Search

During the PhD thesis our works have been directed towards identification approaches serving as tools for on-line monitoring procedures dedicated particularly to oilfield drilling processes. Several approaches have been proposed. The role of the first proposed method denoted by GVFF-RLS (Gradient Variable Forgetting Factor Recursive Least Square) is to reduce the transient stage duration by providing a rapid convergence of the FF-RLS. Consequently, this approach allows fast fault detections. Then, an extension of the GVFF-RLS named SALR-GVFF-RLS has been developed. Note that, the SALR stands for (Stochastic Adaptive Learning Rate) and its specificity is to accelerate the GVFF-RLS convergence by rendering the learning rate adaptive. The SALR-GVFF-RLS provides better performances than GVFF-RLS do. In order to ensure the stability of SALR-GVFF-RLS, we have developed an approach giving the maximum value of the learning rate and leaded to a new algorithm called LST-GVFF-RLS where the LST accounts for (Lyapunov Stability Theory). The LST-GVFF-RLS, besides providing a fast convergence it guarantees the stability of the algorithm. In order to take into account the particularity of a drilling process we have explored approaches using Sequential Monte Carlo methods and we have used one of their variants (RBPF). Then, we have emphasized its possibility of exploitation for fault detection strategies. These approaches have been tested on data bases obtained from field tests and highlighted interesting performances in terms of fast and reliable fault detection of bit balling.; La contribution de cette thèse résulte de la nécessité d'optimiser les processus de forage pétrolier à partir du diagnostic de l'encrassement d'un trépan. Pour diagnostiquer ce type de défaut, trois méthodes d'identification ont été proposées. La première méthode nommée MCR-FOVG (Moindres Carrés Récursifs à Facteur d'Oubli Variable suivant la direction du Gradient) réduit la durée des régimes transitoires en fournissant une convergence rapide des MCR-FO et donc une détection précoce des défauts. La seconde méthode désignée par MCR-FOVG-PAA où PAA représente (Pas d'Apprentissage Adaptatif) est une extension des MCR-FOVG. Ici, l'accélération de la convergence provient du pas d'apprentissage adaptatif. Pour assurer la stabilité des MCR-FOVG-PAA nous avons proposé de déterminer la valeur maximum du pas. Cette démarche a entrainé l'obtention d'un algorithme fournissant de meilleures performances. Cet algorithme est nommé MCR-FOVG-PAA-TSL où TSL désigne (Théorie de Stabilité de Lyapunov). Afin de mieux tenir compte du caractère stochastique du procédé de forage, nous avons utilisé les algorithmes de Monte Carlo et nous avons retenu une de leurs variantes représentée par le RBPF. Puis, nous avons montré sa possibilité d'exploitation dans le cadre du diagnostic. Ces approches ont été testées sur des bases de données issues des campagnes de mesures et ont montré des performances satisfaisantes en termes de détection rapide et fiable de l'encrassement.