Caractérisation de Réservoir par Réseaux de Neurones Artificiels

L'estimation des paramètres pétrophysique de réservoir est une étape très importante dans la caractérisation de réservoir pétrolier permettant d'avoir des informations sur la porosité et la perméabilité du réservoir ainsi que la saturation en HC. Dans certains cas, il est difficile de les déterminer à cause de la complexité géologique du réservoir. C'est le cas des réservoirs argilo-gréseux où la présence des argiles rend cette tâche difficile à cause du changement de faciès lithologique. Pour cela, les techniques des réseaux de neurones artificielles, à apprentissage supervisé, ont été proposées. Une application aux réservoirs argilo-gréseux au niveaux de deux puits du Sahara algérien, a été réalisée où des diagraphies du premier puits ont été exploitées pour l'apprentissage du réseau et le deuxième puits pour la généralisation. Ainsi les paramètres mesurés de diagraphies ont été utilisé comme entrée de la machine neuronale et les paramètres de porosité, perméabilité et saturation ont été prédits à la sortie du réseau. Nous avons tester deux type de réseaux: MLP et RBF. Les résultats obtenus ont monté l' efficacité des ces techniques dans la caractérisation de réservoir.

Autorentext

Leila ALIOUANE est enseignante-chercheur à l'Université de Boumerdès (UMBB). Elle est Docteur Habilitée en géophysique. Faisant partie d'un laboratoire de recherche, Labophyt, Elle est auteurs de plusieurs publications. Son centre d'intérêt est la caractérisation des reservoirs conventionnels et non-conventionnels