La caractérisation des réservoirs géologiques, thème historique de l’exploitation pétrolière, est aujourd’hui un socle d’intérêt pour des domaines applicatifs variés tels que le stockage de CO2 ou d’hydrogène, ou encore la géothermie. Ces dernières années, l’utilisation conjointe de l’imagerie 3D par microtomographie (ou micro-CT1) et de techniques de simulation avancées a permis l’émergence d’une approche digitale du calcul des propriétés pétrophysiques de roches de réservoir (Digital Rock Physics). Ceci représente un vrai complément voire, dans certains cas, une alternative aux mesures traditionnelles en laboratoire.
À cet effet, sur la ligne de lumière PSICHE du synchrotron SOLEIL, IFPEN a réalisé une campagne inédite d’acquisition d’images tomographiques sur une centaine échantillons de roche (de 1 cm de diamètre et 2 cm de long). La base de données d’images 3D ainsi générée, inédite mais très volumineuse2, a été exploitée pour la prédiction des propriétés pétrophysiques.
Usuellement, les méthodes numériques employées pour calculer les propriétés physiques à partir d’images 3D3 restent très coûteuses en temps et souvent limitées par la résolution de ces dernières. Pour ce travail, les chercheurs IFPEN ont déployé une méthode alternative basée sur l’apprentissage profond (Deep Learning), propre à exploiter pleinement le volume massif des données acquises [1]. Cette approche ambitieuse a permis de concilier la quantité considérable de données avec des architectures neuronales, reposant sur des réseaux convolutifs4 3D. Ceci a imposé l’utilisation de ressources de calcul parallèle importantes, de type processeur graphique5, accessible sur la machine Jean-Zay du GENCI.
Ces calculs ont mis en évidence une bonne performance de prédiction concernant la perméabilité des roches étudiées (figure), démontrant ainsi le potentiel des méthodes d’apprentissage profond en la matière.
Cliquer sur l'image pour l'agrandir
Pour autant il subsiste des questions portant sur la généralisation de la qualité de prédiction à d’autres roches et les travaux se poursuivent afin d’en conforter la pertinence pour cet usage.
Un premier axe de travail consiste à utiliser les méthodes d’apprentissage pour construire une cartographie, et par exemple déduire des propriétés d’intérêt, à l’échelle du pixel. On ambitionne ainsi de prédire des champs de vitesse en tous points des volumes pour permettre des calculs de perméabilité plus précis.
L’autre axe concerne l’utilisation d’architectures neuronales spécifiques pour améliorer la résolution des images acquises, verrou majeur pour la mise en œuvre des modèles d’apprentissage.
1- Micro Computed Tomography
2- 32 Go en mémoire pour chaque plug du fait d’une numérisation avec une résolution de 5,8 µm
3- Telles que la Modélisation de Réseaux de Pores (PNM) ou la Méthode de Lattice Boltzmann (LBM)
4- Réseaux neuronaux multicouches dont l’architecture des connexions est inspirée de celle du cortex visuel des mammifères
5- Graphic Processor Unit (GPU)
Publication :
[1] S. Youssef, G. Batot, F. Cokelaer, S. Desroziers et M. Feraille, On the Performance of Deep Learning Methods for Rock Property Prediction from 3D Micro-CT Images, en cours de rédaction
Contact scientifique : souhail.youssef@ifpen.fr
Vous serez aussi intéressé par
