Note: Descriptions are shown in the official language in which they were submitted.
' , CA 02290870 1999-11-26
1
METHODE POUR, iNTERPRETER DES CARACTERISTIQUES
PETROLIER,ES DE SEDIMENTS GEOLOGIQUES
L'un des objectifs de la géochimie organique en exploration pétrolière
consiste à caractériser la matière organique contenue dans les roches mères.
La
méthode de pyrolyse Rock-Eval (marque déposée par L'Institut français du
Pétrole) a été conçue pour répondre à ce besoin. Par cette méthode, on accède
à
un ensemble de mesures qui permettent d'estimer de manière satisfaisante le
potentiel pétrolier de la roche mère, les quantités d'hydrocarbures libres qui
s'y
trouvent, ainsi que le type et l'état de maturation de la matière organique.
La présente méthode comprend des étapes qui appliquent les techniques
d'intelligence computationnelle (IC), pour analyser automatiquement les
mesures données, notamment par la méthode de pyrolyse Rock-Eval. La
méthode développée permet de décrire de manière rapide et fiable les
principales caractéristiques de la matière organique contenue dans les roches
mères.
La méthode s'appuie sur l'intégration de deux techniques d'intelligence
computationnelle, qui sont les réseaux de neurones artificiels et les
ensembles
flous. L'adéquation de ces techniques pour l'interprétation des données de la
pyrolyse Rock-Eval a permis d'obtenir rapidement des diagnostics proches, et
dans certains cas, plus précis que ceux qu'établirait un expert humain.
L'utilisateur peut aussi accéder à des échantillons types proches de ceux
qu'il est en train d'étudier.
Dans une variante, la méthode d'analyse permet l'étude globale de
l'évolution de la matière organique tout au long des forages pétroliers. Au
cours
de cette analyse, le système calcule des relations corrélatives entre diverses
données géochimiques. Ces corrélations permettent à l'utilisateur de suivre la
CA 02290870 2004-11-24
2
transformation de la matière organique au cours du processus de maturation.
On peut traiter également le cas des forages qui renferment de la matière
organique très évoluée, et ceci dans le but d'estimer le potentiel pétrolier
initial
et les quantités d'hydrocarbures qui ont pu migrer lors de f évolution.
Ainsi, la présente invention concerne une méthode d'interprétation
automatique de mesures géochimiques obtenues par pyrolyse d'un échantillon
de roche afin d'obtenir une caractérisation de la matière organique contenue
dans (échantillon. Selon l'invention, on effectue les étapes suivantes
~ on utilise des échantillons de roches de caractéristiques pétrolières
connues pour effectuer au moins une phase d'apprentissage d'un
réseau de neurones artificiels,
~ on utilise le réseau de neurones pour obtenir les paramètres de
caractérisation de la matière organique d'un échantillon de roche,
~ on affine (interprétation des paramètres de caractérisation en sortie
du réseau en intégrant une composante floue comprenant une
opération de "fuzzyfication" des paramètres.
On peut caractériser la matière organique de (échantillon en déterminant
au moins le type et le degré de maturation de la matière organique, et le
potentiel pétrolier dérivés de fonctions de corrélation.
On peut analyser une série évoluée d'échantillons de roche prélevés au
cours d'un même forage dans le sol en effectuant les étapes complémentaires
~ à partir de la connaissance du type de matière organique contenue
. dans lesdits échantillons, on détermine la fonction de corrélation f
reliant (index d'hydrogène (IH) à Ia température maximale de
pyrolyse (qinax) pour la série de référence dudit type de matière
organique,
~ on détermine la fonction de corrélation g reliant l'index d'hydrogène
de ladite série évoluée à (index d'hydrogène de Ia série de référence,
~ on utilise g et f pour obtenir les valeurs de l'index d'hydrogène en
fonction de la profondeur,
~ on estime le potentiel pétrolier initial.
CA 02290870 1999-11-26
3
Les fonctions de corrélation peuvent être établies à l'aide de réseaux
neuronaux multicouches.
La pyrolyse Rock-Eval est une méthode rapide et peu coûteuse permettant
d'accéder aux caractéristiques de la matière organique. La méthode Rock-Eval
consiste à pyrolyser des échantillons de roche en les chauffant suivant un
programme de température bien déterminé. La pyrolyse des échantillons de
roches fournit un ensemble de paramètres qui sont utilisés pour caractériser
la
matière organique contenue dans les échantillons pyrolysés.
Les documents US-4153415, US-4352673 et US-4519983 illustrent la
méthode Rock-Eval et sont cités ici en référence. Le Chapitre IL2 "Screening
Techniques for Source Rock Evaluation" concernant "Rock-Eval Pyrolysis" par
J. Espitalié et M.L. Bordenave dans "Applied Petroleum Geochemistry", 1993,
Editions Technip, France peut également compléter la description.
On trouvera ci-après les définitions nécessaires à la compréhension des
méthodes selon l'invention.
Les hydrocarbures libres (SQ. S'l Sl
Les quantités d'hydrocarbures libres sont données par le paramètre Sl du
Rock-Eval. On peut distinguer les hydrocarbures sous forme gazeuse donnés par
le pic So, et les hydrocarbures sous forme d'huile, donnés par le pic S'1. Ces
deux
paramètres sont exprimés en milligramme d'hydrocarbure par gramme de
roche.
Le potentiel pétrolier (S~
Ce sont les composés hydrocarbonés issus du craquage du kérogène lors de
la pyrolyse. Ils représentent les quantités totales de composés hydrocarbonés
que le kérogène peut encore produire. Ces quantités sont données par le
paramètre SZ qui est exprimé en milligramme d'hydrocarbure par gramme de
roche.
Les composés oxygénés (S~
CA 02290870 1999-11-26
4
La quantité de C02 issue du craquage du kérogène est donnée par le pic S3
qui est exprimé en milligramme de C02 par gramme de roche.
Le carbone orque résiduel (S.)
Concrètement, c'est la quantité de C02 obtenue par oxydation de la
fraction de carbone résiduel.
Le carbone organique total (COT)
Au cours de la pyrolyse, le carbone organique représente 83% des
composés hydrocarbonés constituant S1 et S2. Le carbone organique total est la
somme du carbone organique pyrolysé et du carbone organique résiduel mesuré
après oxydation de l'échantillon.
La température maximale de pvro~se (T~
C'.est la température au sommet du pic S2. Les valeurs de T~ sont
généralement comprises entre 400 et 600°C, car c'est dans cet
intervalle qu'a
lieu la majeure partie de la pyrolyse.
L'index d'hrdroeène (IH)
A partir des paramètres décrits ci-dessus, on définit l'index d'hydrogène
qui est donné par le rapport S~/COT. L'index d'hydrogène est exprimé en
milligramme d'hydrocarbures par gramme de COT. Cet index est pertinent pour
la caractérisation de la matière organique, car il se corrèle assez bien avec
le
rapport atomique H/C. Néanmoins, plusieurs phénomènes géologiques peuvent
engendrer des perturbations sur les valeurs de l'IH de manière à rendre la
détermination du type de matière organique à partir de l'IH uniquement, peu
fiable.
L'index d'oxygène (IO)
C'est le rapport du COz (S3) au carbone organique total (COT). L'index
d'oxygène est donc exprimé en milligramme de COZ par gramme de COT. Cet
index est pertinent pour la caractérisation de la matière organique, car il se
corrèle assez bien avec le rapport atomique O/C.
L'index du carbone résiduel (ICR)
C'est le rapport du carbone résiduel (S4) au carbone organique total (COT).
L'index de production (IP)
CA 02290870 1999-11-26
L'index de production est défini par le rapport S1/(Si + . S2). Cet index
permet une appréciation relative des accumulations d'hydrocarbures dans la
roche.
5 Pour caractériser les roches mères, on retient trois critères : type de
matière organique, maturation de la matière ôrganique, potentiel pétrolier.
