Application des réseaux de neurones à l'analyse d'images de réservoirs d'hydrocarbures

Application of neural networks to the characterization of hydrocarbon reservoir images

• Auteur / Autrice : Ingrid Machecler
• Direction : Jean-Pierre Nadal
• Type : Thèse de doctorat
• Discipline(s) : Géophysique interne
• Date : Soutenance en 2005
• Etablissement(s) : Institut de physique du globe (Paris ; 1921-....)

Mots clés

Mots clés libres

Segmentation

Images électriques de puits

Réseaux de neurones

Variogramme

Détection de contours

Zonation

Résumé

L'analyse d'image, appliquée aux données sismiques ou aux diagraphies, est cruciale dans l'analyse structurelle et stratigraphique des formations abritant des réservoirs d'hydrocarbures. Cette thèse explore deux méthodes pour la zonation et la détection de contours dans des images électriques de paroi de puits (FMI). La première méthode, basée sur un modèle neuronal de vision humaine pré-attentive, conduit à la segmentation ou à la détection de contours, suivant les propriétés de l'image (synthétiques ou réelles) pré-traitée et présentée en entrée. La seconde méthode utilise des réseaux de neurones artificiels pour estimer, à partir de données FMI, les paramètres du variogramme quantifiant la variabilité spatiale de la formation. Le réseau est entrainé à partir de données FMI simulées présentant des propriétés géostatistiques imposées. Cette méthode est testée sur des données FMI réelles de variabilité horizontale isotrope et des données synthétiques de variabilité horizontale anisotrope

Methods of image analysis, applied to data survey, such as seismic or wellbore logs, are crucial in structural and stratigrafic analysis of formations suspected of containing hydrocarbon reservoirs. This thesis investigates two methods to perform zonation or contour detection in electrical wellbore image (FMI). The first method, based on a model of pre-attentive human vision, yields image segmentation or contour enhencement, depending on the input (preprocessed synthetic or real image). The second one uses artficial neural networks to infer, from FMI data, the parameters of the variogram quantifying the spatial variability in the formation. The networks are trained using stochastic simulations of deposits of given geostatistical properties. This method is tested on real images having isotropic horizontal spatial variability as well as on synthetic FMI data showing anisotropic horizontal spatial variability