Le défi de l'interprétation des données sismiques complexes dans les jeux non conventionnels

L'exploration des ressources non conventionnelle – gaz de schiste, pétrole serré et méthane provenant du charbon – dépend de l'extraction d'hydrocarbures provenant de formations à faible perméabilité qui se comportent très différemment des réservoirs conventionnels. Les données sismiques demeurent l'outil principal pour l'imagerie subsurface, mais les cibles non conventionnelles présentent des complexités uniques. Des couches minces, des réseaux de failles subtiles, des essaims de fracture naturelle et des propriétés rocheuses hétérogènes produisent des réponses sismiques difficiles à interpréter avec des méthodes déterministes traditionnelles. La cueillette manuelle d'horizons et de failles devient impossible lorsqu'on traite des centaines de kilomètres carrés de volumes sismiques 3D. De plus, le rapport signal-bruit dans des milieux non conventionnels est souvent faible et la présence de plusieurs vagues qui se chevauchent masque des caractéristiques géologiques critiques.

Pourquoi l'apprentissage profond est adapté à l'interprétation sismique

Contrairement aux modèles classiques d'apprentissage automatique qui reposent sur des attributs artisanaux (par exemple, cohérence, courbure, douceur), les modèles d'apprentissage profond apprennent directement les représentations à partir de données. Cette capacité est particulièrement utile pour les jeux non conventionnels où la relation entre la réponse sismique et la qualité du réservoir est non linéaire et varie d'un bassin à l'autre. Les réseaux neuronaux convolutionnels (RNC), par exemple, peuvent saisir des corrélations spatiales dans les cubes sismiques 3D, tandis que les architectures récurrentes traitent des séquences temporelles à partir de profils sismiques verticaux ou de relevés en temps laps de temps. En formant des exemples marqués à partir de bûches de puits, de descriptions de base ou de sections sismiques interprétées manuellement, ces modèles peuvent généraliser des données invisibles, accélérer sensiblement les flux de travail d'interprétation.

Le changement de paradigme d'utilisation des données

Historiquement, l'interprétation sismique reposait sur des algorithmes fondés sur des règles et des heuristiques expertes. L'apprentissage profond retourne ce modèle : au lieu de dire à l'ordinateur à quoi ressemble une faille, nous lui montrons des milliers d'exemples de failles et nous laissons le réseau apprendre la signature statistique.Ce changement de paradigme a été rendu possible par la disponibilité de grands ensembles de données sismiques 3D étiquetés à partir de bassins matures et par des progrès dans le calcul GPU qui rendent la formation de réseaux profonds réalisable.

Architectures d'apprentissage profond de base pour les données sismiques

Plusieurs architectures réseau neuronales se sont révélées efficaces pour différents aspects de l'interprétation des données sismiques. La sélection dépend de la nature de la tâche et de la dimensionnalité de l'entrée.

Réseaux neuronaux convolutionnels (RCN)

Les CNN sont le moteur de la reconnaissance spatiale des motifs dans les images sismiques. Sous forme 2D, ils peuvent être appliqués à des tranches verticales ou à des tranches temporelles; sous forme 3D (3D CNN), ils analysent des patchs volumétriques complets. Les CNN utilisent des noyaux convolutionnels qui glissent à travers l'entrée, apprennent des filtres hiérarchiques — des bords simples aux motifs texturaux complexes. Les applications dans l'exploration non conventionnelle comprennent la détection automatique des défauts à partir d'attributs sismiques, la segmentation du corps du sel et le suivi des horizons.

Réseaux neuronaux récurrents (RNN) et modèles temporels

Pour les données séquentielles, comme les formes d'onde verticales de profil sismique (VSP), les différences sismiques dues au temps (D) ou les courbes bien ordonnées de log, les RNN et leurs variantes fermées (LSTM, GRU) sont plus appropriées. Les RNN conservent un état caché qui capture les dépendances temporelles, les rendant utiles pour prédire les lithofasies à partir de traces sismiques où chaque échantillon de profondeur est corrélé avec ses voisins.

Codeurs automatiques pour dénoisement et extraction de caractéristiques

Les auto-encodeurs sont des réseaux non supervisés ou auto-supervisés qui apprennent à reconstruire leur entrée après avoir traversé une couche de goulot d'étranglement. Cela force le réseau à identifier les caractéristiques les plus importantes des données. Dans le traitement sismique, les auto-encodeurs dénoueurs peuvent éliminer le bruit aléatoire et cohérent (p. ex., rouleau de terre, multiples) sans perdre les événements de réflexion subtile. Les auto-encodeurs variables (VAE) ont également été utilisés pour la classification des faciès sismiques en apprenant une représentation latente basse dimensionnelle qui se regroupe naturellement en types de faciès.