Type de matière org~que : on distingue trois types principaux de matière
organique:
~ les matières organiques de type I qui sont d'origine lacustre,
~ les matières organiques de type II qui sont d'origine marine,
~ les matières organiques de type III qui sont d'origine continentale.
La teneur en carbone organique n'est pas suffisante pour déterminer le
type de matière organique contenue dans les roches mères. Le type de matière
organique est un élément pertinent dans la caractérisation des roches mères,
car il permet d'estimer la productivité en hydrocarbures. En effet, à teneur
égale en carbone organique, les matières organiques d'origines différentes
n'auront pas la même productivité : les matières organiques de type I peuvent
donner jusqu'à 80% de leur poids en composés hydrocarbonés contre 50 à 60%
pour les types II et 15 à 30% pour les types III.
Signalons, par ailleurs, que des mélanges de matières organiques sont
possibles. On peut avoir des mélanges entre type I et type II, entre type I et
type III et entre type II et type III. Des mélanges entre types I, II et III à
la fois
sont, géologiquement, peu probables.
Maturation de la matière organique : la détermination du degré de
maturation de la matière organique constitue un élément pertinent dans la
caractérisation de cette dernière. Le degré de maturation de la matière
organique nous informe sur l'histoire thermique de la roche mère, et par
conséquent, permet de savoir si une quantité significative de pétrole a été ou
pourrait être encore produite.
CA 02290870 1999-11-26
6
Potentiel pétrolier : la qualité d'une roche mère dépend des quantités
d'hydrocarbures qu'elle est susceptible de produire. La qualité d'une roche
mère
peut donc être exprimée par son potentiel pétrolier (ou potentiel génétique).
On décrit maintenant la méthode qui, à partir de données Rock-Eval,
permet d'inférer un diagnostic informant sur le potentiel pétrolier des roches
mères, le type et la maturité de la matière organique qui s'y trouve et les
hydrocarbures libres qui s'y sont accumulés.
L'approche proposée comprend deux composantes principales : la première
composante utilise les techniques neuronales et la seconde composante s'appuie
sur les ensembles flous (figure 1 : RN = réseaux neuronaux ; FZ =
fuzzyfication ;
OF = opérateurs flous). La composante neuronale est constituée de deux
réseaux neuronaux permettant d'avoir une analyse primaire du type et de la
maturation de la matière organique. Cette première analyse est, par la suite,
affinée à l'aide de la composante floue.
Contrairement au type et à la maturité de la matière organique, le
potentiel pétrolier et les accumulations sont relativement plus simples à
caractériser. En effet, le potentiel pétrolier dépend des quantités de
composés
hydrocarbonés issus du craquage du kérogène, et les accumulations sont jugées
d'après les quantités d'hydrocarbures libres absolues et relatives. Notons
qu'il
est intéressant de distinguer les accumulations normales des accumulations
causées par une contamination de la roche par des hydrocarbures venus
d'ailleurs. Ces derniers éléments sont analysés à l'aide d'opérations sur des
ensembles flous, en vue de nuancer l'interprétation automatique des données
Rock-Eval.
La détermination du type et de la maturation de la matière organique
s'appuie essentiellement sur deux réseaux neuronaux. Les raisons qui ont guidé
le choix des réseaux de neurones sont les suivantes
CA 02290870 1999-11-26
7
- un problème de classement : la caractérisation du type de la
matière organique consiste à choisir un type parmi un certain nombre de types
prédéfinis. De même, pour la maturité où, globalement, on cherche à situer
l'état de maturité de la matière organique dans une zone parmi plusieurs zones
d'évolution prédéfinies. Dans les deux cas, on veut déterminer une catégorie à
laquelle appartient la matière organique. Il s'agit donc d'un problème de
classement, un type de problème pour lequel les réseaux neuronaux sont
particulièrement bien adaptés ;
- catégories mal définies : l'affectation d'un échantillon à une
catégorie ou une autre est effectuée sur la base de paramètres donnés par la
pyrolyse Rock-Eval. Les frontières qui séparent les différentes catégories ne
sont pas connues avec précision, c'est-à-dire qu'on ne sait pas définir les
limites
mathématiques qui permettent de séparer les catégories entre elles, en
fonction
des valeurs des paramètres Rock-Eval. D'ailleurs, les états de maturation
avancée, l'altération de la matière organique, les effets de matrice minérale,
et
la contamination de la matière organique viennent compliquer davantage la
tache de classification. En effet, ces phénomènes font que la pyrolyse d'un
échantillon d'une catégorie C donne des valeurs de paramètre Rock-Eval qui
sont très proches de ceux d'une autre catégorie C' distincte de C.
Forage SZ T~ COT IH
1 M 0.31 442 0.15 222
2 G 160 436 72.30 206
Tableau 1 : Données Rock-Eval de deux échantillons de types de matière
organique différents.
On considère, à titre d'exemple, les deux échantillons dont les paramètres
Rock-Eval sont donnés dans le tableau 1. On constate que ces échantillons ont
des valeurs de T~ et des index d'hydrogène assez proches. D'après les
diagrammes T,~ IH et IO-IH (figures 2 et 3) que l'expert utilise pour
CA 02290870 1999-11-26
8
déterminer « manuellement N le type de matière organique, le type II comme le
type III sont possibles. En effet, les valeurs des paramètres obtenus pour les
échantillons 1 et 2 (tableau 1) sont localisées, sur le diagramme Tm~ IH comme
sur le diagramme IO-IH, dans une zone où les types II et III sont possibles.
Or,
en réalité, les deux échantillons ont des origines différentes, car
l'échantillon 1
est d'origine marine (matière organique de type II) et l'échantillon 2
provient
d'une roche charbon, donc l'origine continentale (matière organique de type
III).
Pour arriver à distinguer ces deux échantillons, il suffit de prendre en
compte leur teneur en carbone organique, qui est sensiblement différente pour
les deux échantillons. Une valeur si forte de COT (?2,30%) est caractéristique
des charbons (type III).
Cet exemple montre bien que, pour obtenir une meilleure discrimination
entre les différents types de matière organique, il est avantageux d'intégrer,
dans un même processus d'interprétation, le plus de paramètres Rock-Eval
possible. Ceci peut être réalisé selon l'invention à l'aide de réseaux
neuronaux.
Les données Rock-Eval sont essentiellement numériques. L'utilisation
d'outils classiques d'intelligence artificielle, tels que les règles de
production ou
les arbres de décision, implique des comparaisons avec des valeurs numériques
particulières préalablement définies par l'expert. Ces valeurs limites, sont
figées, empiriques et subjectives, menant à des passages brusques entre les
différentes catégories de matières organiques, alors que les réseaux neuronaux
permettent de traiter les données numériques de manière plus nuancée, ce qui
permet de simuler des passages progressifs entre les différentes catégories.
Le diagramme de la figure 4 montre les différents stades d'évolution de la
matière organique pour chacun des types de matière organique (Im= zone
immature ; O = huile ; WG = gaz humide ; GS = gaz sec ; NT zone de non
existence de Tm"~). On constate que l'interprétation du paramètre T,~, qui est
considéré comme l'indicateur principal de la maturation, diffère selon le type
de
matière organique. L'utilisation du graphique de la figure 4 pour la
détermination de la maturité de la matière organique suppose que le type de
matière organique soit déjà connu.
CA 02290870 1999-11-26
9
Par ailleurs, les données Rock-Eval qu'utilise l'expert pour déterminer le
type de matière organique (notamment IH, IO et T~), sont interprétées
différemment selon que la matière organique est mature ou pas. Pour
diagnostiquer un type I, par exemple, l'expert exige un IH élevé (à partir de
750
mg d'HC/g de COT), s'il sait que l'échantillon est immature. Alors qu'il se
contenterait d'un IH de 500 mg d'HC/g de COT si l'échantillon est déjà dans la
fenêtre à huile.
Cette interdépendance de la maturation et du type de matière organique
rend difficile l'interprétation des paramètres Rock-Eval à l'aide de systèmes
de
production, car ces derniers sont fondamentalement séquentiels et donc
supposent la connaissance de l'un des éléments pour déterminer l'autre.
