001073729
100  $a20130530                 y50      
101  $afre
2001 $aPrédiction et reconstitution du faciès lithologiques par réseaux de neurones à partir des données de puits$bressource électronique
210  $d18/03/2013
215  $a107 p.$cill.$d30 cm.
328 1$bDoctorat$cGéophysique$d18/03/2013
330  $aLe 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.
337  $aSupport papier accompagné d'un CD-Rom ; Bibliogr. p. 83-89
610  $aFaciès (géologie) 
610  $a Réseaux de neurones (informatique) 
610  $a Puits (excavations) 
610  $a Cartes auto-organisatrices
700  $aALIOUANE, leila
701  $aArray
801 0$aDZ$bCERIST PNST
901$ac
990  $a551.81