranger toutes les observations par ordre croissant en fonction du
dbit de gaz. A chacune de ces observations est attribue un rang (les tests avec grand dbit de
gaz auront des rangs faibles et rciproquement) On calcule Ri (la somme des rangs dans
chaque puits) et R (la somme globale des rangs).
Afin de voir si lhypothse nulle ( H 0 ) est accepte ou refuse, le H de Howell est
calcul :
V.O = Valeur observe

N = nombre total dobservations
k = nombre de groupes
ni = nombre dobservations dans le groupe ni
Ri = somme des rangs dans le groupe ni
R = somme globale de tous les rangs
t = effectif des rangs donnant lieu des ex-aequo
Dans le cas de notre tude, nous voulons voir comment se comportent les puits entre eux,
ainsi la variable dpendante est Qgaz et la variable de classement sera puits .
H 0 : Les mdianes de la variable Qgaz dans les 85 niveaux de la variable puits
sont gales.
Si H 0 est vraie, cela signifie que les rangs sont rpartis de faons quivalentes pour les 85
puits. Les rangs moyens des diffrents puits seraient, plus ou moins, les mmes que le rang
moyen global et la dispersion serait faible. Au contraire, si H 0 est fausse, certains puits
auraient plus de rangs levs que dautres et la dispersion serait plus grande. On devrait donc
avoir un H de Howell grand et dans ce cas on rejette H 0 .
24
Fig 10. ANOVA de Kruskal-Wallis.
Fig 11. Tests de la mdiane.

Le test de Kruskal-Wallis (Fig 10) est trs significatif (p = 0,000). On peut donc en
conclure avec 5% de chance de se tromper, que les performances des diffrents puits ont t
significativement diffrentes d'un puits l'autre (en admettant que lhypothse nulle est que
tous les puits ont la mme performance de production).
Le test de la mdiane (Fig 11) est plus "brut" et moins sensible que l'ANOVA de
Kruskal-Wallis. La feuille de donnes affiche le nombre d'observations (tests) dans chaque
puits qui tombe en dessous (ou est gal ) la mdiane commune et le nombre d'observations
qui tombe au-del de la mdiane commune. Si un puits possde un plus grand nombre de tests
au dessus de la mdiane, cela signifie que le puits a une meilleure performance et
rciproquement. Si le nombre total de tests en dessus et en dessous de la mdiane (50% 50%) alors la performance des puits est indpendante dun puits un autre.
Si H > Chi-Deux (H observ) alors les performances des puits sont significativement
diffrentes. Il est intressant de montrer, sachant que les puits sont issus dun mme rservoir,
que la production dun puits na pas dinfluence sur un autre.
25
4. Analyse de la rgression LOESS sous SAS

La rencontre, chez TOTAL, dun statisticien (Jean Paul Valois) au sein du Dpartement
Valorisation des gisements Pau, ma permis de dcouvrir de nouveaux outils et davoir
une nouvelle vision sur la manire de traiter la mission.
En effet, au cours des visites, nous avons explor cette mthode de lissage permettant
dobtenir une valeur prdite avec un intervalle de confiance 95% un instant donn.
Cette approche a t ralise grce aux modules Magellan et Wellfare qui ont t
dvelopps par J-P. Valois dans un environnement SAS. Ces deux modules permettent de
trier les donnes et de les traiter par diffrentes mthodes statistiques.
a) Mthode
Lutilisation de SAS implique de matriser le langage de programmation. Quelques