Pour développer et appliquer la présente méthode, on utilise une base
constituée d'exemples judicïeusement choisis.
La base d'exemples contient 320 échantillons choisis, avec précaution,
parmi les milliers d'échantillons dont on dispose. Une stratégie de choix est
nécessaire pour que les échantillons choisis soient représentatifs de la
population entière. La stratégie utilisée est la suivante. Tous les
échantillons
disponibles sont parcourus. Pour chaque échantillon, on recherche dans la base
d'exemples courante des échantillons qui sont, au plus, à une distance d
donnée
de l'échantillon courant. S'il n'existe pas plus de p échantillons, (p étant
un
facteur de densité donné), qui vérifient cette condition, l'échantillon
courant est
ajouté à la base d'exemples. La distance utilisée est définie plus loin.
Le tableau 3 montre la distribution des échantillons de la base d'exemples
sur les différentes catégories. Nous avons évité d'inclure dans la base les
échantillons dont l'expert n'est pas sûr du diagnostic. Ces échantillons sont,
souvent, ceux dont les paramètres Rock-Eval se situent à la frontière de deux
catégories différentes. Le classement de tels échantillons est laissée au gré
des
ajustements des poids du réseau effectués pendant la phase d'apprentissage.
CA 02290870 1999-11-26
Type Type Type
I II III
Immature 35 60 25
Fentre - 70 70
huile
Fentre - - 60
gaz
Tableau 3 . Distribution des échantillons de la base d'exemple sur les
différentes classes de matières organiques
Le développement de l'intelligence computationnelle, ou artificielle, a
5 permis de mettre en oeuvre une multitude de méthodes et de techniques
informatiques permettant de coder et de résoudre des problèmes issus de
domaines variés.
La méthode intègre ici deux outils distincts qui sont les réseaux de
neurones artificiels et les ensembles flous.
10 Il existe plusieurs modèles de réseaux qui sont plus ou moins appropriés
selon le type de problème à résoudre. Le modèle utilisé ici est le modèle
multi-
couches.
Comme son nom l'indique, un réseau mufti-couches est composé d'une
succession de couches de neurones (figure 5). La couche qui reçoit les données
du problème est appelée couche d'entrée CE. La couche qui fournit la réponse
du réseau est appelée couche de sortie CS. Les couches intermédiaires, si
elles
existent, sont appelées couches cachées CC. Chaque couche est liée à la couche
qui la précède par des connexions inter-neurones. A chaque connexion est
associé un poids.
Un réseau de neurones calcule ses sorties en propageant les activations de
ses neurones de la couche d'entrée vers la couche de sortie. Chaque neurone
commence par sommer les activations pondérées qu'il reçoit de la couche qui
précède la couche à laquelle il appartient. A la somme pondérée obtenue, le
neurone applique une fonction d'activation pour déterminer sa propre
activation. Il transmet, ensuite, cette activation aux neurones de la couche
suivante. La fonction d'activation la plus couramment utilisée est une
sigmoïde,
CA 02290870 1999-11-26
11
plus exactement la fonction logistique 1/(1+ez) où la variable x n'est autre
que la
somme pondérée des entrées du neurone.
Chaque couche contient un nombre prédéterminé de neurones. Le nombre
de neurones de la couche d'entrée et celui de la couche de sortie sont
déterminés
d'après le codage du problème. Le nombre de couches cachées ainsi que le
nombre de neurones dans chaque couche cachée est moins évident à déterminer.
Or, ces données sont très importantes, car la capacité du réseau à apprendre
et
à généraliser en dépend. Pour ce faire, on a utilisé une stratégie qui a
l'avantage
d'être sûre. Cette stratégie consiste à partir d'un nombre minimum de couches
cachées et de neurones par couche cachée, puis d'ajouter des couches et des
neurones supplémentaires, jusqu'à ce qu'on ne puisse plus améliorer la réponse
du réseau.
Le réseau apprend à résoudre les problèmes en question pendant une
phase dite d'apprentissage, et ceci en s'appuyant sur la base des exemples
déjà
résolus. Chaque exemple est défini par un vecteur de valeurs d'entrées et un
vecteur de valeurs de sorties. Le vecteur de sortie contient les valeurs que
l'on
souhaite obtenir en présentant au réseau le vecteur d'entrées associé. Un
réseau
mufti-couches implémente donc une fonction qui, pour un vecteur de valeurs en
entrée donné, associe un vecteur de valeurs de sorties.
L'ensemble des exemples est partagé entre exemples d'entraînement et
exemples de validation. Cette stratégie, appelée « stropped training », vise à
éviter que le réseau prenne des particularités qui sont propres~aux exemples
d'apprentissage pour de l'information pertinente. Ce qui risque de fausser
(interprétation de nouvelles données qui ne présentent pas forcément les
mêmes particularités.
La phase d'entraînement consiste à présenter au réseau les exemples
d'entraînement un par un. Le réseau calcule à chaque fois ses sorties. Comme
les poids des connexions sont initialisés de manière aléatoire, on n'aura pas,
dès
le premier coup, les valeurs de sortie que l'on souhaite avoir. Donc, pour
faire
converger les valeurs de sortie obtenues vers les valeurs de sortie désirées,
on
calcule (écart entre ces deux vecteurs de valeurs et on utilise cet écart pour
. CA 02290870 1999-11-26
12
modifier les poids des connexions. La modification des poids des connexions
est
effectuée dans le sens inverse de la propagation des activations pendant le
calcul des sorties du réseau, c'est-à-dire de la couche de sortie vers la
couche
d'entrée d'où le nom de l'algorithme d'apprentissage : rétropropagation du
gradient.
La phase de validation, qui suit chaque phase d'entraînement, consiste à
évaluer la réponse du réseau pour les exemples de validation, et ceci en
comparant les réponses du réseau aux sorties souhaitées pour les exemples de
validation. Les modifications introduites sur les poids des connexions pendant
la phase d'entraînement ne sont prises en compte que si la réponse du réseau
pour les exemples de validation est améliorée.
Les phases d'entraînement et de validation se succèdent jusqu'à ce que
(erreur obtenue sur les exemples de validation dépasse, d'un seuil prédéfini,
l'erreur obtenue sur les exemples d'entraînement, auquel cas l'algorithme
s'arrête.
La théorie des ensembles flous est une méthode mathématique qui
permet, entre autres, de pallier à l'inadéquation de la théorie des ensembles
classiques à décrire des classes imparfaitement définies. Dans le cas présent,
le
but qu'on veut atteindre par l'utilisation des ensembles flous est la
formalisation des connaissances de l'expert, c'est à dire des connaissances
qui
sont généralement empiriques et subjectives.
Soit un ensemble de référence (ou univers) U, on définit un ensemble flou
A dans U par la donnée d'une application uA de U dans l'intervalle réel [0,1].
A
tout élément x E U on associe une valeur uA(x) telle que : 0 < ~zA(x) < 1. uA
est
appelée fonction d'appartenance de l'ensemble flou A.
L'utilisation d'ensembles flous pour décrire des classes imparfaitement
définies conduit à combiner ces ensembles flous pour accéder aux notions
usuelles d'intersection, d'union, etc....
Ces combinaisons sont réalisées à l'aide de fonctions de [0,1] x [0,1] dans
[0,1], appelées norme et conorme triangulaires (ou t-norme et t-conorme).
CA 02290870 1999-11-26
13
Il existe plusieurs t-normes et t-conormes associées. Les plus simples et
les plus utilisées sont celles introduites par L. Zadeh (notées K min-max »)
et
celles introduites par Larsen (appelée aussi t-norme probabiliste). Ces t-
normes
et leurs t-conormes associées sont définies au tableau 4.
