Géophysique

Permanent URI for this communityhttps://dspace.univ-boumerdes.dz/handle/123456789/78

Browse

Author: search.filters.author.Allek, Karim(Directeur de thèse)

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Contribution of artificial intelligence to the geological mapping of the SILET region (Western Hoggar) using aero-geophysical and satellite data
    (Universite M'Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2023) Elbegue, Aref Abderrahmane; Allek, Karim(Directeur de thèse)
    Geological mapping is a fundamental task in the study of the Earth's crust, as it provides crucial insights into the structure, composition, and evolution of the planet's surface. Traditionally, geological mapping has relied on surface observations, geological drilling, and other time-consuming and expensive techniques. However, in recent years geophysical data has emerged as a valuable tool for enhancing geological mapping, allowing for more efficient and accurate characterization of the subsurface. This thesis explores the application of machine learning techniques to geophysical and satellite data for geological mapping. Specifically, we focus on the integration of airborne magnetic and gamma ray spectrometry data with Landsat images of the Silet region located in central Hoggar. Our goal is to improve our understanding of the geology of this region and explore the effectiveness of machine learning algorithms in this context. Our findings show that geophysical data can provide valuable information on the subsurface structure and lithology, which can help to refine geological interpretations and reduce uncertainty in geological maps. In particular, we demonstrate the importance of integrating geophysical data with geological observations, as well as the importance of high-quality data acquisition and processing. Additionally, we show that machine learning techniques can help to automate the interpretation of geophysical data and improve the accuracy of geological maps. In our case study, we applied a range of machine learning algorithms, including random forests (RF), Deep neural networks DNN) and extreme gradient boosting (XGBoost). We demonstrate that these algorithms can effectively classify geophysical data into different lithological units and identify subsurface structures. Specifically, we show that the machine learning tool can distinguish different rock types and identify the boundaries between different rock units based on magnetic and gamma ray spectrometry data. Overall, this thesis provides a comprehensive overview of the contribution of machine learning applied to geophysical data for geological mapping, and highlights the potential for the utility of these data to revolutionize our understanding of the Earth's crust
  • No Thumbnail Available
    Item
    Apport de l'interprétation des anomalies micromagnétiques et radiométriques liées aux microfuites d'hydrocarbures à l'exploration pétrolière : cas de la région de Hassi R'mel
    (Universite de Boumerdes : Faculté des hydrocarbures et de la chimie, 2022) Senouci, Mohamed; Allek, Karim(Directeur de thèse)
    La recherche de nouveaux gisements d'hydrocarbures devient de plus en plus compliquée et coûteuse. L'approche géophysique traditionnelle consiste essentiellement à localiser en grandes profondeurs des structures-pièges favorables à l'accumulation des hydrocarbures. Une autre approche originale qui peut être complémentaire à la première se résout à essayer d'identifier les hydrocarbures en profondeur à travers leurs empreintes détectables en proche surface. Elle repose sur le principe que les hydrocarbures piégés en profondeur présentent souvent des microfuites qui migrent souvent verticalement en infime quantité vers la proche surface et induisent grâce à des processus complexes des altérations et la précipitation d'une variété de minéraux détectables par un ensemble de méthodes géophysiques de proche surface. Dans cette étude, les données magnétiques et gamma spectrométriques aéroportées du pourtour de Hassi R'mel ont été utilisées pour essayer d'identifier des variations subtiles des concentrations d'éléments radioactifs ainsi que des anomalies micromagnétiques qui seraient induites par les microfuites d'hydrocarbures. Un algorithme de classification bayésienne a été appliqué pour caractériser ces anomalies magnétiques et radiométriques résiduelles qui se produisent au-dessus des réservoirs d'hydrocarbures connus dans la zone d'étude. Les résultats obtenus ont permet la définition des attributs caractéristiques des anomalies magnétiques et radiométriques en relation directe avec la présence d'hydrocarbures en profondeur. , et celles qui se produisent en dehors des occurrences d'hydrocarbures connues peuvent indiquer des accumulations d'hydrocarbures sous-jacentes non prouvées par la prospection sismique et les forages d'exploration pétroliers. Les enregistrements des puits et les données de carotte, de la zone d'étude ont permis de contrôler l'efficacité de notre modèle et valider nos résultats.