bases mont t transmises lors de mes voyages Pau. Ceci ma permis dutiliser, avec laide
de J-P Valois, des programmes servant slectionner des groupes de donnes, effectuer des
oprations sur les variables (Annexe 3) mais aussi dappliquer la rgression sur un ensemble
de tests dfinis.
La mthodologie est la suivante :
Sommer les dbits de gaz pour fournir un dbit champ chaque date.
Cumuler les dbits de gaz depuis le dbut des tests sur tout le champ.
Obtenir par rgression LOESS un intervalle de confiance 95% pour une date
donne.
Cependant ce genre de technique est soumis diffrents problmes :
Les donnes de tests sont issues mais au travers de discussion il a t tabli que ces
tests taient trs peu reprsentatifs des donnes de production.
Les dures de tests sont effectues intervalles irrguliers. Certains tests sont faits
avec une semaine dcart, dautres avec trois mois.
26
Lune des solutions pour rsoudre le problme est dinterpoler, c'est--dire de fabriquer
une nouvelle information. Ceci est possible sous SAS avec la procdure TRANSREG.
b) Interpolation
Lide est de fabriquer une nouvelle information chaque date (mois, semaine,
jour ) pour chaque puits. Si cest nouvelles donnes sont transfrables celles dorigine, on
y appliquera la rgression de LOESS afin dobtenir un intervalle de confiance 95% sur le
champ.
Valeur observe (aprs lissage)

Valeur obtenue par interpolation
Fig 12. Comparaison valeurs interpoles / valeurs observes.

Le graphique ci-dessus (Fig 12) nous montre, sur un exemple, que la mthode est
parfaitement valide.
Les valeurs observes aprs lissage sont en rouge et les valeurs interpoles en rose.
Il y a une trs bonne superposition des donnes, on pourra donc utiliser cette nouvelle
information avec la rgression.
c) Applications
Au champ
Ces nouvelles donnes sont donc sommes par date sur le champ et sont traites avec la
rgression LOESS.
27
Fig 13.Production champ une date donne.

Sur ce premier graphique (Fig 13), nous observons la quantit de gaz produit sur le
champ chaque date avec un intervalle de confiance 95%. Cette quantit est prdite par la
rgression.
Mais ce qui se rvle le plus important est le graphique suivant (Fig 14) reprsentant
les tests cumuls sur tout le champ sur la priode globale avec un intervalle de confiance
95%.
5%
Fig 14. Quantit globale de gaz produite depuis le dbut du test sur le champ.
28
Ainsi on peut visualiser une date donne, la quantit de gaz produit depuis le dbut
des tests.
Les rsultats semblent trs prometteurs puisque lon approche, la fin 2006, une
incertitude de 5 % sur le champ.
Aux puits
Avec plus de temps il serait possible de dterminer une incertitude puits par puits en
intgrant lincertitude exprimentale. En faisant la rgression sur chaque puits, on obtient une
valeur prdite pour chaque test entache dun cart type.
Si lon regarde pour un puits donn, lvolution des carts types (Fig 14), on observe
une tendance en forme de U avec des valeurs leves en dbut et fin de la priode de test.
Fig 14. volution des carts types sur un puits donn.

Pour avoir une seule valeur par puits valables pour toutes les dates, il suffit de faire la
mdiane sur ces valeurs. Et par une mthode analytique (somme des carts types au carr )
(cf propagation des incertitudes II.C.3), on va pouvoir obtenir une valeur sur puits avec une
incertitude.
5. Conclusions rgression LOESS

Cette mthode semble donc plus approprie avec un atout majeur : La fabrication
dune nouvelle information. Ceci permet davoir une information plus cohrente et plus
facile utiliser et prsente une voie trs intressante dans le cadre du Reporting
Environnement.
29
La rgression de LOESS est trs prometteuse et nous offre une incertitude sur la
totalit du gaz produit sur le champ depuis le dbut des tests de 5%.
Cette mthode couple une mthode analytique (somme des ) permettrait de donner un
intervalle de confiance par puits.
Cest donc une voie trs encourageante et suivre si la mission est poursuivie.
IV. Conclusion
Le problme sest avr beaucoup plus difficile que prvue initialement. Le but de
dpart tait dutiliser des mthodes classiques ACP / PLS sur les donnes du Cameroun afin
dacqurir de lexprience et ensuite ladapter dautres filiales. Or la technique sest montre
totalement inadapte pour plusieurs raisons :
La prsence de variables non corrles ne permet pas lAnalyse en Composantes

Principales dtre efficace : Pas de gain dinformation,
Un manque vident dinformations tant en qualit quen quantit (plus de variables

explicatives, moins de valeurs manquantes), ne permet pas dexpliquer correctement la
rponse Qgaz ,
La constitution de groupes (cas des dures de tests) nous oblige liminer trop
dchantillons. Une homognisation des tests sur une dure suprieure 12h peut tre
utile,
Dernier point ngatif, on obtient par cette mthode une incertitude sur une moyenne (et
non sur une mesure globale) beaucoup trop importante ( 184%).
Cet chec a permis dexplorer une autre voie danalyse beaucoup plus prometteuse et
approprie : La rgression LOESS.

