Approche sur les caractéristiques pétrophysiques du réservoir "TAGI" de El Hadjira "2" avec l’intelligence artificielle

Abstract

Une bonne caractérisation des propriétés du réservoir pétrolier nécessite des mesures directes sur les carottes, cependant ces dernières ne sont pas toujours disponibles à cause des problèmes techniques et géologiques rencontrés durant l’opération du carottage. Pour remédier à cette lacune, le défi se situe à la recherche d’un outil efficace et rapide pour reconstituer les faciès non carottés et pour estimer certains paramètres pétrophysiques avec précision tels que : la porosité et la perméabilité représentant des éléments fondamentaux pour l’évaluation du gisement. Diverses formules ont été suggérées pour la prédiction de ses paramètres, mais elles sont limitées et peuvent entraîner des incertitudes très élevées impliquant de fausses évaluations des réserves en place, soit par une sous-estimation ou surestimation et par conséquent, cela va influencer l’aspect économique lié à l’investissement et le développement du gisement. Au cours des deux dernières décennies, de nombreuses méthodes liées l’intelligence artificielle ont été proposées pour résoudre des problèmes complexes dans l’ingénierie de pétrole surtout après la pandémie de COVID-19. L’objectif de cette thèse se focaliser sur la reconstitution des faciès non carottés et à l’estimation de la porosité et la perméabilité manquante en utilisant une technique de l’intelligence artificielle à l’aide des diagraphies de puits. Le réservoir hétérogène du Trias Argileux Gréseux Inférieur du champ d’EL Hadjira 2 au bassin d’Oued Mya sud-est de l’Algérie, a été pris comme zone d’étude en raison de la grande variation des paramètres pétrophysiques. La méthode Convolutionnel Neural Networks (CNN) est la méthode proposée et elle est utilisée pour prédire les propriétés des images de carottage. L’ensemble de données d’image est segmenté en appliquant une segmentation de bassin versant pour extraire le réseau de pores de l’échantillon. La porosité et la taille moyenne des pores sont les deux propriétés calculées pour cette étude. Une description détaillée du processus de segmentation des images, de l’architecture CNN est présentée dans ce travail.