MODÉLISATION GÉOLOGIQUE DES RÉSERVOIRS PÉTROLIERS A L’AIDE DES MÉTHODES DE L’INTELLIGENCE ARTIFICIELLE, CAS DU BASSIN DE BERKINE, SUD-EST DE L’ALGÉRIE

Abstract

Une bonne caractérisation des propriétés du réservoir pétrolier nécessite des mesures directes sur les carottes, cependant ces dernières ne sont pas toujours disponibles à cause des problèmes techniques et géologiques rencontrés durant l‟opération du carottage. Pour remédier à cette lacune, le défi se situe à la recherche d‟un outil efficace et rapide pour reconstituer les facies non carottés et pour estimer certains paramètres pétrophysiques avec précision tels que : la porosité et la perméabilité représentant des éléments fondamentaux pour l‟évaluation du gisement. Diverses formules ont été suggérées pour la prédiction de ses paramètres, mais elles sont limitées et peuvent entraîner des incertitudes très élevées impliquant de fausses évaluations des réserves en place, soit par une sous-estimation ou surestimation et par conséquent, cela va influencer l‟aspect économique lié à l‟investissement et le développement du gisement. Au cours des deux dernières décennies, de nombreuses méthodes liées l‟intelligence artificielle ont été proposées pour résoudre des problèmes complexes dans l‟ingénierie de pétrole. L‟objectif de cette thèse se focaliser sur la reconstitution des facies non carottés et à l‟estimation de la porosité et la perméabilité manquante en utilisant plusieurs techniques de l‟intelligence artificielle à l‟aide des diagraphies de puits. Le réservoir hétérogène du Trias Argileux Gréseux Inferieur du champ de Sif Fatima bassin de Berkine sud-est de l‟Algérie, a été pris comme l‟exemple d‟application. Les principaux résultats de cette thèse peuvent se résumer comme ce qui suit : 1. Le modèle MLPNN a permis de reconstruire 333 m de faciès non carottés à partir des diagraphies nucléaires, par une topologie de (4-4-4) avec une performance R 2 =0.92 2. L'intégration de l‟algorithme génétique combinée avec la régression linéaire multiple pour l‟estimation de la porosité montre une meilleure corrélation R 2 =0.92, ainsi on recommande de tenir le Caliper comme un variable très explicatif pour la prédiction de la porosité dans les réservoirs hétérogènes argileux gréseux. 3. La technique des réseaux de neurones est la plus fiable par rapport aux méthodes des machines à vecteurs supports et les forêts Aléatoires utilisées pour estimer la perméabilité avec les performances : R2 =0.92 ; RMSE= 0.0613 et MAE= 0.0348. Les résultats de cette thèse confirment l‟efficacité des outils de l‟intelligence artificielle pour la prédiction des paramètres des réservoirs y compris ceux hétérogènes avec des performances notables ce qui permettent un gain de temps d‟une part et elle totalement économique d‟autre part, car elle minimise les frais du carottage et les mesures au laboratoire