See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/268804780

Modlisation et reconstitution des facies non

carotts laide des mthodes a base des Rseaux
de Neurones Artificiels et Cluster Analysis, cas du
rservoir Trias Argileux Grseux...
Conference Paper November 2014

CITATIONS

READS

432

5 authors, including:
Ameur Zaimeche Ouafi

Zeddouri Aziez

Universit Kasdi Merbah Ouargla

Universit Kasdi Merbah Ouargla

8 PUBLICATIONS 3 CITATIONS

7 PUBLICATIONS 2 CITATIONS

SEE PROFILE

SEE PROFILE

Salim Heddam

Rabah KECHICHED

University 20 Aot 1955 SKIKDA 21000

Universit Kasdi Merbah Ouargla

38 PUBLICATIONS 86 CITATIONS

13 PUBLICATIONS 3 CITATIONS

SEE PROFILE

All in-text references underlined in blue are linked to publications on ResearchGate,

letting you access and read them immediately.

SEE PROFILE

Available from: Ameur Zaimeche Ouafi

Retrieved on: 11 September 2016

1er Colloque International sur Hydrocarbures, Energies et Environnement (HCEE), Ouargla 23-24 Novembre 2014.

MODLISATION ET RECONSTITUTION DES FACIES NON CAROTTS A

LAIDE DES MTHODES A BASE DES RSEAUX DE NEURONES ARTIFICIELS ET
CLUSTER ANALYSIS, CAS DU RSERVOIR TRIAS ARGILEUX GRESEUX
INFERIEUR, CHAMP DE SIF FATIMA, BASSIN DE BERKINE, SUD DE LALGRIE

Ameur Zaimeche Ouafi (a, b), Zeddouri Aziez (a, b), Heddam Salim (c), Kechiched Rabah (a, b),
Belksier Mohamed Salah (a, b)
(a)

Universit Kasdi Merbah Ouargla, Facult des Hydrocarbures ; des Energies renouvelables et des Sciences de
la Terre et de lUnivers, Ouargla 30 000 Algrie.
E-mail: ouafigeology@gmail.com
(b)
Laboratoire des Rservoirs Souterrains Ptroliers, Gaziers et Aquifres, Universit Kasdi Merbah
Ouargla 30 000 Algrie.
(c)

Facult des Sciences, Dpartement des Sciences Agronomiques, Section Hydraulique Agricole
Universit 20 Aot 1955, Route EL HADAIK, BP 26, SKIKDA, Algrie.
E-mail: heddamsalim@yahoo.fr.

dcouverte durant des annes 1980 par la compagnie

National des Hydrocarbures SONATRACH et ses
partenaires [2]. Dans cette perspective, cette prsente
tude va aborder un sujet qui consiste exploiter les
donnes diagraphiques et de les coupler avec la
description des carottes. Lobjectif cibl repose sur
lutilisation de deux techniques de modlisation des facis
non-carotts, qui sont le rseau de neurone artificiel et
Cluster Analysis qui sont choisies pour complter les
informations gologiques qui manquent aprs la non
rcupration

Rsum La rcupration des carottes au

niveau des forages ptroliers nest pas toujours intgrale,
cause des problmes techniques et gologiques
rencontrs durant lopration du carottage. Notre travail
pour objet de pallier au manque des facies lithologiques
sur une longueur de 332.84 m reprsentant la longueur
totale des intervalles non carotts dans 5 puits, au niveau
du rservoir du Trias Argileux Grseux Infrieur (TAGI),
champ de Sif Fatima, bassin de Berkine, sud de lAlgrie.
Deux mthodes de modlisations ont t appliques sur
les donnes diagraphiques ; la premire base sur la
technique des Rseaux de Neurones Artificiels et la
deuxime est une technique statistique dite Cluster
Analysis. Pour le dveloppement et la validation des
modles, quatre variables ont t utilises comme entre
des modles (inputs), savoir ; la Gamma Ray, la
Densit, le Potassium et le Thorium. Ces derniers ont t
utiliss pour prdire et reconstituer les facis noncarotts, reprsentant la sortie des modles (output) [1].

II. MATERIEL ET METHODES

1. Prparation de la base de donnes
La prparation de la base de donnes est base sur le
codage des observations sur carottes en chiffres selon les
facies disponibles et le calage avec les diagraphies
suivant le mme pas dchantillonnage et qui est de
0,1524 m pour les intervalles carottes. Des codes ont
t attribus de 0 3, pour simplifier la nomenclature de
ces facies, on a labor une banque de donnes provenant
de la combinaison des digraphies nuclaires (Gamma
Ray, Thorium, Potassium, et Densit) avec la description
et le codage des facies [Argiles (0), Silts (1), Grs (2), et
Grs Argileux (3) dans les 5 puits (P_A, P_B, P_C, PD, P-E)] [3].

Mots cls: Rcupration des carottes, TAGI, Berkine,

Modlisations, Diagraphie, Rseaux de Neurones Artificiels,
Cluster Analysis.

