Recherche en cours

Auteur ALIOUANE, Leila Directeur de thèse Boudella, A. (Professeur) Filière Géophysique Diplôme Doctorat Titre Prédiction et reconstitution du faciès lithologiques par réseaux de neurones à partir des données de puits Mots clés Faciès (géologie) ; Réseaux de neurones (informatique) ; Puits (excavations) ; Cartes auto-organisatrices Résumé Le but de ce travail est la classification du faciès lithologique des réservoirs pétroliers par les diagraphies, en utilisant différents modèles de réseaux de neurones artificiels (RNA) à apprentissage supervisé et non supervisé. En effet, la prédiction du lithofaciès est une étape très importante dans la caractérisation des réservoirs, essentiellement dans les réservoirs pétroliers. Cette classification consiste à déterminer les limites des couches, la nature des formations traversées par le forage, ainsi que la présence des couches minces intercalées dans un réservoir. Dans cette thèse, différents modèles de RNA ont été utilisés. Il s’agit des cartes auto-organisatrices de Kohonen (SOM), du Perceptron Multicouches (MLP) et du réseau à fonction de base radiale (RBF). Les différentes entées des machines neuronales sont les enregistrements de diagraphies acquis dans quelques puits du Sahara Algériens. Le modèle de Kohonen, comme réseau à apprentissage non supervisé, réalise directement la classification. De plus, ce type de réseau a été combiné avec l’analyse fractale pour tester sa contribution dans la caractérisation du faciès. Les résultats ont montré que la lithologie obtenue par les cartes de Kohonen en injectant les données réelles de diagraphie est nettement meilleure et donne plus de détails lithologiques. Cependant, la combinaison de l’analyse fractale au réseau SOM donne seulement la lithologie prédominante sans détails. Les réseaux MLP et RBF, comme des modèles à apprentissage supervisé, ont été utilisés dans la classification lithologique et l’estimation des paramètres de réservoirs. Ces derniers ont permis, par ailleurs, d’affiner la lithologie et de localiser avec précision les intercalations perméables et imperméables dans un réservoir. Cependant, la meilleure classification lithologique reste celle obtenue par le modèle Kohonen. L’ensemble des résultats obtenus dans ce travail montre l’efficacité des RNA dans la caractérisation des réservoirs, et prédit une plus large application de ces techniques neuronales dans l’industrie. Date de soutenance 18/03/2013 Cote 551.81 Pagination 107 p. Illusatration ill. Format 30 cm. Notes Support papier accompagné d'un CD-Rom ; Bibliogr. p. 83-89 Statut Traitée

format unimarc