Réseaux d'adversaires (RAG)

Les GAN sont un réseau de générateurs qui crée des données synthétiques et un discriminateur qui tente de distinguer le réel des faux. Dans l'interprétation sismique, les GAN sont utilisés pour l'augmentation des données - générant des patchs sismiques synthétiques réalistes avec des étiquettes connues pour compléter des ensembles de données d'entraînement limités. Ils peuvent également effectuer l'adaptation de domaines, traduisant les volumes sismiques acquis avec différents paramètres d'acquisition en un domaine commun.

Principales applications dans l'exploration non conventionnelle

L'apprentissage profond est utilisé dans l'ensemble du flux de travail d'exploration non conventionnel, du dépistage du bassin à l'optimisation des résultats. Les sections suivantes décrivent les applications les plus efficaces.

Détection des défaillances et des fractures

Les modèles d'apprentissage en profondeur peuvent détecter à la fois les grandes zones de faille et les réseaux de fracture subtiles à partir des attributs sismiques. Les CNN formés sur des étiquettes de failles piquées à la main ont obtenu une intersection moyenne sur l'union (IoU) de plus de 0,85 sur des relevés sismiques de référence. Sur des volumes 3D couvrant 200 km2, un réseau formé peut générer un volume de probabilité de défaillance en heures qui prendrait des semaines d'interprètes humains. Ces volumes sont ensuite utilisés pour identifier des zones de fracturation intense pour un atterrissage horizontal et pour évaluer la compartimentalisation qui pourrait affecter les schémas de drainage.

Classification des lithofacies et prévision des propriétés rocheuses

Les réservoirs non conventionnels sont souvent constitués de schistes, de carbonates et de silicates hétérogènes. L'apprentissage profond peut classer les faciès sismiques en unités lithologiques (p. ex., schistes riches en matières organiques, chaînes de carbonate, couches de bentonite) en apprenant les patrons des puits qui ont été corrélés aux sismologiques. Une approche typique utilise un NNC 3D qui prend un cube sismique multi-attributs (P-impédance, S-impédance, densité, rapport Vp/Vs) et prédit les faciès à chaque voxel. Une fois entraîné, le modèle produit des volumes de faciès 3D qui aident à définir le cadre stratigraphique pour les zones d'atterrissage.

Interprétation Horizon et Géométrie du sel

Les méthodes d'auto-suivi d'apprentissage profond utilisent les NNC pour suivre les réflecteurs sismiques en apprenant la plongée locale et la continuité latérale à partir de quelques points de graine. Ces algorithmes sont robustes au bruit et peuvent extrapoler avec confiance entre les lacunes. De même, l'interprétation du corps de sel, importante pour comprendre la géométrie du bassin, a été automatisée à l'aide d'architectures de style U-Net qui produisent des masques de segmentation haute résolution.

Identification des zones d'atterrissage et d'atterrissage des zones d'eau douce

L'identification de la zone à haut potentiel d'hydrocarbures exige l'intégration de multiples paramètres géophysiques et pétrophysiques. Les modèles d'apprentissage profond peuvent fusionner des attributs sismiques, des propriétés rocheuses inversées et des données de log pour produire un seul volume composite d'indice de risque. Par exemple, un réseau entièrement connecté pourrait prendre comme entrée un ensemble d'attributs d'horizon (épaisseur, COT dérivé de la sismique, fragilité, porosité) et produire une probabilité de productivité élevée.

Préparation des données, stratégies de formation et pièges

Pour les jeux non conventionnels, où les données de base peuvent être limitées, les praticiens adoptent souvent des approches semi-supervisées : former un réseau initial sur un petit ensemble de données étiqueté, puis l'utiliser pour générer des pseudo-étiquettes sur une zone plus large, et affiner de façon itérative. L'apprentissage du transfert est également courant; un CNN pré-entraînement sur un grand ensemble de données sismiques publiques (p. ex., le bloc F3 des Pays-Bas) peut être affiné sur un petit sondage exclusif avec un nombre de 10 sections étiquetées.

