Introduction : Le changement vers l'interprétation automatisée du registre des puits

Depuis des décennies, les géoscientifiques du pétrole se fient à l'interprétation manuelle des puits pour identifier les types de lithologie et de fluides, processus qui exige une vaste expertise du domaine et qui est intrinsèquement subjectif. Même les interprètes expérimentés peuvent produire des résultats incohérents lorsqu'ils travaillent dans différents bassins ou avec des réponses ambiguës aux logs. L'introduction de l'intelligence artificielle (AI) dans l'analyse des puits a fondamentalement changé ce paysage.

Dans cet article élargi, nous examinons comment les algorithmes d'IA sont appliqués à la lithologie et à l'identification des fluides, les algorithmes spécifiques qui fonctionnent le mieux, le flux de travail pour déployer ces modèles, les défis communs, et la direction de la recherche actuelle.

Pourquoi automatiser la lithologie et l'identification des fluides?

L'interprétation manuelle des journaux est souvent un goulot d'étranglement dans les flux d'exploration et de production. Un puits unique peut générer des centaines de mètres de données de journaux à partir de plusieurs outils : rayons gamma, résistivité, porosité neutronique, densité, sonique, etc. La corrélation de ces mesures avec des descriptions de cœur, des analyses de boutures et des tests de pression prend du temps.

L'automatisation par l'IA traite ces points de douleur en traitant en minutes des sections entières de puits, en maintenant des critères de classification cohérents pour des milliers de puits et en détectant des relations non linéaires invisibles aux méthodes traditionnelles de forage croisé.

Algorithmes AI de base pour la classification des journaux de puits

Le choix de l'algorithme approprié dépend de la nature des données de formation disponibles, de la complexité du cadre géologique et de la résolution de sortie souhaitée. Ci-dessous, nous discutons des principales catégories, de l'apprentissage automatique classique aux architectures d'apprentissage profond modernes.

Méthodes d'apprentissage supervisées

Les algorithmes supervisés nécessitent un ensemble de données de formation étiquetées où chaque intervalle de log a été attribué une classe lithologique et/ou fluide (souvent à partir d'analyses de base ou de choix interprétés). Le modèle apprend à cartographier les réponses des logs à ces classes et ensuite à généraliser les sections non étiquetées.

  • Support Vector Machines (SVM): Les SVM trouvent un hyperplan optimal qui sépare les classes dans un espace de caractéristiques haute dimension. Ils fonctionnent bien avec des ensembles de données petits à moyens et sont robustes contre le surajustement lorsque le noyau correct est choisi. Pour l'identification lithologique, les SVM obtiennent souvent une grande précision sur les registres gamma et résistivité.
  • Random Forest (RF):[ Un ensemble d'arbres de décision qui réduit la variance et améliore la généralisation. Les modèles RF peuvent gérer des types de données mixtes (continu et catégorique) et fournir des classements d'importance caractéristique, révélant quels journaux contribuent le plus à la classification.
  • Gradient Boosting (XGBoost, LightGBM):[ Ces méthodes d'ensemble séquentiels construisent des arbres qui corrigent les erreurs des arbres précédents. Ils surpassent souvent la forêt aléatoire en termes de précision sur les données de log structurées, surtout lorsque la relation entre les variables est complexe.
  • Multi-Layer Perceptron (MLP):[ Un réseau neuronal artificiel de base avec une ou plusieurs couches cachées. Les MLP peuvent modéliser des limites de décision non linéaires et sont utilisés lorsque la géologie montre des tendances non linéaires (p. ex., mélange de types de roches).

Apprentissage et regroupement sans supervision

Lorsque les étiquettes étalonnées par le noyau ne sont pas disponibles ou lorsqu'elles explorent un nouveau bassin, les méthodes non supervisées aident à identifier les grappes naturelles dans l'espace en log.