Nom t-norme t-conorme
Min-Max T(x,y) = min(x,y)1(x,y) = max(x,y)
ProbabilisteT(x,y) = x,y 1(x,y) = x+y-x,y
Tableau 4 : définitions des t-normes min-max et probabiliste et de leurs t-
conormes associées
La t-norme probabiliste a été préférée, car les ensembles flous à manipuler
sont définis à partir de résultats donnés par des réseaux de neurones multi-
couches. Or, les sorties des réseaux de neurones mufti-couches expriment des
probabilités d'appartenance. La t-norme probabiliste est donc plus appropriée
à
notre problème que la t-norme « min-max ».
Soit A et B deux ensembles flous qui ont pour fonctions d'appartenance ~A
et ~. La t-norme probabiliste et de sa t-conorme associée permettent de
définir
les fonctions d'appartenance des ensembles flous obtenus en appliquant les
opérateurs ensemblistes qu'on utilisera et qui sont les suivants
le complémentaire de (ensemble flou A, noté A , est défini par la fonction
d'appartenance ,u ~ ( x ) = 1- ~ A ( x ) .
L'intersection des ensembles flous A et B, notée A n B, est définie par la
fonction d'appartenance f~AnB(x)=,~a(x)~~a(x) .
La réunion des ensembles flous A et B, notée A u B, est définie par la
fonction d'appartenance ~A~B(x)=,uA(x)+~B(x)-,uA(x).,uB(x) .
La différence des ensembles flous A et B, notée A 8 B, est définie par la
fonction d'appartenance ~aee (x) = f~A(x).,uB (x) .
La différence symétrique des ensembles flous A et B, notée A ~ B = (A 8
B) u (B 8 A), est définie par la fonction d'appartenance
CA 02290870 1999-11-26
14
f~nea (x) _ ~(AAB~(BAA)
Les réseaux utilisés sont des réseaux multi-couches, et l'algorithme
d'apprentissage est celui de la rétropropagation du gradient stochastique.
Le type et la maturation de la matière organique sont analysés
séparément par deux réseaux neuronaux distincts appelés réseau des types et
réseau de maturation. On a opté pour des réseaux séparés pour des raisons de
modularité. En effet, des réseaux indépendants permettent, au cas où on
obtient
de mauvais diagnostics pour des données nouvelles, de modifier uniquement le
réseau qui est en cause.
Le réseau décrit ci-après permet de donner une première appréciation du
type de matière organique contenue dans une roche.
Afin de sélectionner les paramètres Rock-Eval qui sont pertinents pour la
détermination du type de matière organique, on peut retracer la démarche de
l'expert.
L'expert s'appuie essentiellement sur les diagrammes T~ IH et IO-IH
(figures 2 et 3). Etant donné les valeurs de T~, IH et IO, il forme les
coordonnées des points (T~, IH) et (IO, IH). Ensuite, il localise chacun de
ces
points sur le diagramme correspondant. Le type de matière organique est celui
auquel correspondent les zones dans lesquelles se trouvent les deux points.
Dans la plupart des cas, les deux diagrammes donnent le même diagnostic.
Mais pour certains cas limites, on peut avoir des réponses différentes. C'est
l'un
des inconvénients de cette méthode.
Sur ces deux diagrammes, on remarque des recouvrements entre les
différentes catégories. Le recouvrement peut être plus important en présence
d'altération de la matière organique ou d'un fort effet de matrice minérale.
En
effet, ces deux phénomènes entraînent une diminution de l'index d'hydrogène et
une augmentation de l'index d'oxygène. Ces perturbations donnent lieu à un
recouvrement plus important entre type I et type II, d'une part, et entre type
II
et le type III d'autre part.
CA 02290870 1999-11-26
Il faut signaler que les limites entre les différentes catégories sur les deux
diagrammes sont déterminées de manière empirique.
Des remarques précédentes, on conclut que les diagrammes Tm"~ IH et IO-
IH sont insuffisants pour déterminer de manière certaine et non ambiguë le
5 type de matière organique d'une roche mère.
Les remèdes proposés, par la présente méthode, pour obtenir une
meilleure discrimination entre les différents types de matière organique sont
les
suivants
~ une meilleure utilisation des données Rock-Eval ;
10 ~ une détermination des types de matière organique s'appuyant sur un
échantillonnage plus large donc plus représentatif ;
~ enfin, des diagnostics nuancés pour éviter les passages brusques entre les
différents types de matière organique.
15 Ces points sont réalisés en prenant les mesures suivantes
~ considérer plus de paramètres Rock-Eval comme entrées du réseau,
~ constituer une base d'exemples contenant des échantillons provenant de
plusieurs forages,
~ utiliser des sorties de réseau à valeurs réelles pour pouvoir simuler les
passages progressifs entre les différentes catégories.
Le réseau neuronal dédié à l'analyse du type de la matière organique
comporte trois couches. Une couche d'entrées comportant huit entrées. Chaque
entrée reçoit les valeurs d'un des huit paramètres Rock-Eval suivants : S2,
S3,
S,, TOC, T~, IH, IO et ICR. Une couche cachée comportant également huit
neurones. Le nombre de neurones de cette couche a été fixë en utilisant la
stratégie de l'optimisation de la réponse du réseau décrite ci-dessus. Enfin,
une
couche de sortie comportant trois neurones. Chacun de ces neurones est associé
à un des trois types de base (le type I; le type II et le type III). Les
sorties
prennent des valeurs réelles variant dans l'intervalle [0,1].
CA 02290870 1999-11-26
16
Quand un échantillon de la base d'exemple est identifié par l'expert
comme étant du type i, la ième sortie du réseau doit répondre par une
activation
maximale, alors que les deux autres neurones doivent répondre par des
activations proches de zéro.
Cette première analyse des types de matière organique sera validée et
affinée à l'aide d'opérations sur des ensembles flous.
Le paramètre principal pour l'estimation de la maturation de la matière
organique est la température maximale de pyrolyse (T~), car on observe une
augmentation des valeurs de T~ lorsque l'état d'évolution des matières
organiques avance. D'autres indicateurs peuvent également nous renseigner sur
l'état de maturité des matières organiques. L'index d'hydrogène, l'index
d'oxygène et l'index du carbone résiduel, constituent un supplément
d'information appréciable pour le diagnostic de la maturation. En général, on
observe une diminution des deux premiers index et une augmentation du
dernier quand la matière organique évolue. Les quantités relatives et absolues
d'hydrocarbures libres (IP et Sl), peuvent également renseigner sur l'état de
maturation, puisque ces deux quantités augmentent en phase mature. En
incluant les paramètres TOC et S2 aux valeurs d'entrées du réseau dédié à
l'analyse de la maturation, on améliore le comportement du réseau en phase
d'apprentissage, (où nous observons une accélération de la convergence de
(algorithme d'apprentissage), ainsi qu'en phase d'exploitation, (où on obtient
une meilleure réponse du réseau se traduisant par des différences
d'activations
plus nettes entre les différents neurones de sortie). TOC et Sz sont donc
utilisés
comme entrées pour le réseau de maturation.
Comme pour (analyse du type de la matière organique, les résultats
donnés par le réseau dédié à l'analyse de la maturation seront affinés et
validés
à (aide d'opérations sur des ensembles flous.
Les sorties des deux réseaux de neurones ne permettent pas toujours de
déterminer sans ambiguïté la catégorie des échantillons. Ceci est
essentiellement dû à (existence de catégories mal définies comme, par exemple,
CA 02290870 1999-11-26
17
les mélanges de types de matière organique ou les états de maturation
intermédiaires.
Les interprétations les plus simples ont lieu quand un des neurones de
sortie des réseaux présente une activation nettement supérieure à celle des
autres neurones. Dans ce cas, il est possible de déterminer la catégorie de
l'échantillon comme étant celle qui est associée au neurone ayant la plus
forte
activation. Malheureusement, en pratique on n'obtient pas toujours de telles
activations. Si, par exemple, l'échantillon renferme un mélange de matières
organiques, nous obtenons, à la sortie du réseau permettant le diagnostic des
types, plusieurs neurones partiellement activées. Dans ce cas,
l'interprétation
est moins évidente que dans le cas précédent.