Étiquetage et contrôle de la qualité

Pour la détection des failles, les interprètes choisissent généralement les failles sur les vues transversales et sur les slices temporelles; ces sélections sont ensuite volumétriques en étiquettes binaires. Le biais d'interprète est un véritable problème: les géoscientifiques peuvent délimiter les failles différemment. Pour atténuer cette situation, on utilise des étiquettes consensuelles multi-interprètes et on forme les modèles à prédire les probabilités plutôt que les limites dures.

Validation et quantification de l'incertitude

Comme les voxels voisins dans les cubes sismiques sont fortement corrélés, les scissions aléatoires des essais de train peuvent entraîner une fuite des données, le modèle semble bien fonctionner parce qu'il voit des patchs similaires dans les deux ensembles. La validation adéquate nécessite une division par région de puits ou d'espace, comme l'abandon d'un cube 3D entier pour tester la généralisation. Monte Carlo abandon et méthodes d'ensemble sont utilisés pour estimer l'incertitude de prédiction, qui est critique pour les décisions basées sur le risque.

Défis propres à l'exploration des ressources non conventionnelles

Malgré les succès obtenus, l'adoption de techniques d'apprentissage profond dans les pièces non conventionnelles est un obstacle. L'un des principaux défis est la rareté des données marquées : de nombreux bassins non conventionnels n'ont que quelques puits d'étalonnage, chacun avec des données de base et de log limitées. Le transfert de connaissances provenant de milieux conventionnels peut ne pas fonctionner bien parce que le caractère sismique diffère.

Le coût de calcul demeure une barrière pratique. La formation d'un CNN 3D sur un sondage de 500 km3 peut prendre des jours sur un cluster multi-GPU, et l'inférence sur le volume complet nécessite également des ressources importantes. Le Cloud computing a rendu ce dernier plus accessible, mais les petits opérateurs peuvent lutter.

Intégration des contraintes physiques

L'apprentissage approfondi, purement fondé sur les données, peut produire des résultats géologiques irréalistes, par exemple en prédisant une faille traversant une couche stratigraphique qui devrait être continue. L'incorporation de contraintes physiques dans l'architecture du réseau ou la fonction de perte est un domaine de recherche actif.Les réseaux neuronaux (RIN) éclairés par la physique ajoutent des termes de régularisation qui pénalisent les violations de la physique connue (p. ex., équations de propagation des vagues, relations de physique des roches).

Perspectives d'avenir : Traitement en temps réel et intégration multiphysique

La prochaine frontière pour l'apprentissage profond en interprétation sismique est le traitement en temps réel pendant l'acquisition. Les appareils de calcul à bord avec accélérateurs de réseau neuronal de faible puissance pourraient effectuer la détection automatique des défauts et le contrôle de la qualité à mesure que le navire sismique ou l'équipage terrestre acquiert des données, permettant la réacquisition immédiate de lignes de mauvaise qualité.

Une autre orientation prometteuse est la fusion des données sismiques avec d'autres données géophysiques et techniques — surveillance microsismique, pressions de puits, taux de production — dans un modèle d'apprentissage approfondi unifié qui prédit l'efficacité des résultats. Des recherches précoces dans les réseaux neuronaux --multiphysiques montrent que la combinaison des attributs sismiques et microsismiques améliore la prédiction du volume de roche stimulée (VRS) de 40% par rapport à l'utilisation de l'un ou l'autre type de données.

Pour de plus amples informations sur des méthodologies spécifiques, la Society of Exploration Geophysicists (SEG) a publié des études de cas détaillées dans sa revue Interprétation], y compris des ensembles de données d'apprentissage approfondi pour la détection des failles. Le projet SismicAI fournit des outils libres pour l'application des CNN aux données sismiques. De plus, une étude exhaustive réalisée par Zhao et al. (2019) couvre l'évolution de l'apprentissage automatique en interprétation sismique, et le U.S. Department of Energy maintient des ressources sur les technologies de pointe pour l'exploration des ressources non conventionnelles.

Conclusion

Les algorithmes d'apprentissage approfondi ont fondamentalement modifié l'interprétation sismique pour l'exploration des ressources non conventionnelles. En automatisant la détection des failles, la classification des faciès et la prédiction des propriétés, ils permettent aux explorateurs de traiter les volumes sismiques à l'échelle du bassin avec objectivité et rapidité. La clé du succès réside dans l'étiquetage prudent des données, la sélection appropriée des modèles et les stratégies de validation qui tiennent compte de la corrélation spatiale.