Classification lithologique par les réseaux de neurones artificiels de type MLP et cartes SOM en utilisant des données de diagraphie : application au champ de Bir Berkine

Abstract

La connaissance de différentes formations de puits, plus particulièrement de réservoir, est importante durant toute la vie de puits. Pour cela on fait recours aux différentes méthodes de décompositions lithologiques. Parmi ces dernières, les méthodes conventionnelles qui se font à l’aide de la combinaison des différentes diagraphies directement liées à la lithologie et les master-log avec les descriptions des carottes. Les diagraphies donnent une image continue et objective des séries traversées dans un puits de forage. Elles permettent aussi de localiser les réservoirs et de déterminer la nature des fluides qui s’y trouvent. Comme la Carotte est l’image vivante du sous-sol, elle nous permet l’établissement de la colonne lithologique de puits foré. Il faut noter que les puits ne sont pas tous carottés et s’ils sont carottés pas tout le long de puits. Par conséquent on propose de faire appel aux méthodes d’intelligences artificielles, à savoir les réseaux de neurones artificiel pour faire une classification lithologique. Les techniques des réseaux de neurones artificiels ont été largement utilisées dans la caractérisation de réservoir, essentiellement, dans la classification de la litho faciès par les diagraphies. Le sujet de notre travail est d’établir une classification lithologique par deux types de réseau de neurones artificiels. Il s’agit d’un réseau d’apprentissage supervisé à savoir le perceptron multicouche (MLP) et d’un autre réseau à apprentissage non supervisé qui est les cartes auto-organisatrices de Kohonen (Cartes SOM).