Table des Matières
Le comptage virtuel (VFM, virtual flow metering) estime les débits d'huile, de gaz et d'eau de chaque puits à partir de mesures déjà disponibles, comme les pressions, les températures et l'ouverture de duse, à l'aide d'un modèle physique, d'un modèle data-driven ou des deux. Il tourne en continu entre deux essais de puits et se cale sur le séparateur de test ou un débitmètre polyphasique.
Points clés
- Un VFM remplace un équipement de comptage supplémentaire par un modèle numérique alimenté par des mesures de terrain déjà disponibles, comme la pression et la température.
- Les mesures de référence sont rares : les essais de puits ont lieu en général 1 à 2 fois par mois, et l'incertitude des débitmètres polyphasiques est souvent donnée autour de 10 %.
- Les modèles physiques dominent les VFM commerciaux. Les modèles data-driven et hybrides sont un domaine de recherche actif.
- La précision varie fortement d'un puits et d'une étude à l'autre. Une étude sur 10 puits a obtenu des erreurs sur le débit d'huile de 1,8 % à 40,6 %.
- Un VFM se dégrade à mesure que le réservoir évolue. Prévoyez son recalage avant la mise en service.
Qu'est-ce que le comptage virtuel ?
Un système de production envoie de nombreux puits, via leurs duses et leurs collectes, vers un séparateur commun. Pour exploiter le champ de façon rentable, l'exploitant a besoin des débits d'huile, de gaz et d'eau de chaque puits afin d'optimiser la production, d'allouer les débits et de gérer le réservoir (Bikmukhametov et Jäschke, 2020).
Un débitmètre virtuel calcule ces débits par puits. Selon la même revue, ses entrées comprennent généralement :
- La pression et la température de fond
- La pression et la température en tête de puits en amont de la duse
- La pression et la température en tête de puits en aval de la duse
- L'ouverture de la duse
Pour les puits en gas lift ou équipés de pompes électriques immergées (ESP), on ajoute les débits de gaz injecté et les données de pompe. Autrement dit, un VFM est un capteur logiciel dont la cible est le débit de chaque phase.
Pourquoi ne pas mesurer chaque puits directement ?
Le séparateur de test reçoit un puits à la fois et mesure chaque phase avec des compteurs monophasiques. Le manuel de la NFOGM indique qu'un séparateur de test bien instrumenté peut mesurer le gaz avec une incertitude meilleure que 5 %, et potentiellement jusqu'à 2 % pour le gaz et 1 % pour l'huile si l'instrumentation est optimisée et la séparation idéale. Mais un essai dure des heures, et ses résultats servent jusqu'à l'essai suivant. Avec ce dispositif, les débits d'un puits sont mesurés en général tous les 7 à 60 jours.
Le débitmètre polyphasique (MPFM) mesure en tête de puits sans séparer les phases. Il donne des mesures en continu, mais il est coûteux, exige une intervention en cas de panne, perd en précision hors de sa plage de fonctionnement et peut se dégrader par érosion due au sable (Bikmukhametov et Jäschke, 2020). Il subit aussi la dérive de ses capteurs et doit être étalonné régulièrement ; c'est pourquoi il n'est pas installé sur tous les puits.
| Méthode | Principe | Points forts | Limites |
|---|---|---|---|
| Séparateur de test | Un puits à la fois dans un séparateur équipé de compteurs monophasiques | Référence la plus précise | Plusieurs heures par essai ; débits supposés constants entre deux essais |
| Débitmètre polyphasique | Équipement en tête de puits, sans séparation | Continu, par puits | Coûteux ; dérive, érosion, pannes ; incertitude souvent autour de 10 % |
| Débitmètre virtuel | Modèle alimenté par les mesures existantes de pression, de température et de duse | Aucun nouvel équipement ; continu | Dépend de l'état des capteurs, de la qualité du modèle et d'un calage régulier |
Un VFM ne supprime pas le besoin des deux premiers. Il comble les intervalles entre leurs mesures et se cale sur elles.
Comment fonctionne un VFM à base de modèles physiques ?
Les modèles physiques (premiers principes) sont les plus utilisés dans les VFM commerciaux (Bikmukhametov et Jäschke, 2020). Un système type comporte trois parties :
- Un modèle de propriétés des fluides : un modèle black-oil ou une équation d'état, calé sur les analyses de laboratoire des échantillons de fluide et stocké sous forme de tables PVT.
- Des modèles du système de production : afflux du réservoir (courbe IPR, inflow performance relationship), modèles thermo-hydrauliques du puits et de la collecte, modèle de duse et, le cas échéant, modèle d'ESP.
