Thèse soutenue

Caractérisation des réservoirs basée sur des textures des images scanners de carottes
FR
Accès à la thèse
Auteur / Autrice : Mohamed Soufiane Jouini
Direction : Mohamed Najim
Type : Thèse de doctorat
Discipline(s) : Sciences physiques et de l'Ingénieur
Date : Soutenance le 04/02/2009
Etablissement(s) : Bordeaux 1
Ecole(s) doctorale(s) : École doctorale des sciences physiques et de l’ingénieur (Talence, Gironde)
Jury : Président / Présidente : Georges Oppenheim
Examinateurs / Examinatrices : Yannick Berthoumieu, Noomane Keskes, Sébastien Guillon
Rapporteurs / Rapporteuses : Jean-Marc Chassery, Rémy Prost

Résumé

FR  |  
EN

Les carottes, extraites lors des forages de puits de pétrole, font partie des éléments les plus importants dans la chaîne de caractérisation de réservoir. L’acquisition de celles-ci à travers un scanner médical permet d’étudier de façon plus fine les variations des types de dépôts. Le but de cette thèse est d’établir les liens entre les imageries scanners 3D de carottes, et les différentes propriétés pétrophysiques et géologiques. Pour cela la phase de modélisation des images, et plus particulièrement des textures, est très importante et doit fournir des descripteurs extraits qui présentent un assez haut degrés de confiance. Une des solutions envisagée pour la recherche de descripteurs a été l’étude des méthodes paramétriques permettant de valider l’analyse faite sur les textures par un processus de synthèse. Bien que ceci ne représente pas une preuve pour un lien bijectif entre textures et paramètres, cela garantit cependant au moins une confiance en ces éléments. Dans cette thèse nous présentons des méthodes et algorithmes développés pour atteindre les objectifs suivants : 1. Mettre en évidence les zones d’homogénéités sur les zones carottées. Cela se fait de façon automatique à travers de la classification et de l’apprentissage basés sur les paramètres texturaux extraits. 2. Établir les liens existants entre images scanners et les propriétés pétrophysiques de la roche. Ceci se fait par prédiction de propriétés pétrophysiques basées sur l’apprentissage des textures et des calibrations grâce aux données réelles. .