  • K‐Means Clustering: Partitionne l'ensemble de données en groupes K en fonction de la distance euclidienne. Souvent appliqué aux journaux normalisés pour grouper des électrofacies similaires. L'interprète attribue ensuite la lithologie à chaque groupe en utilisant des connaissances pétrophysiques limitées.
  • Clusters hiérarchiques: Construit un dendrogramme de clusters fusionnés, utile pour visualiser la relation entre les électrofacies à travers la profondeur.
  • Cartes auto-organisatrices (SOM):[ Un type de réseau neuronal non supervisé qui projette des données de log à haute dimension sur une grille 2D. Les SOM conservent des relations topologiques — comme la carte des logs aux nœuds voisins — qui les rendent populaires pour la cartographie des lithofaies et le contrôle de la qualité.

Les méthodes non supervisées sont fréquemment utilisées comme outil de validation axé sur les données : si un modèle supervisé prédit une classe qui ne relève pas de tous les clusters naturels, il peut indiquer une classification erronée ou une lithologie non reconnue.

Deep Learning avec les réseaux convolutionnels et récurrents

Les journaux de puits sont des données intrinsèquement séquentielles, avec des modèles dépendants de la profondeur qui reflètent les changements dans les environnements de dépôt, le compactage et les contacts fluides.

  • Réseaux neuronaux convolutionnels (RCN):[ À l'origine, les RCN 1D traitent des fenêtres coulissantes de courbes de log pour extraire des motifs locaux — par exemple, une augmentation de résistivité marquée suivie d'une diminution progressive pourrait signaler un sable ascendant avec contact eau-huile. Les RNC peuvent automatiquement apprendre des filtres qui sont équivalents à des caractéristiques géologiques significatives.
  • Réseaux neuronaux courants (RNN) et Mémoire à court terme longue (LSTM) :[Ces réseaux maintiennent un état caché qui se propage à travers la profondeur, leur permettant de modéliser des dépendances à longue distance. Dans l'identification des fluides, LSTM peut se souvenir qu'une zone de faible résistivité à une profondeur peut être influencée par un lit de haute salinité à proximité, même si les logs eux-mêmes ne montrent pas de corrélation directe.
  • Hybrid CNN‐LSTM: Combiner la convolution pour l'extraction locale des caractéristiques avec la récurrence pour le contexte de profondeur-séquentiel donne des résultats de pointe dans la classification des lithofaies, en particulier dans les réservoirs clastiques complexes.

Préparation des données et ingénierie des caractéristiques

Les modèles d'IA sont aussi bons que les données sur lesquelles ils sont formés. Les bûches de puits bruts contiennent du bruit, des effets d'épaule, des variations de taille des trous de forage et des corrections environnementales.

Contrôle de la qualité et normalisation

Tout d'abord, les logs doivent être appariés en profondeur et vérifiés pour détecter les pics anormaux (p. ex., en raison des écoulements de forage). Les points de données défectueux sont signalés à l'aide d'un seuil sur les relevés de calottes. Ensuite, chaque courbe log est normalisée à une échelle commune (généralement la moyenne nulle et la variance unitaire) de sorte que les algorithmes ne biaisent pas vers des mesures à grandes échelles numériques (p. ex., résistivité en ohm‐m vs densité en g/cc).

Construction de fonctions

Au-delà des valeurs brutes, les caractéristiques dérivées améliorent souvent la précision de la classification :

  • Volume de schiste (Vsh) provenant de transformations linéaires ou non linéaires de rayons gamma.
  • Indicateurs de séparation de densité de neutrons (ρma-φN position de la plot croisée).
  • Les rapports de résistance (p. ex., profondeur de profondeur, profondeur de profondeur) sensibles à l'invasion ou aux zones bouffées de chaleur.
  • Caractéristiques de la texture géologique : moyennes de courant, gradients ou coefficients d'ondelet qui capturent la cyclique lithologique.

Les méthodes de sélection des éléments (p. ex., information mutuelle, élimination récursive) aident à réduire la dimensionnalité et à améliorer la généralisation des modèles, surtout lorsque le nombre de puits dans l'ensemble de formation est faible.

Intégration des flux de travail: des données à la décision

Le déploiement de l'IA pour la lithologie et l'identification des fluides n'est pas un processus à clic unique. Il nécessite une planification et une intégration minutieuses avec le logiciel d'interprétation pétrophysique existant.

