Table des Matières
Pour interroger des décennies de rapports de puits avec un LLM privé, il ne suffit pas de charger des PDF dans un chatbot. Il faut transformer chaque rapport en enregistrements structurés (puits, date, profondeur, code d'activité, durée) pour les requêtes exactes, et en passages de texte pour la recherche par le sens. Un modèle sur site combine les deux, cite le rapport et la page, et garde les données sur vos serveurs.
Points clés
- Un rapport journalier de forage est semi-structuré : dans le jeu de données public Volve, chaque fichier couvre 24 heures avec des activités horodatées et codées, des mesures de boue et des stations de mesure de déviation, plus des commentaires en texte libre (Lu, 2026).
- Le texte libre est difficile à interroger. Des chercheurs travaillant sur 9 670 rapports journaliers de 303 puits citent les symboles techniques, les termes techniques mal tapés ou abrégés et les phrases incomplètes (Hoffimann et al., 2017).
- Les codes et les noms changent au fil des décennies. Le DDR Plus de l'IADC est passé de 28 codes historiques à 34 codes opérationnels en 2019 (Drilling Contractor), et un même puits peut apparaître sous trois noms différents.
- Les chiffres comme les heures de NPT doivent venir de requêtes sur les enregistrements d'activité ; le modèle de langage choisit la requête et explique le résultat.
- En Algérie, les données amont sont la propriété exclusive de l'État et sont gérées par ALNAFT (loi 19-13, article 18). Vérifiez avec votre conseil juridique avant de les indexer ou de les partager avec un prestataire.
Que contient une archive de rapports de puits ?
Un opérateur ou un entrepreneur de forage qui travaille un champ depuis trente ans détient plusieurs familles de rapports, produits par des équipes différentes et stockés à des endroits différents. Le tableau présente les plus courantes et la façon d'indexer chacune.
| Famille de rapports | Contenu | Forme habituelle dans les archives anciennes | Comment l'indexer |
|---|---|---|---|
| Rapport journalier de forage | Synthèse de 24 heures : activités avec heures et profondeurs, codes, données de boue et de déviation, remarques | Papier, scans, tableurs ; XML ces dernières années | Une ligne structurée par activité, plus les remarques sous forme de texte |
| Rapports journaliers de complétion et de workover | Même structure pour les travaux de complétion et d'intervention | Papier, scans, tableurs | Comme le forage, avec le type d'opération en métadonnée |
| Rapport de fin de puits | Récit et tableaux résumant le puits : problèmes, retours d'expérience, état final | Long PDF ou scan | Découpage par section ; tableaux conservés entiers |
| Rapports d'essais de puits | Débits, pressions, conditions d'essai et interprétation | PDF avec tableaux | Valeurs dans une table ; interprétation sous forme de texte |
| Mud logs et rapports géologiques | Lithologie, indices, toits des formations | Scans, images de logs, PDF | Toits des formations en données ; descriptions en texte |
Le rapport journalier est la colonne vertébrale. Energistics, qui maintient la norme WITSML, décrit son objet DrillReport comme conçu pour saisir les informations requises et certaines informations complémentaires des rapports journaliers de forage, que les opérateurs doivent partager avec leurs partenaires et les administrations (Energistics). Les rapports récents peuvent donc déjà être en XML structuré. Les plus anciens sont généralement sur papier ou scannés.
Pourquoi les rapports de puits sont-ils plus difficiles à interroger que les manuels ?
Un manuel de maintenance est rédigé une fois, relu et approuvé. Un rapport journalier est rédigé sur l'appareil de forage, chaque jour, souvent à la fin d'un long poste. Quatre problèmes en découlent.
Le texte libre est brut. Les auteurs d'une étude ont classé les phrases de 9 670 rapports journaliers rédigés par des ingénieurs de forage sur un champ de 303 puits pétroliers. Ils citent comme principaux obstacles la fréquence des symboles techniques, les termes techniques mal tapés ou abrégés, et les phrases incomplètes (Hoffimann et al., 2017). Une recherche sur « pulled out of hole » manquera « POOH », et un modèle d'embeddings peut ignorer le sens de l'un comme de l'autre.
Les codes ont changé avec le temps. Le rapport journalier de forage de l'IADC, ou tour sheet, comportait 23 codes opérationnels de forage et cinq codes de complétion. Le DDR Plus, lancé en 2019, les a conservés, en a ajouté six, dont le temps non productif et le contrôle de puits, et a créé sous chaque code principal des niveaux activité, sous-activité, équipement et sous-équipement (Drilling Contractor). Les listes de codes propres aux compagnies diffèrent encore. Une question portant sur trois décennies exige une seule liste de codes, avec correspondances.