Le but de l'intégration d'une composante floue est de continuer à inférer
des diagnostics précis et sûrs même quand les réseaux de neurones fournissent
des réponses ambiguës. Pour atteindre cet objectif, la composante neuronale a
été renforcée par une composante floue. L'intérêt de cette composante floue se
résume par les points suivants
~ permettre d'interpréter les réponses des réseaux neuronaux quand ces
derniers échouent dans la restitution d'un diagnostic précis,
~ nuancer les diagnostics pour les rendre plus proches de la réalité,
~ exprimer les diagnostics dans un langage proche du langage naturel pour que
sa lecture soit facile même par un utilisateur non familier avec le Rock-Eval.
La première étape consiste à fuzzyfier les paramètres Rock-Eval ainsi que
les sorties des deux réseaux neuronaux. Ces fuzzyfications sont décrites ci
après. Les différents ensembles flous sont définis par l'expert, ce qui
introduit
inévitablement une part d'arbitraire dans la formalisation du problème.
Toutefois, les opérations floues qui seront effectuées par la suite sur ces
ensembles s'appuient sur de rigoureux fondements mathématiques, qui sont
ceux de la théorie des ensembles flous.
Pour les fonctions d'appartenance intervenant dans la définition des
ensembles flous, on a opté pour des fonctions trapézoïdales, car celles-ci
sont
faciles à manipuler. On note que les paramètres Rock-Eval ne sont pas
fuzzyfiés
, CA 02290870 1999-11-26
18
avant leur utilisation par les réseaux. Par contre, on leur applique les
fonctions
saturation.
L'évaluation du potentiel pétrolier et des accumulations d~ydrocarbures
est effectuée sans recours à des réseaux neuronaux. Ces éléments seront
décrits
dans le diagnostic final par des valeurs linguistiques telles que, bon,
mauvais,
fort, faible.....
Les paramètres Rock-Eval qui ont besoin d'être « fuzzyfiés » sont Sl, S2,
COT, IO et IP.
L'expert effectue des raisonnements par plages de valeurs, car les
connaissances dont il dispose sont incomplètes. Pour mimer ces raisonnements,
on a distingué trois plages de valeurs : les valeurs faibles, les valeurs
modérées
et les valeurs fortes. Ces plages de valeurs sont codées par des ensembles
flous.
Chaque paramètre Rock-Eval est décrit par trois ensembles flôus, chaque
ensemble flou code une plage de valeurs.
Les fonctions d'appartenance des neuf ensembles flous intervenant dans la
fuzzyflcation des paramètres S1, S2, COT, IO et IP sont montrées dans les
figures 6, 7 et 8 dans lesquelles f = faible, m = modéré et fo = fort.
Afin d'obtenir une interprétation fiable des résultats de la composante
neuronale, on procède tout d'abord à la fuzzyfication des sorties des deux
réseaux.
On rappelle que, théoriquement, l'activation d'un neurone de sortie
correspondant à une catégorie C exprime la probabilité que l'exemple présenté
au réseau appartienne à la catégorie C. Quand les activations de tous les
neurones de sortie sont inférieures à un certain seuil, ce qui veut dire qu'il
est
peu probable que l'échantillon appartienne à l'une des catégories recensées,
il
est prudent de s'abstenir de déduire un diagnostic qui pourrait s'avérer être
faux.
Le but de la fuzzyfication des sorties des réseaux est de considérer comme
nulles les activations trop faibles, et comme maximales les activations qui
sont
proches de l'activation maximale. Cette fuzzyfication s'appuie sur six
ensembles
flous : type I probable, type II probable et type III probable pour le réseau
dédié
CA 02290870 1999-11-26
19
à l'analyse des types de matière organique, et Immature, Fenêtre à huile et
Fenêtre à gaz, pour le réseau dédié à l'analyse de la maturité. La fonction
d'appartenance utilisée est la même pour les six ensembles (figure 9). Cette
fonction affecte un degré d'appartenance p. nul aux activations qui sont au-
dessous de 0.1, car on obtient assez souvent ce niveau d'activation (na) pour
des
exemples où le réseau est censé répondre par une activation nulle. Un degré
d'appartenance ~, égal à 1 est affecté aux activations qui dépassent 0.9.
Enfin,
des degrés d'appartenance proportionnels aux activations qui sont entre 0.1 et
0.9.
La deuxième fonction de la composante floue consiste à combiner les
différents ensembles flous obtenus pendant la phase de fuzzyfication pour
affiner les termes du diagnostic final et les rendre plus fiables.
A l'aide d'opérateurs flous, on affine davantage la caractérisation du type
et de la maturation de la matière organique en distinguant des catégories
intermédiaires telles que les mélanges de matières organiques, les matières
organiques altérées et celles ayant subi un fort effet de matrice minérale, ou
encore les zones de maturité intermédiaire.
Contrairement au type et à la maturation de la matière organique, le
potentiel pétrolier ainsi que les accumulations d'hydrocarbures sont
caractérisés
uniquement à l'aide d'opérateurs flous. Ces deux caractéristiques sont
quantitatives, il est possible, quand les valeurs des paramètres Rock-Eval
sont
limites, d'avoir recours à des concepts sémantiques flous tels que plutôt,
plus ou
moins...
Il faut noter aussi que dans le diagnostic final, le système signale à
l'utilisateur les roches mères charbon.
Les opérateurs de base choisis pour combiner les différents ensembles
flous, sont la t-norme probabiliste et sa t-conorme associée. On a préféré la
t-
norme probabiliste à celle définie par L. Zadeh (celle qui utilise les
fonctions
min et max), car la t-norme probabiliste combine les deux degrés
d'appartenance aux ensembles flous de départ, même si l'un des deux degrés est
plus faible que l'autre. Alors que la t-norme "min-max" ne mémorise que le
CA 02290870 1999-11-26
degré d'appartenance le plus faible pour la t-norme, et le plus fort pour la t-
conorme.
On rappelle qu'il existe trois types de bases de matière organique : le type
I, le type II et le type III, et que le réseau neuronal dédié à la
détermination du
5 type de matière organique comporte une sortie pour chaque type de base. La
fuzzyfication des trois sorties du réseau a donné les ensembles flous type I
probable, type II probable et type III probable.
La logique que l'on adopte pour définir les types de base s'appuie sur le
raisonnement suivant : le diagnostic d'un type i est d'autant plus probable
que
10 les deux autres le sont peu.
En dehors des types de base, il existe deux types intermédiaires qu'il
serait utile de distinguer à cause de leurs fréquences dans la nature. Ces
types
sont à mi-chemin entre les types I et les types II d'une part, et entre les
types II
et les types III d'autre part. On les note respectivement Z~pe I,II et type
II,III.
15 Leur codage est effectuê de manière à ce que le réseau des types réponde
par
des activations de 50% des deux neurones de sortie impliquées et par une
activation nulle de la troisième neurone. Par exemple pour le type I,II, les
neurones 1 et 2 sont activées à 50% et le neurone 3 affiche une activation
nulle.
Au sein de chaque type intermédiaire, on distingue trois sous-classes,
20 selon la cause géologique qui a fait que la matière organique en question
ne
pourrait pas être classée dans l'un des types de base. Ces sous-classes sont
les
matières organiques altérées, les matières organiques à fort effet de matrice
minérale et les mélanges de matières organiques.
Si la matière organique a subi une altération, il est important de la
détecter. En effet, l'altération entraîne une variation sensible des données
Rock-
Eval, notamment pour l'index d'oxygène et l'index d'hydrogène. En général,
l'altération de la matière organique entraîne une diminution de l'index
d'hydrogène et une augmentation de l'index d'oxygène. Or, ces deux index sont
pertinents pour la détermination du type de matière organique. Souvent, les
roches charbons de type III exhibent des valeurs d'index d'hydrogène qui sont
assez élevées pour être confondues avec des valeurs d'index d'hydrogène de
CA 02290870 1999-11-26
21
matière organique de type II altérée. En général, les type II et type III
d'une
part, et les type I et type II d'autre part, peuvent être confondus à cause de
l'altération.
