Thèse en cours

Approche d'apprentissage automatique pour caractériser les hétérogénéités des réservoirs dans les systèmes carbonatés.
FR  |  
EN
Auteur / Autrice : Axel Ransinangue
Direction : Raphaël BourillotRichard LabourdetteNesrine Chehata
Type : Projet de thèse
Discipline(s) : Géologie sédimentaire, paléocéanographie, climatologie
Date : Inscription en doctorat le 31/05/2022
Etablissement(s) : Bordeaux
Ecole(s) doctorale(s) : École doctorale Sciences et Environnements
Partenaire(s) de recherche : Laboratoire : Environnements et Paléoenvironnements Océaniques et Continentaux (Talence, Gironde ; 1999-....)
Equipe de recherche : Géologie sédimentaire

Résumé

FR  |  
EN

L'objectif de ce projet de thèse est d'étudier la capacité de l'apprentissage automatique à améliorer l'identification des facteurs ayant un impact sur le comportement dynamique des réservoirs carbonatés en intégrant un ensemble complet de données à échelles multiples et de types multiples acquises au fil des décennies sur un réservoir carbonaté d'hydrocarbures identifié. (1) L'apprentissage profond est un sous-domaine de l'apprentissage automatique basé sur l'apprentissage de représentations de motifs à partir de données. Les techniques modernes d'apprentissage profond sont devenues de plus en plus complexes, impliquant des dizaines voire des centaines de couches de représentations (Chollet, 2017). Ces techniques ont prouvé/démontré leur efficacité sur l'analyse de texture dans de nombreux domaines. Les réseaux de neurones convolutifs (CNN) sont alors des candidats naturels pour analyser les milliers de lames minces disponibles. Le projet de thèse commencera par un état de l'art pour avoir une vue d'ensemble des méthodes d'apprentissage profond appliquées aux lames minces. Ensuite, le doctorant étudiera comment les réseaux de neurones profonds pourraient aider à décrire automatiquement des images de lames minces : par exemple, une approche de détection d'objets (Redmon, 2016) avec détection et localisation de fossiles pourrait être utilisée pour faire une description géologique/pétrographique de l'image. Une telle approche pourrait permettre une classification des éléments : ooïdes, oncoïdes, caractéristiques diagénétiques, ou textures carbonatées (Dunham, 1962). La description des lames minces sera ensuite utilisée pour différentes applications : a. En raison du vaste ensemble de données acquises depuis trente ans, comprenant des milliers de photographies de lames minces, la description des échantillons est hétérogène et manque de quantification précise des éléments. La première étape de l'étude consistera à décrire automatiquement les photographies haute résolution disponibles, afin d'obtenir une base de données quantifiée homogène (Koeshidayatullah et al., 2020). La méthodologie traditionnelle d'apprentissage automatique semble être conçue pour un tel processus de description, en utilisant les données des géologues pour l'étiquetage et la classification des éléments (Odi et Nguyen, 2018). b. Aide à l'analyse de l'homogénéité / hétérogénéité. En utilisant le clustering automatique des images de lames minces à partir de leur description (avec des approches supervisées ou non supervisées Kohonen, 1990), l'organisation 3D des clusters sera analysée et interprétée géologiquement. c. Étudier l'existence d'une relation entre la texture des images de lames minces et les paramètres pétrophysiques (une comparaison utilisant l'image seule ou la description de l'image sera également effectuée). Le modèle sera ensuite utilisé pour obtenir une estimation pétrophysique pour les cibles où seules des images sont disponibles. (2) Malgré la densité élevée de l'échantillonnage du sous-sol, la résolution verticale de l'échantillonnage n'est pas équivalente à l'échantillonnage horizontal, qui est réduit à la distance entre les puits disponibles (Dubrule et Damsleth, 2001). Par conséquent, la compréhension des phénomènes ou de l'évolution latérale des faciès n'est pas facile à réaliser. La distribution spatiale et l'extension des faciès identifiés, ainsi que leur pétrophysique associée et leur comportement dynamique, peuvent être explorés en utilisant des analogues d'affleurements. L'affleurement d'Amellago, au Maroc, est un exemple de classe mondiale de plate-forme oolithique carbonatée à faible angle (Pierre, 2006). Cette plate-forme jurassique exposée le long de falaises de 35 km de long présente des dépôts qui sont similaires au réservoir souterrain étudié. Les similarités s'étendent de l'architecture stratigraphique générale aux géométries internes et aux tissus de microfaciès. Les falaises d'Amellago ont donc été sélectionnées pour inclure et intégrer des échantillons afin de déterminer/caractériser l'évolution latérale de la texture des faciès. Cela implique une stratégie d'échantillonnage étendue le long de l'affleurement. La comparaison entre les ensembles de données de subsurface et d'affleurement permettra d'étudier plus avant la distribution 3D des microfaciès verticalement et latéralement, ce qui aidera, par analogie, à relier ultérieurement les propriétés du réservoir et le comportement dynamique dans la subsurface. Des flux d'apprentissage automatique similaires seront appliqués aux photographies de lames minces provenant des échantillons prélevés le long de l'affleurement.