En effet cette technique intgre une voie d interpolation qui est une solution aux
donnes de tests irrgulires et qui permet dobtenir une information beaucoup plus
cohrente.
La rgression de LOESS est une voie utiliser couple une dmarche analytique (somme
des ) permettant davoir une incertitude sur le gaz produit par un puits.
Cest donc une mthode que je recommande de poursuivre.
30
V. Recommandations
Dans un premier temps au niveau des essais de puits :
Il faut plus dinformation de meilleure qualit (moins de donnes manquantes, plus de

variables explicatives),
Faire, dans la mesure du possible, des tests homognes suprieures 12h,
Il vaut mieux avoir peu de bons essais plutt que beaucoup inutilisables.
Dans un second temps au niveau du Reporting Environnement :
Dvelopper lapproche dinterpolation afin davoir des donnes date fixe et des
donnes plus homognes et cohrentes,
Poursuivre la rgression LOESS pour amliorer le Reporting. Si lon compare les

erreurs de chaque mthode, la rgression LOESS (incertitude de 5%) est beaucoup
plus performante que la mthode classique (incertitude de 184%),
Parcourir des mthodes exprimentales comme la somme des , prenant en compte

lerreur alatoire, ou la quantification des erreurs de mesures mais cest une mthode
beaucoup plus difficile mettre en place car elle prend du temps et elle ncessite de
bien connatre le processus.
31
GLOSSAIRE
Gas cap : Dans un gisement, gaz libre, spar du ptrole et rassembl au voisinage du
sommet de la structure
Gas coning : Soulvement, en forme de cne, au niveau de l'extrmit infrieure d'un
puits, de la nappe sous-jacente un gisement de gaz ou d'huile, provoqu par une
extraction trop rapide du gaz ou de l'huile.
Gas Lift : gaz inject dans la colonne dhuile afin de lallger et damliorer la
production.
Rs : Le rapport de la somme des volumes de gaz, libr ramens aux conditions standard
sur le volume de liquide aux conditions standard. Les fluides sont ramens aux conditions
standard par un process. Le Rs est associ un chemin thermodynamique.
Pression de saturation (Psat) : galement appele pression de bulle, pression partir de

laquelle lhuile va se mettre dgazer dans le gisement.
Critre AICc : Le critre d'Akaike (AIC pour An Information Criterion) est dfini dans le
cas gnral par la formule suivante : AIC = 2k - 2ln (L).
O k est le nombre de paramtres et L la fonction de probabilit.
On suppose que les erreurs du modle sont normalement et indpendamment distribues.
Alors pour n tant le nombre d'observations et RSS la somme des carts au carr, AIC
devient : AIC = 2k - n.ln(RSS/n). Plus celui-ci est petit, meilleur il est.
32
Annexe 1 : Process Flow Diagram
33
Annexe 2 : Plan des installations (Rio Del Rey-Cameroun)
34
ANNEXE 3 : Rgression LOESS sur le puits ACM013.
Triage et slection des puits.
Nom des donnes de sortie
Procdure de rgression
avec choix des paramtres
appliquer.
Trac du graphique
Calcul de lincertitude
relative
35
BIBLIOGRAPHIE
[1] Hotteling H. (1933) Analysis of a complex of statistical variables into principal

components.
The journal of educational psychology, vol. 24, p. 417-441 et 498-520. JFM 5901183.01
[2] Wold H. (1966) Estimation of principal components and related models by iterative
least squares,
Multivariate Analysis, Krishnaiah, P.R. (Ed), Academic Press, New York, p. 391-420.
[3] Shapiro S., Wilk M. B., Chen H. J. (1968) - A Comparative Study of Various Tests for
Normality,
Journal of the American Statistical Association, Vol. 63, No. 324 (Dec., 1968), p. 1343-1372
[4] Pearson K. (1901) On lines and planes of closest fit to systems of points in space.
Phil. Mag, n2 (6 me srie), p. 559 -572.
[5] Cleveland W.S. (1979) - Robust Locally Weighted Regression and Smoothing
Scatterplots, Journal of the American Statistical Association, Vol. 74, pp. 829-836.
[6] Cleveland W.S. and Devlin S.J. (1988) - Locally Weighted Regression: An Approach to
Regression Analysis by Local Fitting,
Journal of the American Statistical Association, Vol. 83, pp. 596-610.
36

