Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

UNIVERSITÈ KASDI MARBEH OUARGLA FACULTÉ DES HYDROCARBURES DES ÉNERGIES RENOUVEL

UNIVERSITÈ KASDI MARBEH OUARGLA FACULTÉ DES HYDROCARBURES DES ÉNERGIES RENOUVELABLES ET DES SCIENCES DE LA TERRE ET DE L‘UNIVERS DÉPARTEMENT DE SCIENCES DE LA TERRE ET DE L‘UNIVERS MÉMOIRE Présenté pour l'obtention du diplôme de MAGISTER Spécialité : Géologie. Option : Géologie de Réservoirs. Présenté par : AMEUR ZAIMECHE Ouafi THÈME MODÉLISATION ET RECONSTITUTION DES FACIES NON CAROTTÉS A L’AIDE DES MÉTHODES STATISTIQUES MULTIVARIEES DU RÉSERVOIR TRIAS ARGILEUX GRESEUX INFERIEUR (TAGI) APPLICATION AU CHAMP DE SIF FATIMA BASSIN DE – BERKINE - Soutenu publiquement le : 25 / 09 / 2014. Devant le jury composé de. Mr. AISSANI Belkacem Maitre de Conférences UKM Ouargla Président Mr. ZEDDOURI Aziez Maitre de Conférences UKM Ouargla Directeur de Mémoire Mr. HACINI Messaoud Professeur Examinateur Mr. NEDZLI Imed Eddine Maitre de Conférences UKM Ouargla Examinateur UKM Ouargla Dédicace C’est avec toute mon affection que je dédie ce modeste travail : A celui qui m’a donné vie et qui m’as apporté sans cesseson amour, mon père. A ma très chère mère qui m’a apporté sans cesse amour, soutien et encouragement ; et qu’elle trouve ici l’expression de mes vives reconnaissances. Mon chère frère Fouzi et ma chère sœur Amani ma petite princesse. A ma grande mère et mon grand-père. A mon cousin Omar. A toutes les familles Ameur Zaimeche et Boutouga. A tous mes amis: Abdesselem, Nasro, Abderrahim, Kawa, Salaheddine, Sobhi, Nourddine, Hamza2, Mustapha, Walid2,Bilel2, Mohammed Zighad, Ahmed *Toche*,Khaoula, Sara, Narimane, Asma ,Fadila, Nacira, et à tous mes autres amis. Ameur Zaimeche Ouafi REMERCIEMENTS Nous remercions dans un premier temps, notre Créateur ALLAH qui nous a donné la puissance, la patience, la volonté et l'énergie pour terminer ce travail. Je tiens à remercier mon encadreur de mémoire, Mr. ZEDDOURI Aziez. Je le remercie de m’avoir proposé ce sujet, de m’avoir encadré et de m’avoir consacré une grande partie de son précieux temps pour la réalisation de ce travail. Merci pour vos orientations rigoureuses et vos conseils constructifs. Un grand merci aux membres de jury qui ont accepté d’examiner ce travail : Mr. AISSANI Belkacem qui m’a fait l’honneur de présider le jury de soutenance. Mr. HACINI Messaoud et Mr. NEDZLI Imed Eddine d’avoir accepté d’examiner ce travail. Je remercie vivement Mr. HEDDAM Salim, d’université de Skikda pour son aide depuis le commencement du mémoire, pour le soutien, et les orientations enrichissantes surtout dans la partie de programmation. Je tiens à remercier Mr. AMATA Ammar, mon frère et mon collègue qui m’a encouragé et m’a soutenu je ne peux jamais le remercier assez. Je ne peux pas oublier Mr KOUADRIA Tayeb mon ex-encadreur de l’ingéniorat, université d’Annaba qu’il trouve ici le témoignage de ma grande reconnaissance. Je tiens également à remercier, tous les enseignants qui ont participé à ma formation en post graduation, en particulier tous les enseignants de département des Science de la terre et de l’univers de l'Université d’Ouargla. Une «montagne» de merci pour Mr KECHICHED Rabah mon ami et mon frère, j’ai souvent voulu te remercier pour tout ce que tu avais fait pour moi sans jamais avoir trouvé les mots et le moment opportun pour le faire. Tu m’as transmis avec tant de générosité ta passion pour la géologie, et l’art de la recherche scientifique. Pour tout ça je te remercie de tout mon cœur. Je ne peux oublier mes frères BELKSIER Mohamed Salah, HADDANE Abdennour, REMITA Abdelatif, SATOUH Adel, BOUSELSAL Boualm, REMITA Abderraouf, FENAZI Bilel, qui font ma deuxième famille. Je voudrais vous remercier également pour m’avoir accueilli si souvent chez vous à bras ouvert et m’avoir si spontanément intégré «Albeer» dans l’équipe, je ne l’oublierai jamais. Je m’estime chanceux d’avoir eu l’occasion d’appartenir à l’équipe, dont l’excellente ambiance ne peut avoir d’égale. Nous remercions tous ce qui ont contribué de près ou de loin à l'élaboration de ce mémoire. RESUME La récupération des carottes n‘est pas toujours intégrale, à cause des problèmes techniques et géologiques rencontrés durant l‘opération du carottage, à cet effet notre travail fait l‘objet de pallier le manque des facies lithologiques (332.84 m représente la longueur des intervalles non carottés dans 5 puits) au niveau du réservoir du Trias Argileux Gréseux Inférieur (TAGI), bloc 402b, champ de Sif Fatima bassin de Berkine Algérie -. Deux méthodes de modélisations ont été appliquées sur les données diagraphiques (Gamma Ray, Densité, Potassium et Thorium) combinées à la description détaillée des carottes disponibles, pour reconstituer les faciès non-carottés afin d‘établir des logs lithologiques complets. La première méthode est basée sur la théorie de Réseau de