Interprétation stochastique des failles géologiques dans le contexte de l’analyse d’images sismiques

Stochastic interpretation of geological faults in the context of seismic image analysis

• Auteur / Autrice : Fabrice Taty Moukati
• Direction : Guillaume Caumon, Radu Stefan Stoica
• Type : Thèse de doctorat
• Discipline(s) : Géosciences
• Date : Soutenance le 12/12/2024
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale SIReNa - Science et ingénierie des ressources naturelles (Lorraine ; 2018-....)
• Partenaire(s) de recherche : Laboratoire : GéoRessources (Nancy)
• Jury : Président / Présidente : Marianne Clausel
• Jury : Examinateurs / Examinatrices : Guillaume Caumon, Radu Stefan Stoica, Bertrand Maillot, Samuel Soubeyrand, Sophie Viseur, Nicolas Desassis, Alexandrine Gesret
• Jury : Rapporteurs / Rapporteuses : Bertrand Maillot, Samuel Soubeyrand

Mots clés

Mots clés contrôlés

Méthode sismique-réflexion -- Informatique

Analyse stochastique

Imagerie

Failles (géologie)

Imagerie tridimensionnelle en géologie

Apprentissage automatique

Mots clés libres

Analyse d'image

Apprentissage automatique

Interprétation structurale

Failles

Structural interpretation

Machine learning

Image analysis

Faults

Résumé

Les failles géologiques sont des zones de cisaillement minces et intensément déformées, produisant un déplacement des roches et affectant le comportement mécanique et les propriétés hydrauliques des réservoirs. Les images de sismique réflexion sont largement utilisées pour cartographier les failles dans le sous-sol, mais leur interprétation conduit souvent à divers scénarios en raison des incertitudes dues à la bande passante sismique limitée et aux erreurs d'imagerie possibles. Une autre difficulté provient du fait que les failles sont souvent segmentées, avec un espacement entre les segments souvent inférieur à la résolution de l'image sismique. Dans cette thèse, nous cherchons à générer plusieurs scénarios d'interprétation des failles reflétant ces incertitudes, en utilisant le cadre des processus ponctuels marqués (MPP, extit{Marked Point Process}), dans lequel les failles sont représentées par des points aléatoires auxquels sont attachés des informations géométriques. Cependant, cette stratégie présente deux défis majeurs : (I) la prise en compte des interactions entre les objets constituant les failles (ou fractures), (II) la mise en place de stratégies de conditionnement spécifiques, adaptées au type de données sismiques. Bien que plusieurs approches prenant en compte les interactions mécaniques existent, elles restent néanmoins très coûteuses. De plus, les processus de liaison des failles, bien documentés dans les études sur les failles, restent difficiles à intégrer dans les modèles mathématiques. Nous proposons une approche, basée sur quelques hypothèses concernant la géométrie des failles, pour représenter des grandes failles sur des images sismiques. Cette approche utilise un modèle stochastique pour capturer les interactions locales entre les segments de faille en deux dimensions. L'approche proposée peut s'étendre en trois dimensions. La nouveauté de notre approche réside dans le conditionnement du modèle stochastique à l'aide d'une image des probabilités de faille générée par un réseau de neurones convolutionnel (CNN). Pour mettre en œuvre cette méthode, nous employons l'algorithme de Metropolis-Hastings afin de générer plusieurs scénarios de configuration de réseaux de failles, ce qui reflète l'incertitude et permet d'explorer l'espace des modèles associés. Nous analysons les réseaux de failles qui en résultent à l'aide de mesures statistiques, qui permettent de quantifier l'incertitude extit{a posteriori} du modèle et d'évaluer la structure des réseaux de failles. Enfin, nous utilisons un cadre de calcul bayésien approximatif (ABC, extit{Approximate Bayesian Computation}) pour déduire les valeurs des paramètres du modèle à partir des interprétations sismiques réalisées par des chercheurs. Cette étape d'inférence paramétrique, combinée aux mesures statistiques pour analyser les réseaux de failles, permet une caractérisation globale des réseaux de failles. Plus généralement, l'intégration de l'apprentissage machine pour calculer les probabilités d'occurrence de faille et des processus ponctuels s'avèrent prometteuse pour mieux gérer l'incertitude en interprétation sismique.

Geological faults are thin, intensely deformed shear zones that cause rock displacement and affect the mechanical behavior and hydraulic properties of reservoirs. Seismic reflection images are widely used to map faults in the subsurface, but their interpretation often leads to various scenarios due to uncertainties arising from the limited seismic bandwidth and possible imaging errors. An additional difficulty lies in the fact that faults are generally segmented, with the spacing between segments often below the seismic resolution. In this PhD thesis, we aim to generate multiple fault interpretation scenarios reflecting uncertainty using the Marked Point Process (MPP) framework, where faults are represented by random points containing geometric information. However, this strategy presents two major challenges: (I) capturing the interactions between the objects that make up the faults (or fractures), (II) developing specific conditioning strategies adapted to the type of seismic data. Although several approaches exist that take mechanical interactions into account, they are still computationally time consuming. In addition, linkage processes, which are well documented in fault studies, are difficult to integrate into mathematical models. We propose an approach based on a few assumptions to represent large faults in seismic images. It includes a stochastic model to capture local interactions between fault segments, which can be extended to three dimensions. The novelty of this approach lies in conditioning a stochastic model using a fault probability map generated by a convolutional neural network (CNN). To implement this method, we use the Metropolis-Hastings algorithm to generate various scenarios of fault network configurations, reflecting uncertainty and exploring the associated model space. We use statistical metrics to analyze the resulting fault networks, which allow us to quantify the posterior uncertainty associated with the model and evaluate the structure of the fault networks. Finally, we consider an Approximate Bayesian Computation (ABC) framework to infer model parameter values in the presence of reference manual interpretations. This parametric inference step, combined with statistical metrics for fault network analysis, allows for a global characterization of fault networks. More generally, the integration of machine learning to compute fault probabilities of fault presence and point processes is promising for better management of uncertainty in seismic interpretation.