Rapport TOTAL

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Rapport TOTAL

Încărcat de

Drepturi de autor:

Formate disponibile

MASTER 2 Optimisations des Protocoles Exprimentaux

Universit de Bretagne Occidentale

ESTIMATION DE LINCERTITUDE SUR LE GAZ

Cdric Lacour (Mars Aot 2007)

Voir dfinition dans le glossaire

Cdric Lacour (Mars Aot 2007)

Voir dfinition dans le glossaire

Cdric Lacour (Mars Aot 2007)

Voir dfinition dans le glossaire

Cdric Lacour (Mars Aot 2007)

Voir dfinition dans le glossaire

GOR puits i * Huile Pr oduiteRconcilie * temps fonctionnement du puits i

Lincertitude a t calcule de la manire suivante, en tenant compte de lincertitude

(0.20) + (0.0025) + (0.01) 20%

Voir dfinition dans le glossaire

Fig 1. chantillon du tableau de donnes.

Cdric Lacour (Mars Aot 2007)

Voir dfinition dans le glossaire

Ces tests sont caractriss par les 14 variables et 5 rponses suivantes :

Puits : Nom du gisement + type dinstallation + N de linstallation

Exemple EKM008 : EK = Ekoundou, M = puits (F pour plateforme), 008 =N du puits.

COL : Colonne ou Tubing, orifice par lequel remonte le liquide de production.

Date : Date du test.

Dure : Dure en jour du test.

PTH / TTH : Pression et temprature en tte de puits.

P inj : Pression de linjection de gaz lift en tte de lannulaire (en barg).

P sep / T sep : Pression et temprature au niveau du sparateur.

P res / T res : Pression et temprature du rseau Gas Lift (GL).

Qgl : Dbit de Gas Lift inject (Sm / j)*

Q HA : Dbit dhuile anhydre (m/ j).

Q EAU : Dbit deau (m / j).

Q Gaz : Dbit de gaz associ (naturel) (Sm / j)

* Aux conditions standards (15C et 101,325 kPA).

Cdric Lacour (Mars Aot 2007)

Voir dfinition dans le glossaire

Il existe 2 origines pour la production de gaz : la premire est le gaz dissout en

Un puits commence tre mauvais producteur lorsquil produit le gaz en provenance

Les puits BOM012 et INM009 sont atteints par du gas coning .

Lors des mises en route des puits, un dgazage est effectu.

Les donnes dessais de puits sont difficilement transposables aux donnes de

Plus un test est long, meilleur est sa performance.

Cdric Lacour (Mars Aot 2007)

Voir dfinition dans le glossaire

1. valuation des incertitudes

Cdric Lacour (Mars Aot 2007)

Voir dfinition dans le glossaire

2. Mthodes dvaluation des incertitudes de type A et B

Dans le cas de plusieurs mesures indpendantes, lincertitude se calcule laide de

Il est ncessaire de faire un bilan des erreurs :

Le problme, et notamment dans le cas dune valuation de type B pour laquelle le

3. Propagation des incertitudes

Cdric Lacour (Mars Aot 2007)

Voir dfinition dans le glossaire

D. Test dhypothse nulle et seuil de signification

Fig 2. Seuil de signification (acceptation / Rejet)

III. Mthodes danalyses et destimation de lincertitude

1. Gnralits sur lACP et la PLS

Cdric Lacour (Mars Aot 2007)

Voir dfinition dans le glossaire

L'analyse en composantes principales (ACP), introduite en 1901 par K. Pearson [4] et

b) Partial Least Square

Cdric Lacour (Mars Aot 2007)

Voir dfinition dans le glossaire

2. Statistiques descriptives des variables