I. INTRODUCTION

gisement de SIF Fatima qui appartient au Bloc

402b couvre une superficie de 103 Km2 se situe au
Nord-est du bassin de Berkine, environ 100 Km au sudouest du gisement d'El Borma. Ce bloc qui a t
E

1er Colloque International sur Hydrocarbures, Energies et Environnement (HCEE), Ouargla 23-24 Novembre 2014.

2. Les rseaux de neurones artificiels

b). Erreur Absolue Moyenne (MAE)

La premire mthode base sur la technique des

Rseaux de Neurones Artificiels, une technique inspire
de la fonction des neurones biologique. Les rseaux de
neurones constituent une famille de fonctions non
linaires paramtres, utilises dans de nombreux
domaines (physique, chimie, biologie, gologie, etc.),
notamment pour la modlisation de processus complexe.
Un type particulier de rseaux de neurones a t appliqu
dans le cadre de notre travail : Le perceptron multicouche
(MLPNN) [1].

MAE

1
Y Y
i 1 i obs i sim

(2)

Lorsque le MAE est proche de zro signifie que le modle

est trs bon.

c). Coefficient de Corrlation (CC)

CC

2.1. Elaboration du modle

1
Y obs Y sim Y obs Y sim
i
i
i
i

2 1 n
2
1 n
Y obs Y sim
Y obs Y sim
i
i
i
i
i 1
i 1

(3)
Un CC proche de 1 signifie que le modle est trs bon.

Le modle employ est de perception multicouches

avec une algorithme de (RETROPROPAGATION)
apprentissage supervis, qui se compose dune couche
dentre 4 neurones qui sont les variables explicatifs
(les donnes diagraphiques), et dune couche de sortie
compose dun seule neurone qui est le variable
expliquer ( le Facies non carott), et une seule couche
cache a une fonction de transfert sigmodale (TANSIG)
de la couche dentre vers la couche cache, et une
fonction linaire (PURELIN) de la couche cache vers la
couche de sortie, et lalgorithme dactivation utilis est de
(LEVENBERG-MARQUARDT). Le modle a une
tendance damlioration et dadaptation interactivement
chaque fois on change le nombre de neurones dans la
couche cache [1].

2.2.2. Les critres graphiques

Lanalyse graphique est indispensable et primordiale,
cela est obtenu en portant sur un graphique les valeurs
observes et celles calcules.la fonction cot (larrt
prcoce) pour viter le sur apprentissage [6].

2.3. Larchitecture du rseau de neurones

La couche dentre est constitue de quatre variables
qui sont les variables explicatifs (Gamma Ray, Thorium,
Potassium, et la Densit) et une seule couche cache,
constitue de 13 neurones. La couche de sortie est
constitue dun seul neurone qui prsente la variable
expliquer, qui est le facies non carott (Figure. 1).

2.2. Critres de validation

Une fois le modle construit se pose alors la question
s'il rend fidlement compte de l'chantillon. Pour cela, la
modlisation ncessite des critres de validation sur la
base desquels, le concepteur juge les performances finales
du modle qui sera retenu. Certains sont numriques et
d'autres graphiques [4,5].

non
carott

2.2.1. Les critres numriques

a). Erreur Quadratique Moyenne (RMSE)
RMSE

1 n
Y
)2
(Y
i
i
sim
N i 1 obs

(1)
Figure. 1 - Architecture du rseau de neurones labor.

Yiobs : Valeur observe. Yical : Valeur calcule par le

modle. N : le nombre de points. Quand le RMSE est

proche de zro signifie que le modle est trs.
2

1er Colloque International sur Hydrocarbures, Energies et Environnement (HCEE), Ouargla 23-24 Novembre 2014.

2.4. Amlioration des performances du rseau

3. M thode de classification Cluster Analysis

Des tentatives d'amliorations ont t ralises fois

chaque on ajoute un autre neurone dans la couche cache,
et on suit l'volution des performances du modle labor.
Les rsultats obtenus de calcul des indices de
performances numriques ont t prsentes dans le
tableau suivant (Tableau. 1). Et par la suite on va prendre
le modle qui donne des meilleurs indices de
performances.

La deuxime mthode est une technique statistique dite

Cluster Analysis qui dbrouille le mme problme de la
non rcupration des carottes que la premire, mais elle
repose sur une technique de calcul qui consiste diviser
un ensemble de donnes en diffrents paquets homognes,
dans le sens que les donnes de chaque sous-ensemble
partagent des caractristiques communes, et faire la
dviation du log par facies, Puis on calcule lerreur pour
chaque facies, et on attribue le facies ayant la valeur
minimale des erreurs [7].

Tableau. 1 : Les Performances du modle labor.

