Lean Six Sigma et Machine Learning pour l'optimisation (French Edition)

L'exploitation du pétrole lourd présente d'importants défis énergétiques et opérationnels en raison de sa viscosité élevée, qui a un impact direct sur l'efficacité des processus de récupération thermique. Dans le champ de Tsimiroro à Madagascar, une prévision précise de la viscosité est essentielle pour optimiser l'injection de vapeur et atténuer le gaspillage d'énergie excessif. Cette étude adopte la méthodologie Lean Six Sigma comme cadre structuré pour éliminer les mudas opérationnels (déchets) liés à la surconsommation de vapeur. Un cadre prédictif basé sur l'apprentissage automatique a été développé, comparant six architectures distinctes: régression linéaire, régression polynomiale du deuxième degré, machine à vecteurs de support (SVM), réseau neuronal artificiel (ANN), forêt aléatoire et XGBoost. Les résultats démontrent que même si le modèle polynomial atteint une précision statistique élevée (R² = 0,995, RMSE = 154,62 cSt), l'architecture du réseau neuronal artificiel offre une robustesse supérieure (R² = 1,000, RMSE = 154,62 cSt) pour capturer des comportements thermiques non linéaires complexes. XGBoost et Random Forest affichent des performances compétitives avec des valeurs R² de 0,90 et 0,91 respectivement, tandis que SVM présente les erreurs de prédiction les plus élevées (RMSE ≈ 780 cSt).