Les noms de puits ne sont pas stables. Dans une étude de 2026 sur les données publiques Volve, le même trou apparaissait sous la forme « 15_9_F_11_T2 » dans les noms de fichiers des rapports, « NO 15/9-F-11 T2 » dans les en-têtes WITSML et « 15/9-F-11 » dans les données de production (Lu, 2026). Sans référentiel des alias, une recherche sur un puits manque sans le signaler une partie de son historique.
Scans et langues. Les rapports anciens n'existent souvent qu'en scans, et les erreurs d'OCR tombent sur les profondeurs et les valeurs. Si votre archive mélange français, anglais et arabe, l'arabe est le point faible : sur le benchmark KITAB-Bench, le meilleur modèle n'atteint que 65 % de précision dans la conversion de PDF arabes en Markdown, la reconnaissance des chiffres et la structure des tableaux figurant parmi les erreurs récurrentes (Heakl et al., 2025). Nos guides sur l'OCR des documents techniques scannés et sur les documents qui mélangent arabe, français et anglais traitent ces deux points en détail.
Pourquoi ne pas donner tous les rapports au modèle ?
Parce qu'ils ne tiennent pas, et que les modèles lisent les longs contextes de façon inégale. Anthropic indique qu'une base de connaissances de moins de 200 000 tokens, soit environ 500 pages, peut être placée entière dans le prompt (Anthropic). Un petit champ de mer du Nord, Volve, a produit 1 759 fichiers de rapports journaliers de forage (Lu, 2026), et la publication complète de Volve par Equinor contient environ 40 000 fichiers d'un champ en production de 2008 à 2016 (Equinor). Trente ans d'un grand champ dépassent largement ce volume. Les longs contextes perdent aussi de l'information : les modèles exploitent mieux ce qui se trouve au début ou à la fin du contexte que ce qui se trouve au milieu (Liu et al., 2023).
La réponse est la génération augmentée par récupération (RAG) : chercher d'abord dans l'archive, puis ne donner au modèle que les passages utiles (Lewis et al., 2020). Notre guide RAG pour les manuels de maintenance décrit le pipeline général. Les rapports de puits demandent un ajout : une base structurée à côté de l'index de texte.
Quelle architecture pour les rapports de puits ?
La plupart des questions sur les puits mêlent chiffres et récit. « Combien d'heures de coincement avons-nous eu dans les phases 12¼ pouces depuis 2000 ? » est un comptage. « Qu'ont fait les équipes face aux pertes de circulation dans cet intervalle ? » est une tâche de lecture. Un système qui traite les deux garde deux bases et laisse le modèle appeler chacune comme un outil.
L'étude TADI de 2026 sur Volve suit ce schéma : 12 tables structurées de 65 447 lignes dans DuckDB pour les requêtes, 36 709 documents vectorisés dans ChromaDB pour la recherche sémantique, et un modèle de langage qui appelle 12 outils spécialisés pour croiser les mesures avec le texte des rapports (Lu, 2026). Son auteur conclut que la conception des outils, plus que la taille du modèle, a déterminé la qualité des réponses. L'étude utilisait un modèle commercial hébergé et des embeddings via une API ; un déploiement privé remplace les deux par des modèles tournant sur vos propres serveurs.
| Type de question | Exemple | Meilleure voie |
|---|---|---|
| Comptage ou durée | Heures de NPT par cause, par puits, par an | SQL sur la table des activités ; le modèle écrit et explique la requête |
| Identifiant exact | Tous les rapports mentionnant un poisson ou un code | Recherche par mots-clés dans le texte, filtrée par puits et par date |
| Récit | Comment une venue ou une perte passée a été traitée | Recherche sémantique dans les remarques et les sections de fin de puits |
| Combinée | Puits où des pertes ont suivi un changement de densité de boue | Requête pour trouver les candidats, puis lecture des remarques correspondantes |
La recherche par mots-clés compte pour les codes et les références : Anthropic donne l'exemple d'un code d'erreur qu'un modèle d'embeddings manque mais que la recherche par mots-clés BM25 trouve exactement (Anthropic). Côté SQL, appliquez les garde-fous de notre article sur le text-to-SQL sur les bases de production : accès en lecture seule, vues préparées et requête affichée avec chaque réponse.