En présence d'une altération, le réseau dédié à la détermination du type
de matière organique répond par une activation partielle de ses sorties. Pour
s'assurer que cette activation partielle n'est pas due à un mélange de
matières
organiques, on combine la réponse du réseau avec une évaluation de l'index
d'oxygène, qui est l'indicateur le plus révélateur de l'altération.
On introduit donc deux catégories secondaires pour le type de matière
organique qui sont : type I altéré et type II altéré.
La rétention de la matière organique par la matrice minérale a un effet
perturbateur sur les paramètres Rock-Eval. En effet, en cas de fort effet de
matrice minérale, les valeurs des index d'hydrogène sont sous-estimées alors
que les valeurs de T~ augmentent. Ceci, d'une part rend plus problématique la
détermination du type et de la maturation de la matière organique, et d'autre
part rend atypique l'évolution de la matière organique ; et c'est pour ce
dernier
point qu'il est utile de distinguer les matières à fort effet de matrice
minérale
du reste des matières organiques.
L'effet de rétention dû à la matrice minérale est d'autant plus fort que la
teneur de la roche mère en carbone organique est faible. La distinction de la
matière organique ayant subi un fort effet de matrice minérale des autres sous-
classes de matière organique intermédiaire (i.e. matière organique altérée et
mélange de matière organique), est effectuée sur la base de la teneur de la
roche
en carbone organique. Plus précisément, on convient d'identifier un fort effet
de
matrice minérale chaque fois que l'on est en présence d'un type intermédiaire
et
que la teneur en carbone organique est très faible.
En dehors des types de base, on peut avoir des mélanges de matières
organiques, notamment des mélanges entre types I et II d'une part, et des
mélanges entres types II et III d'autre part. Les mélanges de matière
organique
sont difficiles à diagnostiquer, même pour un expert. Quant à l'estimation des
proportions de matière organique de chaque type dans le mélange, elle est
CA 02290870 1999-11-26
22
pratiquement impossible. Le réseau neuronal dédié au diagnostic du type de
matière organique ne comporte que les sorties associées aux types de base. Les
mélanges de matières organiques seront donc détectés à partir de ces sorties.
Quand l'expert soupçonne la présence d'un mélange de matières
organiques, le réseau répond, en général, par une activation partielle de ses
sorties, comme dans le cas d'une altération ou d'un fort effet de matrice
minérale. On a convenu de diagnostiquer un mélange de matière organique
uniquement quand toutes les autres éventualités sont écartées.
On distingue trois zones principales de maturation. Ces trois zones seront
définies à l'aide des ensembles flous Probablement immature, Probablement
dans la fenêtre à huile et Probablement dans la fenêtre à gaz, obtenus par la
fuzzyfication des sorties du réseau dédié à l'analyse de la maturation.
On procède au même raisonnement qui a permis la caractérisation des
types de base. Il est d'autant plus probable qu'un échantillon donné soit dans
une zone de maturité donnée qu'il n'est que peu probable qu'il soit dans les
deux
autres zones.
Il existe deux zones intermédiaires de maturation qu'il est intéressant de
distinguer. La première zone se situe entre la zone immature et la zone à
huile,
et la seconde zone se situe entre la zone à huile et la zone à gaz. Ce sont,
respectivement, la zone de début de maturité et la zone des gaz humides.
Quand un échantillon se trouve dans une de ces deux zones
intermédiaires, le réseau dédié à l'analyse de la maturation répond par une
activation partielle des deux sorties impliquées.
Les ensembles flous Probablement immature, Probablement dans la
fenêtre à huile et Probablement dans la fenêtre_à_gaz obtenus par la- . .
fuzzyfication
des sorties du réseau dédié à l'analyse de la maturité constituent les briques
de
base à partir desquelles on définit les ensembles flous caractérisant ces
zones
intermédiaires.
Selon le critère du potentiel pétrolier, nous avons distingué trois
catégories de roches : les roches à faible potentiel pétrolier, les roches à
potentiel pétrolier modéré et les roches à fort potentiel pétrolier. Chacune
de ces
CA 02290870 1999-11-26
23
catégories est définie par un ensemble flou dont le calcul s'appuie sur la
fuzzyfication du paramètre S2.
Les différents niveaux de potentiel pétrolier sont définis comme suit
PP faible - SZ faible
PP modéré - Sz modéré
PP fort - S2 fort
L'utilisation de l'index de production pour le diagnostic de l'accumulation
présente deux inconvénients majeurs. Le premier inconvénient résulte du fait
qu'une partie souvent importante des hydrocarbures libres présents
initialement dans l'échantillon sont volatilisés avant que ce dernier ne passe
dans le pyrolyseur. Le second inconvénient provient de la définition
mathématique de l'index de production, car même pour des valeurs très faibles
de Sl, il est possible d'obtenir des rapports Sl/(Sl + SZ) relativement
importants,
sans qu'il n'y ait vraiment d'accumulation significative. Comme par exemple
pour Sl = 0.75 et SZ = 0.25, on obtient un index de production de 0.75 alors
qu'en
réalité la quantité d'hydrocarbures libres (donnée par la valeur de Sl) est
très
faible. Donc, l'indicateur absolu des accumulations (le paramètre S,) doit
être
pris en compte en même temps que fIP.
Nous distinguons trois degrés d'accumulations : les accumulations faibles,
les accumulations modérées et les accumulations fortes. Ces degrés
d'accumulations sont codés par des ensembles flous dont la définition repose
sur
la fuzzyfication du paramètre Sl et de l'index de production (IP).
Si un des indicateurs (Sl ou IP) est faible, l'accumulation sera faible. Si
par contre les deux indicateurs sont forts, (accumulation sera forte. Enfin,
si un
au moins des deux indicateurs est modéré et qu'aucun n'est faible,
l'accumulation sera considérée comme étant modérée.
Une accumulation d'hydrocarbures dans une roche est interprétée
différemment selon que l'échantillon est mature ou pas. En effet, considérons
un
échantillon immature dont les paramètres Rock-Eval révèlent une forte
accumulation, cette accumulation est anormale puisque l'échantillon est encore
immature et donc n'est pas censé contenir une quantité importante
CA 02290870 1999-11-26
24
d'hydrocarbures libres. Par contre, si l'échantillon est mature,
l'accumulation
est normale, étant donné qu'en phase mature la matière organique se
transforme en hydrocarbures libres. La présence d'hydrocarbures libres dans
des échantillons immatures peut être expliquée par une contamination de la
matière organique.
Pour détecter l'existence d'une contamination, nous introduisons deux
nouveaux ensembles flous . Non contaminé et Fortement contaminé. Ces
ensembles sont définis de la manière suivante : une accumulation faible ne
donne pas lieu à une contamination quelque soit la maturité. Une accumulation
forte est synonyme de contamination si l'échantillon est immature.
On peut également rechercher les cas similaires. Le but de la recherche de
cas similaires est de permettre à l'utilisateur de faire des rapprochements
entre
de nouveaux échantillons et des échantillons provenant de forages connus (ceux
de la base d'exemples). Ceci permet de donner plus de poids à une analyse ou,
au contraire, d'attirer l'attention de l'utilisateur sur la spécificité d'un
nouvel
échantillon. Ce dernier cas peut avoir lieu quand l'échantillon en question
présente des paramètres Rock-Eval qui outrepassent, pour certaines de leurs
valeurs, les limites préconisées par la base d'exemples.
Etant donné un nouvel échantillon qu'on veut analyser, on se propose de
rechercher dans la base d'exemples des échantillons de référence qui sont les
plus proches du nouvel échantillon. Les échantillons de référence que le
système
propose comme étant les plus semblables à l'échantillon en question, dépendent
du choix d'une fonction dite de similarité. La fonction de similarité que nous
utilisons implique les paramètres Rock-Eval principaux qui sont : COT, T~, IH,
IO et ICR.
