Modélisation et reconstitution des facies non carottés a l’aide des méthodes statistiques multivariees du réservoir trias argileux greseux inferieur (tagi) application au champ de sif fatima bassin de – BERKINE –

Abstract

La récupération des carottes n’est pas toujours intégrale, à cause des problèmes techniques et géologiques rencontrés durant l’opération du carottage, à cet effet notre travail fait l’objet de pallier le manque des facies lithologiques (332.84 m représente la longueur des intervalles non carottés dans 5 puits) au niveau du réservoir du Trias Argileux Gréseux Inférieur (TAGI), bloc 402b, champ de Sif Fatima bassin de Berkine Algérie -. Deux méthodes de modélisations ont été appliquées sur les données diagraphiques (Gamma Ray, Densité, Potassium et Thorium) combinées à la description détaillée des carottes disponibles, pour reconstituer les faciès non-carottés afin d’établir des logs lithologiques complets. La première méthode est basée sur la théorie de Réseau de Neurone Artificiel, qui a été inspirée de la biologie, à un modèle de perception multicouches avec une algorithme de (RETROPROPAGATION) à apprentissage supervisé, qui se compose d’une couche d’entrée porte 4 neurones qui sont les variables explicatifs (les données diagraphiques), et d’une couche de sortie composée d’un seule neurone qui est la variable à expliquer ( le Facies non carotté), et une seule couche cachée a une fonction de transfert sigmoïdale (TANSIG) de la couche d’entrée vers la couche cachée, et une fonction linéaire (PURELIN) de la couche cachée vers la couche de sortie, et l’algorithme d’activation utilisé est de type (LEVENBERG-MARQUARDT). Le modèle a une tendance d’amélioration et d’adaptation interactivement à chaque fois on change le nombre de neurones dans la couche cachée, jusqu’au ce que les indices de performances numériques (CC, RMSE, MAE, d) et graphique (la fonction coût) soient excellents dans toutes les phases de modélisation, alors on a pris le modèle a 4 neurones dans la couche cachée et de coefficient de corrélation CC de 0,87 pour l'apprentissage, 0,78 pour la validation et 0,92 pour le test. La deuxième méthode est une technique statistique dite Cluster Analysis qui débrouille le même problème de la non récupération des carottes que la première, mais elle repose sur une technique de calcul qui consiste à diviser un ensemble de données en différents paquets homogènes, dans le sens que les données de chaque sous-ensemble partagent des caractéristiques communes, et faire la déviation du log par facies, Puis on a calculé l’erreur pour chaque facies, et attribué le facies ayant la valeur minimale des erreurs