Le modèle de langage peut aussi aider à construire la base structurée. KCA Deutag a entraîné un classifieur sur 40 000 lignes étiquetées à la main de commentaires de forage en texte libre, issues d'un jeu de 3,1 millions de lignes, pour ranger chacune en problème d'appareil, problème de puits, opération normale, événement HSE ou temps d'attente, avec une précision annoncée de plus de 90 % (Drilling Contractor). Un LLM peut proposer le même type d'étiquettes pour d'anciennes remarques jamais codées, à condition que des ingénieurs vérifient un échantillon avant que les étiquettes n'alimentent une statistique.
Comment le construire, étape par étape ?
- Inventorier l'archive. Compter les rapports par champ, décennie, format (XML, tableur, PDF natif, scan) et langue, et désigner un responsable pour chaque source.
- Constituer un référentiel des puits. Un identifiant par trou, avec chaque alias, side-track et changement de nom. Un graphe de connaissances des équipements applique la même idée aux repères d'instruments.
- Charger d'abord les rapports numériques. Lire le XML et les tableurs dans des tables d'activités, de boue et de déviation, en gardant le fichier et la ligne source de chaque enregistrement.
- Passer les scans à l'OCR, puis vérifier profondeurs, dates et valeurs sur un échantillon ressaisi à la main avant de s'y fier.
- Faire correspondre les codes d'activité de chaque époque et de chaque liste de compagnie à une liste de référence unique, en conservant le code d'origine à côté du code converti.
- Découper le texte par activité ou par section de rapport, avec puits, date, profondeur, phase, code, langue et page en métadonnées.
- Rédiger un glossaire des abréviations et des termes locaux, et l'utiliser pour enrichir les questions et étiqueter les passages.
- Indexer pour la recherche par mots-clés et la recherche sémantique, et filtrer les résultats selon les droits de chaque utilisateur au moment de la récupération, comme le recommande l'OWASP avec des bases vectorielles et d'embeddings tenant compte des permissions (OWASP LLM08:2025).
- Tester avec de vraies questions des ingénieurs forage et puits, y compris des questions auxquelles l'archive ne peut pas répondre, et mesurer comme décrit dans mesurer les hallucinations d'un assistant industriel.
À qui appartiennent les données, et où peut-on les traiter ?
En Algérie, la loi 19-13 du 11 décembre 2019 définit les « données » comme tous résultats, renseignements, carottages, études et informations géologiques, géophysiques, hydrogéologiques et géochimiques acquis lors des activités amont, avant ou après l'entrée en vigueur de la loi, ainsi que les données techniques qui s'y rapportent (loi 19-13, article 2). L'article 18 dispose que ces données sont la propriété exclusive de l'État, qu'ALNAFT en assure la gestion, la conservation, l'utilisation, la mise à disposition et la diffusion, et que l'entreprise nationale, les parties contractantes et le prospecteur sont tenus de les communiquer à ALNAFT. L'article 19 permet à ALNAFT de fixer les conditions d'accès à sa banque de données.
Les rapports de puits contiennent une grande partie de ce que couvre cette définition. Cela n'interdit pas en soi d'indexer votre propre archive, mais cela signifie que les rapports ne sont pas simplement à l'opérateur, qui ne peut pas les envoyer librement à un service extérieur. Il s'agit d'une lecture du texte, non d'un avis juridique : vérifiez avec votre conseil juridique, et avec ALNAFT le cas échéant, avant de lancer un projet. Notre check-list de préparation des données pour l'IA dans le pétrole et le gaz couvre les autres vérifications sur la propriété. Faire tourner chaque composant sur votre propre infrastructure, y compris l'OCR, les embeddings et les journaux, simplifie la question ; pour les sites isolés, voir le déploiement d'IA en environnement isolé (air gap).
Ce que nous avons constaté chez KABAS AI
DALILE est notre assistant de connaissances IA sur site. Il lit documents techniques, tableurs et bases de données, répond en langage courant avec des sources exactes, interroge les bases de données à partir de questions en langage naturel et tourne sur les propres serveurs du client. C'est cette combinaison de recherche documentaire et de requêtes en base dont une archive de rapports de puits a besoin.
Nous n'avons pas publié de projet de recherche dans des rapports de puits. Notre projet pétrolier publié est chez ADFC (groupe Sonatrach), où Virtual Lab accompagne la formulation des fluides de forage. L'étude de cas décrit un savoir-faire en formulation dispersé sous divers formats et en divers endroits, et ADFC étudie une intégration avec DALILE pour la découverte de connaissances, la revue de littérature et la documentation technique.