- La validation et la réconciliation des données : un optimiseur ajuste les débits et les paramètres de calage jusqu'à ce que le modèle reproduise les pressions et températures mesurées et le total mesuré au séparateur.
La revue décrit la démarche en huit étapes, résumées ici :
- Construire et caler un modèle de propriétés des fluides à partir des analyses PVT.
- Choisir les sous-modèles que les mesures disponibles permettent d'utiliser.
- Valider les mesures : retirer les valeurs aberrantes et filtrer le bruit.
- Choisir les paramètres de calage, comme le coefficient de décharge de la duse et les coefficients de transfert thermique.
- Simuler et comparer les sorties aux pressions et températures mesurées.
- Ajuster les paramètres pour minimiser l'écart, puis restituer les débits d'huile, de gaz et d'eau de chaque puits.
Les données PVT font partie des entrées les plus critiques, et les propriétés des fluides évoluent au cours de la vie du champ : le modèle PVT doit donc lui aussi être recalé.
Comment fonctionne un VFM data-driven ?
Un VFM data-driven apprend la relation entre ces mêmes mesures et les débits enregistrés par les essais de puits ou les MPFM, sans description physique détaillée du puits. Une fois entraîné, il est rapide à exécuter et facile à mettre à jour. Sa principale faiblesse : il n'est fiable que dans le domaine de ses données d'apprentissage ou à proximité (Bikmukhametov et Jäschke, 2020).
La revue décrit FieldWare Production Universe, un VFM data-driven construit à partir d'essais de puits à perturbations volontaires, au cours desquels un opérateur modifie pas à pas les réglages d'un puits pendant qu'il produit vers le séparateur de test. En 2011, il fonctionnait sur environ 60 % des champs en production de Shell.
Des travaux récents utilisent les données de nombreux puits pour rendre ces modèles plus robustes :
- Sur 55 puits de quatre actifs, un modèle multi-tâches a réduit l'erreur de 25 à 50 % en moyenne pour les actifs où les modèles par puits avaient des difficultés.
- Sur 80 puits, un modèle pré-entraîné sur de nombreux puits puis calé sur un nouveau puits a atteint une erreur médiane inférieure à 5 % après seulement trois points de données.
Physique, données ou les deux ?
Les modèles hybrides, ou boîte grise, conservent une structure physique et apprennent les parties incertaines à partir des données. Sur les données historiques de 10 puits, le modèle mécaniste a obtenu une erreur de 17,2 % contre 10,3 % pour le meilleur modèle hybride. Par ailleurs, ajouter des modèles physiques à l'apprentissage automatique sur des données de terrain d'Equinor a rendu les modèles à la fois plus précis et plus interprétables.
| Modèle physique | Data-driven | Hybride (boîte grise) | |
|---|---|---|---|
| Construit à partir de | Modèles PVT, d'afflux, de puits, de collecte et de duse | Mesures historiques et débits de référence | Structure physique plus termes appris |
| Exige | Solide expertise en ingénierie de production, bonnes données PVT | Suffisamment d'essais de puits ou d'historique MPFM | Connaissance physique et données de terrain |
| Points forts | Long retour d'expérience terrain ; peut estimer des variables non mesurées | Rapide ; facile à mettre à jour avec de nouvelles données | Peut réduire l'erreur d'un modèle mécaniste ; reste physiquement cohérent |
| Points faibles | Calage peu évident ; calcul plus lourd | Peu fiable hors du domaine d'apprentissage | L'équilibre entre physique et données est difficile à généraliser |
Les modèles de substitution (surrogates) de procédés reposent sur une idée voisine : ajuster un modèle rapide sur un modèle physique lent. Voir notre guide sur les modèles de substitution pour les procédés chimiques.
Quelle est la précision du comptage virtuel ?
Les chiffres publiés varient selon le champ, l'instrumentation et la méthode :
- Un système à base de modèles physiques largement utilisé était installé sur plus de 300 puits en 2011, avec une erreur moyenne généralement inférieure à 5 %. La même revue cite un réseau de neurones sur des champs brésiliens avec des erreurs de 4 à 7 %.
- Une étude comparant des simulateurs VFM à des données de terrain a rapporté une erreur absolue moyenne de 20 %, jugée acceptable par ses auteurs.
- Sur 60 puits de cinq actifs, la meilleure moitié des modèles a atteint des erreurs de 4 à 6 % sur les données de test historiques et de 8 à 13 % sur les données futures.
Deux précautions s'imposent. L'erreur est mesurée par rapport à une référence qui a sa propre incertitude : le même article note que des modèles testés sur des données MPFM ne peuvent pas révéler les erreurs systématiques du MPFM lui-même. Et la performance baisse sur les données futures : testez toujours sur une période ultérieure.