  1. Collection de données et étiquetage: Recueillir des journaux de puits, des descriptions de base, des données de base sur les parois latérales et des résultats d'essais de formation.
  2. Prétraitement et extraction des caractéristiques:[ Nettoyer les journaux, corriger les effets environnementaux, calculer les courbes dérivées.
  3. Sélection et formation de modèles: Comparez plusieurs algorithmes (RF, SVM, CNN) sur un ensemble de validation maintenu. Utilisez la validation croisée pour estimer l'erreur de généralisation.
  4. Évaluation et incertitude Quantification:[ Calculer la précision, la précision, le rappel et le score F1 par classe. Pour les modèles probabilistes (p. ex., les réseaux neuronaux Softmax), examiner la confiance dans la prévision.
  5. Intégration dans la plate-forme d'interprétation :[ Exporter le modèle comme fichier cornichon, format ONNX, ou directement dans le logiciel de pétrophysique via des plug-ins. Exécuter le modèle sur de nouveaux puits en temps réel ou en lot pendant la session.
  6. Itération continue:[ À mesure que de nouveaux puits sont forés et que des données de base deviennent disponibles, reformer le modèle pour y incorporer des lithologies manquantes ou des types de fluides.

De nombreuses organisations utilisent maintenant l'IA comme outil --pré-interprétation – le modèle produit un journal de lithologie de premier passage qu'un pétrophysicien examine et ajuste, réduisant de façon spectaculaire le temps consacré aux choix de routine.

Avantages observés dans les applications sur le terrain

Les études de cas de l'industrie font état d'améliorations mesurables après l'adoption de la classification fondée sur l'IA :

  • Réduction du temps: Temps d'interprétation par puits tombe de jours à minutes, permettant des études multi-biens qui étaient auparavant peu pratiques.
  • Consistance:[ Le même modèle appliqué à un champ entier donne des pics de lithologie uniformes, éliminant la variabilité interprète-interprète. Cette consistance améliore les estimations des réserves et les entrées de géomodélisation.
  • Détection du subtilisme Caractéristiques :[ Les modèles CNN profonds peuvent identifier des lits minces (jusqu'aux limites de résolution des log) que les interprètes humains manquent souvent, en particulier dans les séquences de sable stratifié.
  • Cartographie des contacts avec les fluides:[ À l'aide de données de résistivité et de pression, les modèles supervisés ont obtenu plus de 90 % de précision dans la délimitation des contacts avec l'eau et le gaz, même dans les zones de transition où les méthodes conventionnelles donnent des signaux ambigus.

Défis : Données, interprétabilité et changement de domaine

Malgré les promesses, plusieurs obstacles empêchent l'adoption généralisée et entièrement automatisée.

Besoin de grands ensembles de données étiquetés

Les modèles d'apprentissage supervisés et approfondis nécessitent des milliers d'échantillons marqués pour se généraliser. L'étiquetage des intervalles de log avec la lithologie validée par le cœur coûte cher et nécessite du temps expert. Pour de nombreux domaines matures, les descriptions de base héritées ne couvrent pas toutes les lithologies ou peuvent utiliser une nomenclature désuète.

Modèle d'interprétation

Si un modèle AI indique un intervalle comme étant le grès -oléo-portant -, mais que le pétrophysicien voit un rayon gamma élevé et une faible résistivité, il doit comprendre pourquoi le modèle a pris cette décision. Les techniques telles que SHAP (SHapley Additive exPlanations) et LIME (Local Interpretable Model‐agnostic Explications) peuvent fournir des attributions de caractéristiques par profondeur.

Changement de domaine entre les puits

Un modèle formé sur des billots d'un puits peut échouer sur un autre en raison de différents outils d'exploitation, systèmes de boue ou conditions de forage. Par exemple, un log de densité étalonné en eau douce lit différemment dans la boue saturée de sel. La normalisation et les corrections environnementales aident, mais elles ne peuvent éliminer toutes les sources de variance.