Signalons que la fonction de similarité implique les valeurs extrémales
significatives et non pas les valeurs extrémales absolues, et qû on n'utilise
pas
directement les valeurs des paramètres Rock-Eval, mais plutôt leurs images par
les différentes fonctions de saturation.
CA 02290870 1999-11-26
Le rapport obtenu pour chaque paramètre est déduit de 1, car on cherche
un indice de similarité et non pas un indice de dissimilarité. Les valeurs
obtenues sont ensuite pondérées de manière à donner plus d'importance aux
paramètres les plus discriminants, dans notre cas : T~ et IH.
5
La méthode selon l'invention permet également l'étude globale de
l'évolution de la matière organique. En rassemblant les données Rock-Eval
relatives à des échantillons de roche prélevés dans un même forage, en plus de
la donnée des profondeurs auxquelles sont prélevés ces échantillons, on peut
10 suivre l'évolution de la matière organique tout au long du processus de
maturation.
On se propose de suivre l'évolution des séries géologiques en fonction de la
profondeur. L'indicateur d'évolution utilisé est l'index d'hydrogène.
Globalement, on distingue trois stades d'évolution. Un premier stade (Im) où
les
15 valeurs de fIH augmentent ou restent constantes, selon le type de matière
organique, un deuxième stade où les valeurs d'IH subissent une chute (O),
enfin, pendant le dernier stade, les valeurs d'IH se stabilisent (G). Ces
différents stades sont schématisés à la figure 10.
A partir de l'évolution des valeurs d'IH en fonction de la profondeur, on
20 déduit les taux de transformation de la matière organique qui peuvent être
utilisés dans l'exploration pétrolière.
L'objectif de l'étude de telles séries consiste à retrouver l'évolution
complète de séries pour lesquelles on ne dispose que de données relatives à un
stade d'évolution avancé. Cela permet d'estimer le taux de transformation de
la
25 matière organique en fonction de la profondeur. Ces taux permettent à leur
tour
de donner une estimation des hydrocarbures qui ont pu migrer lors de
l'évolution des roches mères.
On précise ci-après l'étude de séries géologiques. Par série géologique, on
entend un ensemble d'échantillons prélevés dans un même forage à des
profondeurs variables. L'objectif est le calcul des taux de transformation
pour
les séries géologiques évolutives et la reconstruction de l'évolution des
séries
CA 02290870 1999-11-26
26
géologiques dont on ne dispose que de données relatives à un stade d'évolution
avancé. Dans les deux cas, la méthode consiste à trouver des corrélations
entre
diverses données géochimiques. L'étude de l'évolution d'une série géologique
utilise les résultats de l'étude détaillée des échantillons exposée ci-dessus.
Les diverses corrélations nécessaires pour l'étude des séries géologiques
sont établies à l'aide de réseaux neuronaux. Les réseaux de neurones sont
choisis pour leur adéquation à manipuler des données imprécises et leur
capacité à marginaliser les données erronées. Ces atouts sont d'une grande
importance pour le traitement des données ROCK-EVAL. Notons que les
réseaux neuronaux sont ici utilisés comme approximateur de fonctions et non
pas comme système de classement, comme c'est le cas pour classer les séries
évolutives.
Etant données deux variables X et Y que l'on veut corréler à l'aide d'un
réseau neuronal, on appellera valeurs observées de Y les valeurs initiales de
la
variable Y et valeurs calculées de Y les valeurs données par le réseau comme
réponse aux valeurs de X. Corréler les valeurs d'une variable X avec ceux
d'une
variable Y revient donc à calculer une fonction Y~ = F(X).
Les réseaux neuronaux utilisés sont constitués de trois couches : une
couche d'entrée CE, une couche cachée CC, et une couche de sortie CS (figure
11). Une couche cachée CC est nécessaire, car sans couche cachée nous obtenons
des fonctions monotones, or les relations existant entre les données à
analyser
ne sont pas forcément monotones. Les couches d'entrée et de sortie contiennent
un seul neurone chacune, puisqu'on cherche des corrélations entre des séries
de
données unidimensionnelles, comme, par exemple, entre des profondeurs et des
index d'hydrogène. Le nombre de neurones dans la couche cachée a été fixé à
l'aide de la stratégie d'optimisation de la réponse du réseau décrite. Le
modèle
de réseau utilisé dans ce chapitre est schématisé par la figure 11. Tous les
neurones du modèle utilisent la fonction logistique comme fonction
d'activation,
sauf le neurone d'entrée qui propage les valeurs qû elle reçoit sans les
modifier.
Notons que, pour avoir des corrélations qui reflètent la réalité, il est
important d'avoir un grand nombre de données. En effet, la multitude des
données permet d'atténuer l'effet des erreurs qui entachent les données ROCK-
EVAL.
CA 02290870 1999-11-26
27
Par série complète, nous entendons une série d'échantillons prélevés
dans une zone immature aussi bien que dans une zone mature. Le but de l'étude
d'une telle série est le calcul du taux de transformation de la matière
organique
en fonction de la profondeur.
L'étude détaillée des échantillons qui composent la série géologique
étudiée permet de déterminer le type de matière organique qui domine la série.
Par ailleurs, les caractéristiques évolutives de la matière organique
diff'erent
selon l'origine de cette dernière. Pour obtenir des résultats significatifs,
l'étude
de l'évolution d'une série ne doit pas impliquer de la matière organique
provenant de diverses origines. Pour rendre homogène la série étudiée, les
échantillons atypiques sont écartés. Un échantillon est jugé atypique s'il
n'est
pas du type de la matière organique qui domine la série. Les échantillons
provenant de niveaux géologiques pour lesquels les effets de matrice minérale
ou ceux de l'altération sont importants, sont également écartés.
Corrélation Frofondeur/IH (profondeur Z) : la figure 12 montre, pour une
série d'échantillons du bassin de l'est de Paris (France), l'ensemble des
points
(IHobs) définis par les IH donnés par le pyrolyseur ROCK-EVAL et les
profondeurs Z auxquelles les échantillons ont été prélevés. Visiblement, la
corrélation entre la profondeur et l'index d'hydrogène n'est pas ëvidente à
trouver. Néanmoins, à l'aide de réseaux neuronaux, on obtient une corrélation
satisfaisante (figure 13a). On retrouve les trois stades d'évolution
caractérisant
la matière organique du type II, car la série en question est d'origine marine
une première phase pendant laquelle les valeurs de l'index d'hydrogène sont
pratiquement constantes. Cette phase correspond à la zone immature. Une
deuxième phase pendant laquelle. les valeurs des index d'hydrogène subissent
une chute, c'est la fenêtre à huile, enfïn une courte phase pendant laquelle
les
valeurs de l'index d'hydrogène se stabilisent de nouveau, c'est la fenêtre à
gaz.
Cette corrélation a été obtenue après 3000 itérations de l'algorithme
d'apprentissage sur 200 points (Profondeur-IH). La valeur de l'erreur
quadratique moyenne atteinte à la convergence de l'algorithme d'apprentissage
est 0.01.
Les valeurs d'IH calculées (IHcal) vont permettre d'avoir une estimation
du potentiel pétrolier initial (IHo), puis de calculer le taux de
transformation TF
correspondant à chaque profondeur.
CA 02290870 1999-11-26
28
Pour le calcul du taux de transformation, on utilise l'estimation proposée
par R.Pelet dans "Evaluation quantitative des produits formés lors de
l'évolution géochimique de la matière organique", Revue de l'Institut Français
du Pétrole, Vol. 40, 5,1985
TTP _ 1200(IHo- IHp)
IHo(1200 - IHp)
p étant la profondeur à laquelle l'échantillon a été prélevé.