Nos conseils pratiques pour un premier projet :
- Commencer par un champ et une décennie de rapports numériques avant de toucher aux scans.
- Choisir trois questions que les ingénieurs posent aujourd'hui, comme les problèmes rencontrés sur les puits voisins avant un nouveau puits, et construire le jeu de test à partir d'elles.
- Laisser les chiffres dans la base. Le modèle explique, cite et interroge ; il n'additionne pas.
Notre service d'IA agentique déploie DALILE et le connecte aux référentiels documentaires et aux bases de données. Voir nos solutions pétrole et gaz pour d'autres cas d'usage.
Sources
- Hoffimann, Mao, Wesley and Taylor, Sequence Mining and Pattern Analysis in Drilling Reports with Deep Natural Language Processing (arXiv 1712.01476, 2017)
- Lu, TADI: Tool-Augmented Drilling Intelligence via Agentic LLM Orchestration over Heterogeneous Wellsite Data (arXiv 2605.00060, 2026)
- Equinor, Volve field data sharing
- Energistics, WITSML Drill Report data object
- Drilling Contractor, IADC launches DDR Plus to enable more granular data collection (mars 2019)
- Drilling Contractor, KCA Deutag deploys artificial intelligence to extract lost-time insights from daily drilling reports (juin 2021)
- Heakl et al., KITAB-Bench: A Comprehensive Multi-Domain Benchmark for Arabic OCR and Document Understanding (arXiv 2502.14949, 2025)
- Anthropic, Introducing Contextual Retrieval (septembre 2024)
- Liu et al., Lost in the Middle: How Language Models Use Long Contexts (arXiv 2307.03172, 2023)
- Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv 2005.11401, 2020)
- OWASP, LLM08:2025 Vector and Embedding Weaknesses
- Loi n° 19-13 du 11 décembre 2019 régissant les activités d'hydrocarbures, Journal officiel n° 79 du 22 décembre 2019 (FAOLEX)
Questions fréquentes
Un LLM peut-il interroger des rapports de puits scannés des années 1990 ?
Seulement après que l'OCR a transformé les scans en texte. Les rapports dactylographiés se lisent en général bien, mais les nombres, les tableaux et les notes manuscrites doivent être vérifiés à la main sur un échantillon. Conservez un lien entre chaque passage extrait et l'image de la page pour que les ingénieurs puissent vérifier profondeurs et valeurs dans l'original.
Faut-il fine-tuner un modèle sur le jargon du forage ?
En général pas en première étape. Un glossaire des abréviations et des codes d'activité, utilisé pour enrichir les questions et étiqueter les passages à l'indexation, règle une grande partie du problème du jargon. Le fine-tuning peut être envisagé plus tard si les tests montrent que le modèle lit encore mal vos rapports, mais il ne fournit pas de citations et ne suit pas les nouveaux rapports.
Comment gérer des puits dont le nom s'écrit différemment selon les années ?
Constituez un référentiel des puits avec un identifiant unique par trou et tous les alias trouvés dans les archives : noms avec barres obliques, tirets bas, préfixes ou suffixes de side-track. Rattachez chaque rapport à cet identifiant lors de l'indexation et filtrez les recherches dessus.
Les chiffres de NPT doivent-ils venir du LLM ou des données structurées ?
Des données structurées. Durées, profondeurs et comptages doivent être calculés par une requête sur les enregistrements d'activité, et non additionnés par le modèle de langage à partir du texte. Le modèle peut choisir et expliquer la requête, puis citer les rapports à l'origine des chiffres.
Le système peut-il fonctionner sans accès à Internet ?
Oui. OCR, embeddings, index de recherche et modèle de langage peuvent tous tourner sur des serveurs internes à l'entreprise, y compris sur des réseaux isolés. Les mises à jour doivent alors être introduites par un processus contrôlé.
Qui peut utiliser les données de puits amont en Algérie ?
La loi 19-13 régissant les activités d'hydrocarbures dispose que les données amont sont la propriété exclusive de l'État et qu'elles sont gérées par ALNAFT, qui fixe les conditions d'accès et de diffusion. Vérifiez avec votre conseil juridique, et avec ALNAFT le cas échéant, ce que votre entreprise peut faire des rapports avant de les indexer ou de les partager avec un prestataire.



