Géophysique
Permanent URI for this communityhttps://dspace.univ-boumerdes.dz/handle/123456789/78
Browse
4 results
Search Results
Item Fuzzy machine learning contribution in reservoir characterization from well-logging data(Universite M'Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Cherana, Amina; Aliouane, Leila(Directeur de thèse)This thesis presents a comprehensive exploration of the integration of Neuro-Fuzzy Systems (NFS) within the domain of reservoir characterisation, with a specific focus on the analysis of petrophysical data in both conventional and unconventional reservoirs, notably within the Algerian Sahara region. Leveraging recent advancements in machine learning, neural networks, and fuzzy logic, this research elucidates the pivotal role of NFS as hybrid machine learning systems in augmenting reservoir characterisation methodologies. Drawing upon two peer-reviewed publications, this thesis embarks on an elaborate work to contextualize the latest developments in NFS within the broader domain of machine learning applications in reservoir characterisation. In the first foundational chapter, we delineate the fundamental principles underpinning machine learning, fuzzy logic, and the amalgamation thereof in the form of Neuro-Fuzzy Systems. Through a rigorous exposition, the theoretical underpinnings and operational mechanisms of these paradigms are elucidated, laying the groundwork for subsequent chapters. A meticulous examination of contemporary machine learning applications in reservoir characterisation forms the essence of chapter two. By synthesising existing literature, we distinguish prevalent methodologies, challenges, and advancements in employing machine learning techniques for reservoir characterisation tasks, thereby providing a comprehensive overview of the current status. Building upon the theoretical framework established in preceding chapters, Chapter 3 explores the application of unsupervised fuzzy logic methods for lithology classification. Through empirical investigations, the efficacy of fuzzy logic algorithms in delineating lithological boundaries is assessed, contributing to enhanced reservoir characterisation workflows. Chapter four undertakes the task of predicting porosity and permeability in a conventional reservoir situated within the Algerian Sahara region. Leveraging machine learning techniques, predictive models are developed to accurately estimate these critical reservoir properties, thereby facilitating informed decision-making in petroleum exploration and production endeavours. In the concluding chapter, the research findings are synthesized, and key insights gleaned from the empirical investigations are elucidated. Moreover, recommendations for future research endeavours aimed at further enhancing the efficacy and applicability of automated methods in predicting hydrocarbon reservoir properties are delineated, underscoring the imperative for continued interdisciplinary collaboration and innovation in the field of reservoir characterisationItem 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 crustItem 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.Item Caractérisation des réservoirs par les méthodes(Université M'Hamed Bougara Boumerdès, 2020) Ketteb, Rachid; Djeddi, Mabrouk( Directeur de thèse)Depuis la première phase mise en production d’un réservoir pétrolier, les spécialistes suivent d’une manière ininterrompue son évolution. L’accomplissement de cette tâche nécessite la compréhension de la distribution spatiale des propriétés pétrophysiques du réservoir telles la porosité et la perméabilité, les ingénieurs en réservoir ingenniering ont à leur disposition les données de puits (diagraphies, carottes). Malheureusement ces données fournissent des informations locales et limitées à l'emplacement des puits, par conséquence les modèles de réservoirs modélisés avec seulement ces données diagraphiques sont donc mal conditionnés dès que l'on s'éloigne des puits. Il est donc évident que les diagraphies seules ne suffisent pas pour contraindre les modèles de réservoir. Pour remédier à ce problème, ces données doivent être complétées par des informations géologiques de nature statique portant sur la taille des objets sédimentaires, leurs formes, etc. à cet effet, la prise en compte des données sismiques dans la modélisation des réservoirs peut remédier au problème d’insuffisance d’informations entre les puits. Nous proposons une technique qui nous permettra d’associer toutes les données (diagraphies, sismiques) afin de faire une modélisation des réservoirs plus proche à la réalité. Cette technique est connue sous le terme : méthodes géostatistiques par l’approche bayésienne. Nous utiliserons cette technique pour modéliser la porosité du réservoir « Tensleep »