Évaluation des modèles de prédiction des paramètres pétro-physiques des réservoirs pétroliers à partir des données de diagraphies : Cas du Champ de Hassi Tarfa

Abstract

Cette étude académique vise à évaluer la performance des modèles d'apprentissage automatique pour prédire avec précision les paramètres pétrophysiques clés d'un réservoir hydrocarboné, tels que la porosité, le volume d'argile et la saturation en eau, en prenant comme cas d'étude le champ de Hassi Tarfa (HTF), situé dans la province triasique du Sahara algérien au sud de Hassi Messaoud. Ce réservoir est classé comme une formation compacte (tight) caractérisée par une faible porosité (5–10 %) et une très faible perméabilité (1–2 mD), rendant son interprétation traditionnelle complexe. L'analyse repose sur un large ensemble de données de diagraphies issues de 17 puits du champ, où les données ont subi un contrôle qualité rigoureux avant de tester quatre algorithmes de régression : Ridge, Bagging, Extra Trees et le modèle avancé XGBoost. Afin de garantir une validation robuste et d'éviter le surapprentissage, la stratégie de division des données a été strictement exécutée sur la base de puits aveugles (blind wells) complets. Les résultats démontrent la supériorité remarquable de l'algorithme XGBoost, qui a capturé efficacement les relations non linéaires complexes et prédit la saturation en eau avec une forte corrélation par rapport aux données de carottage réelles. Cette approche numérique innovante permet d'optimiser le temps et de réduire considérablement les coûts par rapport aux méthodes d'interprétation manuelles conventionnelles. En conclusion, ce travail ouvre des perspectives prometteuses pour l'intégration et le déploiement opérationnel de l'intelligence artificielle dans l'industrie pétrolière en Algérie.