Les études de sensibilité résumées dans la revue apportent des points pratiques : les mesures redondantes améliorent la précision, la pression en tête de puits compte davantage que la pression de fond, les puits d'huile sont sensibles au water cut saisi et les puits de gaz au rapport gaz/huile (GOR), et la précision baisse quand la duse s'ouvre davantage. Une dérive des capteurs de pression et de température peut créer une erreur systématique importante sur les débits estimés.
Pourquoi un VFM dérive-t-il, et comment le garder précis ?
Les puits évoluent. Dans un jeu de données de 80 puits, le water cut part généralement de près de zéro puis augmente au cours de la vie du puits, en approchant souvent 100 %. À mesure que le réservoir se déplète, les exploitants ouvrent les duses pour maintenir la production, si bien que les données récentes peuvent différer de la période d'apprentissage. Dans l'étude boîte grise sur 10 puits, prédire une semaine à l'avance seulement a nettement amélioré la précision par rapport à un horizon de trois mois.
Une étude du recalage sur 10 puits a montré qu'avec des mesures fréquentes, des mises à jour fréquentes du modèle maintiennent une excellente précision dans le temps. Avec des mesures peu fréquentes, des mises à jour fréquentes associées à l'expertise métier sont indispensables. Le retour d'expérience de Total, résumé dans la revue, montre aussi que le VFM a toujours besoin de personnel qualifié pour le caler et l'étalonner (Bikmukhametov et Jäschke, 2020).
En pratique :
- Comparez le VFM à chaque nouvel essai de puits et suivez l'erreur par puits dans le temps.
- Recalez-le après un workover, un changement de mode d'activation et toute forte variation du water cut ou du GOR.
- Vérifiez d'abord les instruments d'entrée quand l'estimation saute. Un transmetteur figé ressemble à une variation de débit. Notre comparaison des méthodes de détection d'anomalies présente des moyens de repérer les entrées défaillantes.
Où utilise-t-on le comptage virtuel ?
La revue décrit plusieurs usages :
- Secours des débitmètres polyphasiques, en prenant le relais quand un compteur physique tombe en panne.
- Contrôle des compteurs physiques : des VFM ont mis en évidence des mesures erronées au séparateur et des compteurs de surface incohérents.
- Comptage autonome sur un petit champ norvégien raccordé à des installations existantes, où un MPFM aurait nettement augmenté les coûts d'investissement et d'exploitation.
- Suivi et optimisation de la production, avec des débits continus au lieu du dernier essai de puits.
Pour la mesure et l'allocation, le chapitre 20.5 de l'API MPMS donne des recommandations sur l'application de la modélisation des puits et du comptage virtuel, y compris l'usage des essais de puits pour les valider et les mettre à jour. L'acceptation d'un chiffre VFM pour l'allocation ou tout usage fiscal sur un périmètre donné dépend du régulateur, des contrats et des partenaires. En Algérie, les exploitants doivent le confirmer avec leurs spécialistes du comptage et leur conseil juridique.
Comment lancer un projet de comptage virtuel ?
- Recensez les instruments de chaque puits et notez ceux qui ne sont pas fiables.
- Rassemblez les données de référence : historique des essais de puits avec dates et conditions, données MPFM quand elles existent, et rapports PVT.
- Choisissez l'approche selon ce dont vous disposez : un modèle de puits calé favorise l'approche physique ; un long historique d'essais sur de nombreux puits similaires favorise les modèles data-driven ou hybrides.
- Testez sur la période la plus récente : entraînez sur les données anciennes et évaluez sur les derniers mois.
- Faites tourner en parallèle des essais de puits pendant plusieurs mois avant d'utiliser le VFM pour décider.
- Fixez la règle de recalage et un responsable nommé avant la mise en service.
Pour la connexion à l'historian et au système de contrôle, voir notre guide sur l'intégration de l'IA aux systèmes SCADA et OT.
Ce que nous avons constaté chez KABAS AI
Nous n'avons pas publié de projet de comptage virtuel. Nos travaux publiés dans le pétrole et le gaz concernent ADFC (groupe Sonatrach), où Virtual Lab accompagne la formulation des fluides de forage, un problème différent. Deux enseignements s'appliquent : la comparaison entre résultats simulés et réels guide les ajustements, et les données historiques ne deviennent utiles qu'une fois structurées et traçables. Pour un VFM, cela signifie :
- Partir de l'archive des essais de puits. Des essais propres, horodatés, avec les réglages de duse enregistrés, sont la base de tout calage.
