| Attributes | Values |
|---|
| type
| |
| Thesis advisor
| |
| Author
| |
| dc:subject
| - Réseaux de neurones
- Thèses et écrits académiques
- Réseaux neuronaux (informatique)
- Interprétation
- Inversion
- Modèles en géologie
- Inversion (géophysique)
- Prospection géophysique -- Modèles mathématiques
- Géomodélisation
- Réservoirs d'hydrocarbures -- Propriétés mécaniques
- Sismique
- Caractérisation réservoir
|
| preferred label
| - Caractérisation des réservoirs pétroliers par les données sismiques avec l'aide de la géomodélisation
|
| Language
| |
| Subject
| |
| dc:title
| - Caractérisation des réservoirs pétroliers par les données sismiques avec l'aide de la géomodélisation
|
| Degree granting institution
| |
| note
| - La caractérisation sismique des réservoirs pétroliers nécessite l'intégration de plusieurs techniques (lithosismique, géomodélisation, géostatistique et pétrophysique). L'information sismique est d'abord utilisée pour décrire la structure des réservoirs car son utilisation pour la description des faciès ne se fait pas sans difficultés. L'objectif de cette thèse est d'apporter des outils nouveaux basés sur l'utilisation de l'information sismique pour caractériser les réservoirs. Un premier travail a consisté à évaluer l'impact des incertitudes structurales et leurs conséquences en terme de classification de faciès. Ensuite, nous considérons la modélisation sismique comme aide à l'évaluation du modèle réservoir pour faire le lien entre les simulateurs et la réponse sismique du réservoir. Nous développons ensuite deux approches alternatives aux méthodes traditionnelles en caractérisation réservoir. La première utilise les déformations graduelles pour créer des réalisations de propriétés réservoirs. Ces propriétés sont à l'échelle réservoir, conditionnées aux puits, et respectent une fonction coût basée sur la comparaison des données sismiques réelles et synthétiques. La seconde méthode repose sur la classification supervisée par réseaux de neurones pour analyser la forme des traces sismiques. Une première étape consiste à générer tous les modèles pétrophysiques envisageables et à les analyser par réseaux de neurones. Les neurones ainsi identifiés sont appliqués aux données réelles, pour trouver des relations pétrophysiques/sismiques identiques aux données d'apprentissage. Tous les travaux sont validés sur des champs réels, choisis pour leurs particularités géologiques (lithologie du réservoir, complexité structurale).
- Seismic characterization of hydrocarbon reservoirs is based on various techniques : lithoseismic, geomodeling, geostatistics, evolutionary algorithms, and petrophysics. Seismic information is first used for the description of the reservoir structure, but then its relationship with facies description is a dificult task. The aim of this thesis is to develop new tools for seismic reservoir characterization. A first work has consisted in evaluating the impact of structural uncertainties on petroelastic inversion and its consequences in terms of facies classification. Then, we consider seismic modelling as an aid to reservoir model evaluation. This modeling step will make the connection between the reservoir simulators (or geomodelers) and the seismic response of the reservoir. Then we develop two alternative approaches for petroelastic and petrophysical inversion. The first one uses the gradual deformation method to generate reservoir property realizations. This method generates properties at the reservoir scale, conditioned by the wells, while respecting a cost function based on the comparison of actual and synthetic seismic data. The second method is based on supervised classification principle and uses neural networks to analyze the waveform of seismic traces. A first step is to generate a volume containing all possible petrophysical models for the concerned field. These models are analyzed by the neural networks. The neurons identified are applied on the actual data to recognize similar etrophysical/seismic relationships. All methods are tested and validated on actual reservoirs, chosen for their specific features (structural complexity, reservoir lithology).
|
| dc:type
| |
| http://iflastandar...bd/elements/P1001
| |
| rdaw:P10219
| |
| has content type
| |
| is primary topic
of | |
| is rdam:P30135
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
