Estimation de la perméabilité par la méthode des Réseaux de Neurones Artificiels, cas du réservoir Trias Argileux Gréseux Inférieur (TAGI) champ de Sif Fatima, bassin de Berkine, Sud-est Algérien

Abstract

L’estimation de la perméabilité est l'une des tâches les plus importantes dans la caractérisation des réservoirs pétroliers ; cependant la détermination traditionnelle de laboratoire de cette propriété est longue et très chère, Par conséquent, il est souhaitable de trouver une méthode de déterminer la perméabilité optimale. Beaucoup de recherche a été faite sur le problème d’estimation de la perméabilité par des moyens physiques qui est un processus assez complexe et cher ; Des formules empiriques nombreuses ont été découvertes par des scientifiques au cours des années (TimurTixier, Wyllie/Rose....) et des méthodes de régression ont été également employées. Ces dernières années, des techniques d'étude d’prévisionnelle ont été appliquées sur ce problème; la manière est de former des réseaux neurones artificiels mathématiques inspirés des fonctions des neurones biologiques, sur un ensemble de données, puis applique ceci a formé le réseau neurone sur un ensemble d'essai. Dans notre cas d’étude c’est le réservoir complexe de Trias Argileux Gréseux Inférieur de champs de Sif Fatima bassin de Berkine, en utilisant un type de réseaux de neurones par perception multi couches avec une seule couche cachée et une fonction retro propagation de l’erreur, on a défini la couche d’entrés par les variables explicatifs qui sont :Densité, Sonique, Résistivité, Porosité, Gamma Ray, Porosité Neutron, Saturation en eau, dans la couche cachés c’est la boite noire du modèle qui reçoit, traité, et renvoiel’information vers la couche de sortie qui est le variable a expliqué ( la perméabilité non mesurée), c’est interactivement à chaque fois on change le nombre de neurone dans la couche cachée et on suit les indices de performances numériques et graphiques. Grace à cette technique on a pu de pallier un intervalle de (151.63 m), équivalent de (995) observation, à partir des données de mesure directes sur carottes (233.93m).