- Décider tôt où tourneront les données et les modèles. Les débits et les water cuts des puits décrivent la performance d'un champ ; un déploiement sur site garde les deux sous votre contrôle.
- Prévoir les compétences. Le calage demande un ingénieur production et un data scientist qui travaillent ensemble ; notre article sur la constitution d'une première équipe data industrielle décrit les rôles.
Notre équipe data science prépare les données industrielles, construit des modèles prédictifs et les déploie avec leur supervision sur votre propre infrastructure. Voir nos solutions pétrole et gaz et la liste plus large des cas d'usage de l'IA dans le pétrole et le gaz en Afrique du Nord.
Sources
- Bikmukhametov et Jäschke, First Principles and Machine Learning Virtual Flow Metering: A Literature Review, Journal of Petroleum Science and Engineering 184, 2020 (prépublication des auteurs)
- Bikmukhametov et Jäschke, Combining machine learning and process engineering physics towards enhanced accuracy and explainability of data-driven models, Computers and Chemical Engineering 138, 2020
- NFOGM et Tekna, Handbook of Multiphase Flow Metering, révision 2, 2005
- Grimstad et al., Bayesian Neural Networks for Virtual Flow Metering: An Empirical Study, Applied Soft Computing 112, 2021 (arXiv 2102.01391)
- Hotvedt et al., On gray-box modeling for virtual flow metering, Control Engineering Practice 118, 2022 (arXiv 2103.12513)
- Sandnes, Grimstad et Kolbjørnsen, Multi-task learning for virtual flow metering, Knowledge-Based Systems, 2021 (arXiv 2103.08713)
- Hotvedt, Grimstad et Imsland, Passive learning to address nonstationarity in virtual flow metering applications, arXiv 2202.03236, 2022
- Løvland, Grimstad et Imsland, Multi-task and few-shot learning in virtual flow metering, Nordic Machine Intelligence 5(1), 2025 (arXiv 2309.15828)
- Mokhtari et Waltrich, Performance Evaluation of Multiphase Flow Models Applied to Virtual Flow Metering, WIT Transactions on Engineering Sciences 105, 2016
- API MPMS chapitre 20.5, Recommended Practice for Application of Production Well Testing in Measurement and Allocation, première édition 2017, confirmée en 2023 (fiche catalogue)
Questions fréquentes
Un débitmètre virtuel peut-il remplacer un débitmètre polyphasique ?
Parfois. Les cas publiés incluent des VFM utilisés comme seul moyen de comptage sur un petit champ raccordé à des installations existantes, où un débitmètre polyphasique aurait augmenté les coûts d'investissement et d'exploitation. Le plus souvent, le VFM sert de secours aux compteurs physiques et de contrôle de ces compteurs. Dans tous les cas, il a besoin de mesures de référence issues des essais de puits ou des compteurs pour être calé.
De quelles mesures un débitmètre virtuel a-t-il besoin ?
En général, la pression et la température en tête de puits en amont et en aval de la duse, l'ouverture de la duse et, si elles sont installées, la pression et la température de fond. Les débits de gas lift ou les données de pompe aident lorsque le puits est en activation. Il faut aussi des données de propriétés des fluides (PVT) et un historique d'essais de puits ou de mesures de débitmètre polyphasique pour le calage.
À quelle fréquence faut-il recaler un débitmètre virtuel ?
Il n'y a pas d'intervalle fixe. Les travaux sur données de terrain montrent que la précision se dégrade quand les conditions du réservoir et d'exploitation changent, et que des mises à jour fréquentes la maintiennent. En pratique, comparez le VFM à chaque nouvel essai de puits, recalez-le quand l'erreur augmente, et toujours après un workover, un changement de mode d'activation ou une forte variation du water cut ou du GOR.
Le comptage virtuel peut-il servir à l'allocation de la production ?
Le VFM est utilisé pour la mesure et l'allocation de la production, et le chapitre 20.5 de l'API MPMS donne des recommandations sur la modélisation des puits et le comptage virtuel dans ce cadre. L'acceptation d'un chiffre VFM pour l'allocation sur votre champ dépend du régulateur, de vos contrats et de vos partenaires : confirmez-la avec eux et avec vos spécialistes du comptage avant de vous y fier.
Un débitmètre virtuel est-il un capteur logiciel ?
Oui. Un VFM est un capteur logiciel dont la cible est le débit d'huile, de gaz et d'eau de chaque puits. Comme tout capteur logiciel, il estime une variable difficile à mesurer à partir de mesures simples, dépend d'instruments d'entrée en bon état et a besoin d'une mesure de référence, ici le séparateur de test ou un débitmètre polyphasique, pour rester précis.