Nbr de
neurones
1
2
3
4
5
6
7
8

CC
0.84
0.46
0.84
0.87
0.84
0.83
0.84
0.85

Apprentissage
RMSE
0.52
0.87
0.52
0.48
0.54
0.55
0.53
0.51

MAE
0.28
0.75
0.30
0.27
0.37
0.31
0.32
0.30

CC
0.76
0.07
0.76
0.78
0.74
0.74
0.76
0.76

Validation
RMSE
0.57
0.91
0.58
0.55
0.60
0.59
0.58
0.58

Les meilleurs rsultats sont obtenus lajout de

quatre neurones dans la couche cache avec les indices
numriques : le coefficient de corrlation (CC) de 87 %
pour l'apprentissage, 78 % pour la validation et 92 %
pour le test. La performance graphique est prsente dans
la figure. (2) qui montre la fonction cot (larrt prcoce)
qui empche le sur-apprentissage (la divergence du
modle) le modle sarrte 15 itrations.

MAE
0.30
0.85
0.35
0.30
0.37
0.34
0.35
0.33

CC
0.86
0.12
0.86
0.92
0.85
0.84
0.86
0.88

Test
RMSE
0.50
0.97
0.51
0.39
0.55
0.55
0.51
0.47

MAE
0.27
0.91
0.30
0.23
0.40
0.33
0.31
0.29

III. RESULTATS ET DISCUSSIONS

Un seul puits (P_B) partiellement carott a t pris
comme exemple dans les 5 puits, pour la comparaison
qualitative et quantitative, des rsultats de deux mthodes
ont t prsents dans les figure (3, 4) et le Tableau. (2).
Aprs la visualisation et la quantification des logs, il
apparait clairement que les rseaux de neurones donnent
des meilleurs rsultats devant la mthode de Cluster
Analysis. Donc cette mthode savre trs performante et
on peut la gnraliser dans la reconstitution des
paramtres ptrophysiques (porosit et permabilit) et
avoir des logs quasiment continus, lintgration dautres
techniques et hybridations pour adapter des modles selon
les besoins lavenir.

Figure. 2 Diagramme de performance (Fonction cout).

3

1er Colloque International sur Hydrocarbures, Energies et Environnement (HCEE), Ouargla 23-24 Novembre 2014.

IV. CONCLUSION
L'application de ces mthodes, nous a permis de dfinir
332.84 m de facis lithologiques dans les puits non
carotts ou partiellement carotts. Ces mthodes ont t
davantages utiliss pour corriger les interfrences lies
la description macroscopique des carottes. En effet, les
gologues trouvent toujours, des difficults distinguer
entre les facies qui se rassemblent en aspect extrieur
(argile-silt et grs-grs argileux). Pour cela, les puits
carotts ont t galement fait lobjet dune prdiction.
Ceci a permis de mettre en vidence les niveaux de faibles
paisseurs qui prsentent de bonnes rponses avec les
paramtres diagraphiques.
Les rsultats obtenus ont t visualiss en logs, et une
comparaison quantitative et qualitative a t effectue.
Elle a permis de constater globalement, une
correspondance entre les facies des carottes avec celles de
la prdiction, Les mthodes de lintelligence artificielle
ont une relation troite avec la recherche et le
dveloppement dans le domaine ptrolier

REFERENCES
[1] Ameur Zaimeche, O. (2014). modlisation et reconstitution
des facies non carotts laide des mthodes statistiques
multivariees du rservoir trias argileux grseux inferieur
(TAGI) application au champ de sif fatima bassin de Berkine
-. Mmoire de magister, universit Kasdi Merbah, Ouargla.
119 pages.

Figure. 3 - Comparaison qualitatif entre les rsultats de

Rseaux de Neurones et Cluster Analysis
Tableau. 2 : Comparaison entre la carotte, Rseaux de
Neurones et Cluster Analysis.

[2] WEC (2007). Well Evaluation Conference.

[3] Ameur Zaimeche, O., Zeddouri, A., Kouadria,T., Kechiched,
R., Belaksier, M S. (2014). Use of Cluster Analysis method in
log's data processing: prediction and rebuilding of lithologic
facies. International Conference on Environmental Science and
Geoscience (ESG '14) Venice, Italy, March 1517, 2014 98
101.
[4] Willmott CJ (1981). On the validation of model. Phys Geogr
2:184194.
[5] Willmott CJ (1982). Some comments on the evaluation of
model performance. Bull Am Meteorol Soc 63:13091313.
[6] Morgan, N., Bourlard, H., (1990).Generalization and parameter
estimation in feedforward nets: some experments.pages 630637, 1990.
[7] Alizadeh, B., Najjari, S., Kadkhodaie-Ilkhchi, A. (2012).
Articial neural network modeling and cluster analysis for
organic facies and burial history estimation using well log data:
A case study of the South Pars Gas Field, Persian Gulf, Iran.
Computers & Geosciences 45 (2012) 261269.

Figure. 4 - Histogramme de Comparaison entre la carotte,

Rseaux de Neurones et Cluster Analysis.