Neurone Artificiel, qui a été inspirée de la biologie, à un modèle de perception multicouches avec une algorithme de (RETROPROPAGATION) à apprentissage supervisé, qui se compose d‘une couche d‘entrée porte 4 neurones qui sont les variables explicatifs (les données diagraphiques), et d‘une couche de sortie composée d‘un seule neurone qui est la variable à expliquer ( le Facies non carotté), et une seule couche cachée a une fonction de transfert sigmoïdale (TANSIG) de la couche d‘entrée vers la couche cachée, et une fonction linéaire (PURELIN) de la couche cachée vers la couche de sortie, et l‘algorithme d‘activation utilisé est de type (LEVENBERG-MARQUARDT). Le modèle a une tendance d‘amélioration et d‘adaptation interactivement à chaque fois on change le nombre de neurones dans la couche cachée, jusqu‘au ce que les indices de performances numériques (CC, RMSE, MAE, d) et graphique (la fonction coût) soient excellents dans toutes les phases de modélisation, alors on a pris le modèle a 4 neurones dans la couche cachée et de coefficient de corrélation CC de 0,87 pour l'apprentissage, 0,78 pour la validation et 0,92 pour le test. La deuxième méthode est une technique statistique dite Cluster Analysis qui débrouille le même problème de la non récupération des carottes que la première, mais elle repose sur une technique de calcul qui consiste à diviser un ensemble de données en différents paquets homogènes, dans le sens que les données de chaque sous-ensemble partagent des caractéristiques communes, et faire la déviation du log par facies, Puis on a calculé l‘erreur pour chaque facies, et attribué le facies ayant la valeur minimale des erreurs. Les résultats obtenus des deux méthodes ont été visualisés en logs, et une comparaison quantitative et qualitative a été effectuée. Elle a permis de constater globalement, une correspondance entre les facies des carottes avec celles de la prédiction, ceci avec une concordance des réponses des pics diagraphiques. La comparaison entre les deux méthodes montre que la première s‘avère plus performante que la deuxième, et on peut la généraliser sur d‘autres caractéristiques géologiques dans le développement du réservoir. Mots clés: Récupération des carottes, TAGI, Berkine, Modélisations, Diagraphie, Réseau de Neurone Artificiel, Cluster Analysis. ABSTRACT The recovery of cores is not always integral, because of the technical and geological problems encountered during coring operation, for this purpose our study is the object to restoration of the missing of the lithological facies (332.84 m are intervals not cored in 5 wells ) in the reservoir of Lower Triassic sandstone clay (TAGI), block 402b, field of Sif Fatima, basin of Berkine - Algeria - Two methods of modeling were used on the logging data (Gamma Ray, Density, Potassium and Thorium) combined with the detailed description of available cores, for rebuilding the not-cored facies in order to display a complete lithological log. The first method is based on the theory of Artificial Neural Network, which was inspired by biology, with a model of perception multi-layers with an algorithm of (RETRO PROPAGATION) with training supervised, which is composed of a layer of the input contain 4 neurons which are the target variables (logging data), and of a layer of exit made up of one alone neuron which is variable explained it (the Facies not cored), and one hidden layer has a transfer function sigmoidal (TANSIG) from input layer to hidden layer, and (PURELIN) function with from hidden layer to the output layer, and the algorithm of activation used is (LEVENBERG-MARQUARDT).The model has a tendency to improvement and adaptation each time we change the number neurons in the hidden layer, until indices of performance numerical (CC, RMSE, MAE, d) and graphical (cost function) will be excellent with all phases of modeling, then we took the best model had 4 neurons in the hidden layer and of coefficient of correlation CC of 0,87 for the training, 0,78 for the validation and 0,92 for the test. The second method is a statistical technique known as Cluster Analysis which address the same problem of no recovery of cores like the first, but it rests on a technique of calculation consists in dividing a whole of data into different homogeneous packages, in the sense that the data of each subset have common characteristics, and to make the deviation of the log by facies, Then one calculated the error for each facies, and attribute the facies having the minimal value of the errors. The results obtained of the two methods were visualized in logs, and a quantitative and qualitative comparison was made. It showed overall correspondence between facies cores with those of the prediction. uploads/Geographie/ modelisation-et-reconstitution-des-facies-non-carottes-a-l-x27-aide-des-methodes-statistiques-multivaries-reservoir-tagi.pdf