Quantité d'incertitude

Pour les décisions critiques en matière de sécurité (p. ex., intervalles de perforation), il est essentiel de savoir quand le modèle est incertain. Des sorties probabilistes, des réseaux neuronaux bayésiens ou des méthodes d'ensemble commencent à être utilisées, mais elles ajoutent une complexité computationnelle.

Étude de cas : Identification de lithologie conduite par l'IA dans un réservoir clastique

L'interprétation manuelle a permis de déterminer cinq lithofacies : sable massif, sable stratifié, siltstone, sable cimenté et schiste. Un modèle de forêt aléatoire formé sur rayon gamma, porosité neutronique, densité, résistivité et deux caractéristiques de texture ont obtenu une précision de 88 % sur un puits tenu. Les principales erreurs de classification se sont produites entre sable stratifié et siltstone — ambiguë même pour les interprètes humains. Lorsqu'un hybride CNN‐LSTM a été appliqué, la précision a augmenté à 92 % parce que le modèle utilisait le context de profondeur pour reconnaître que les sables stratifiés se produisent dans des séquences de rainure ascendante tandis que les siltstones apparaissent dans des séquences ascendantes. Les géologues utilisent maintenant les prédictions CNN‐LSTM comme log de base, ne modifiant manuellement que les 8 % des intervalles où les prédictions sont signalées comme étant de faible confiance.

Orientations futures : vers une IA transparente et intégrée

Plusieurs tendances de la recherche promettent de surmonter les limites actuelles :

  • Apprentissage semi-supervisé et auto-supervisé: Ces méthodes nécessitent moins d'étiquettes en tirant parti des données de journal non étiquetées pour apprendre d'abord des représentations utiles, puis en perfectionnant un petit ensemble étiqueté.
  • Fusion de données multimodale:[ Intégrer des journaux de puits avec des attributs sismiques, des relevés de gaz de boue et même des journaux d'images (images de trous de pores) dans un modèle unique. Par exemple, un CNN peut traiter des patchs d'images de résistivité à deux dimensions de forage pendant qu'un RNN traite des courbes de log conventionnelles, produisant une prédiction lithologique unifiée.
  • Réseaux neuronaux en formation physique (RIN): Les relations pétrophysiques encodantes (p. ex., la loi Archie) dans la fonction de perte.Les RINP assurent la cohérence physique des prédictions, ce qui renforce la confiance et réduit le surajustement au bruit de log non physique.
  • Apprentissage actif et correction interactive:[ Outils qui permettent aux géoscientifiques de corriger quelques intervalles mal classés, puis de recycler automatiquement le modèle. Le modèle apprend des erreurs sans exiger un remarquage complet.
  • Bayesian Deep Learning:[ En plaçant les distributions sur les poids du réseau, le modèle produit des cartes d'incertitude (p. ex. probabilité d'être porteur de gaz).

Conclusion

La lithologie automatisée et l'identification des fluides par l'IA ne sont plus une curiosité de recherche; c'est une réalité opérationnelle dans de nombreuses entreprises d'exploration et de production.Les modèles d'apprentissage automatique – des forêts aléatoires aux réseaux convolutionnels profonds – ont démontré la capacité d'accélérer l'interprétation, d'améliorer la cohérence et de détecter les caractéristiques subsurface que les interprètes manuels pourraient négliger.

Alors que l'industrie continue de générer des volumes toujours plus importants de données de log et que les outils d'interprétation de l'IA deviennent plus efficaces, le rôle du géoscientifique passera de la cueillette manuelle de chaque frontière à la validation et à la validation des prévisions automatisées. L'objectif ultime n'est pas de remplacer l'expert, mais d'accroître sa capacité à caractériser la surface souterraine, à réduire l'incertitude et à prendre des décisions plus rapides et éclairées.

Pour de plus amples informations sur les mises en œuvre pratiques, voir les documents de la Société des Petrophysiciens et Analystes de registres de puits (SPWLA) sur l'apprentissage automatique en pétrophysique (SPWLA Technical Papers[), le Journal of Petroleum Science and Engineering[ article sur l'apprentissage profond pour la classification des lithofaices (Lien DOI), et le projet SPE open-source SPE Data Engineering] pour le code d'analyse réutilisable des registres.