On constate que cette expression nécessite la valeur du potentiel
pétrolier initial (IHo). La valeur de l'IHo est donnée par la valeur moyenne
de
l'index d'hydrogène calculé dans la zone immature. Une fois que l'IHo est
fixé, on
peut calculer le taux de transformation TF correspondant à chaque profondeur
Z. L'évolution du taux de transformation en fonction de la profondeur pour la
série du forage de l'est du bassin de Paris est montrée à la figure 13b.
Etude de séries très évoluées : le but est d'étudier des séries géologiques
se trouvant dans un stade de maturation avancée. Le problème qui se pose avec
de telles séries est que l'on ne dispose pas des données relatives à la zone
immature du forage.
L'étude des séries très évoluées est intéressante, car elle permet d'avoir
une estimation des quantités d'hydrocarbures qui ont pu migrer de la roche
mère au cours de l'évolution de la matière organique.
Par ailleurs, la méthode de caractérisation des roches décrite ci-dessus
permet de déterminer avec un degré de certitude satisfaisant l'origine de la
matière organique même si cette dernière se trouve dans un stade avancé de
maturation. Sachant l'origine de la matière organique que renferment les
échantillons de série très évoluée, on;se propose de comparer cette dernière
avec
une série de la même origine et pour laquelle on connaît l'évolution complète:
Il a été décrit comment une série géologique peut être caractérisée par
les profondeurs et les index d'hydrogène correspondants. Malheureusement,
deux séries qui ne proviennent pas du même bassin n'ont pas forcément les
mêmes données géologiques, et par conséquent, il serait hasardeux de comparer
leur évolution sur la base de la profondeur. Par contre, pour un type de
matière
organique donné, la température maximale de pyrolyse (T,~), constitue un
indicateur standard pour l'évolution, puisque le début de la zone à huile
ainsi
que celui de la zone à gaz sont localisés approximativement autour des mêmes
valeurs de T~, pour un même type de matière organique.
CA 02290870 1999-11-26
29
La méthode consiste à comparer la série très évoluée à une série type de
la même origine, à partir de la relation T~IH. Pour pouvoir effectuer cette
comparaison, plusieurs corrélations intermédiaires se sont avérées
nécessaires.
Les différentes étapes (figure 14a à 14e) de la démarche à suivre sont
décrites
ci-après.
Nous avons sélectionné trois séries évolutives pour servir de série type
(une série pour chaque type de matière organique). Ces séries proviennent de
la
série des Green River Shales du bassin de l'Utah (États Unis), pour le type I,
du
forage Melarchez de l'est du bassin de Paris pour le type II, et du forage
Gironville se trouvant également à l'est du bassin de Paris pour le type III.
La
variation de l'IH en fonction de T~ pour les deux dernières séries types est
montrée dans les figures 15 et 16.
Corrélation Profondeur/IH : cette corrélation a déjà été décrite. Son rôle
est de corriger les valeurs de l'index d'hydrogène IH observées en tenant
compte
de la profondeur Z (figure 14a).
Corrélation Profondeur/T~ . cette corrélation permet d'éviter les
irrégularités dans les valeurs de T~ qui peuvent être causées par une remontée
de la matière organique vers la surface, ou par des erreurs de mesures. Le
réseau neuronal utilisé est du modèle de la figure 11, sauf que la couche
cachée
ne contient qu'un seul neurone. Un seul neurone est suffisant pour le calcul
de
la présente corrélation, car la variation de T~ en fonction de la profondeur Z
est
quasiment linéaire pour tous les types de matière organique (figure 14b).
Corrélation T~ /IH : l'étape suivante (figure 14c), consiste à corréler les
valeurs calculées de Tm"~ et les valeurs calculées de l'IH obtenues à partir
des
deux corrélations précédentes. On signale que le calcul de la corrélation
T~/IH
pour une série très évoluée n'implique pas les valeurs de Tm~ correspondant à
la
zone immature, puisqu'on ne dispose pas de l'évolution type ET de la série
dans
cette zone.
Par ailleurs, en notant F la fonction résultant de la corrélation type T
/IH, F associe les valeurs de fIH type aux valeurs de Tm~ (figure 14d).
Corrélation IH/IH~ : les valeurs types de fIH données par la fonction F
sont mises en correspondance avec les valeurs d'IH calculées par la
corrélation
T,~ /IH de la série très évoluée. Cette correspondance est effectuée sur la
base
de valeurs égales de T
, CA 02290870 1999-11-26
r
En notant G la fonction qui associe les valeurs d'IH calculées aux valeurs
d'IH type, la fonction IH,~ = G (IH~) est illustrée à la figure 14d.
A l'aide des fonctions F et G, il est possible de calculer une estimation
des valeurs de l'IH correspondant aux T~ de la zone immature, valeurs dont on
5 ne disposait pas dans la série initiale. Soit t~ une valeur donnée de T
appartenant à la zone immature. Tout d'abord, on calcule l'image de t~ par la
fonction F. On obtient la valeur de fIH type correspondant à t~ : ih~~ = F(t~)
(figure 14e).
Ensuite, on calcule l'image de ih~ par la fonction G. La valeur GoF (t~)
10 obtenue est l'estimation de l'index d'hydrogène correspondant à la valeur
t~.
En calculant ainsi les valeurs de fIH pour toutes les valeurs de T~ de la zone
immature, on obtient une estimation de l'évolution complète de l'IH en
fonction
de T~ pour la série très évoluée.
15 Le calcul du taux de transformation TF, pour une série très évoluée, de
la matière organique en fonction de la profondeur n'est possible que si on
dispose de l'évolution de l'IH en fonction de la profondeur. Or, pour le
moment
on a reconstruit l'évolution de l'IH en fonction de T~. Pour retrouver
l'évolution
dont on a besoin (IH en fonction de la profondeur), on calcule, pour la série
très
20 évoluée, une corrélation qui donne la profondeur en fonction de T~ (figure
17a).
La corrélation T~Profondeur permet d'associer des profondeurs aux valeurs de
T~ correspondant à la zone immature, bien qu'elle ne soit calculée qu'à partir
de données issues de la zone mature. Une telle extrapolation est acceptable,
grâce à la quasi-linéarité de la variation de T~ en fonction de la profondeur.
25 De l'évolution complète de fIH en fonction de T~ et de la corrélation
T~/Profondeur, on déduit l'évolution de fIH en fonction de la profondeur, pour
ceci il suffit de mettre en correspondance les profondeurs et les valeurs d'IH
qui
sont associées à la même valeur de T~ (figures 17b et 1?c).
Une fois l'évolution de l'IH en fonction de la profondeur calculée, on peut
30 estimer le potentiel pétrolier initial par la valeur moyenne de l'index
d'hydrogène calculé et procéder au calcul du taux de transformation TF (figure
17d).
Exemple d'application
CA 02290870 1999-11-26
31
Etude d'une série évolutive de type III : On considère la série géologique
composée des échantillons du forage Gironville du Lias du bassin de Paris
(France). Ce forage a été effectué dans une roche charbon renfermant de la
matière organique se trouvant dans divers stades de maturité. La distribution
des échantillons selon le type et la maturité de la matière organique est
donnée
à la figure 18.
Après l'élimination des échantillons atypiques, le système établi
l'évolution de l'IH en fonction de la profondeur (voir figure 19a). Par la
suite, la
variation du taux de transformation TF en fonction de la profondeur Z est
déduite de l'évolution précédente (figure 19b).
Etude d'une série très évoluée
On reprend la série qu'on a utilisée précédemment (forage Balazucl du
bassin du sud-est de la France). Rappelons que dans cette série, les
échantillons
ont été prélevés dans une zone mature (dans la fenêtre à huile), ou très
mature
(dans la fenêtre à gaz). Pour retrouver l'évolution de la série dans la zone
immature ainsi que dans la zone de début de maturité, on suit la démarche
décrite plus haut.
On commence donc par établir les corrélations Profondeur/T~ et
Profondeur/IH (figures 20a et 20b). Une fois les valeurs de T~ et les valeurs
de
fIH corrigées, on les met en correspondance. On obtient la corrélation T~/IH
de
la figure 21a. Notons que seule la zone mature est impliquée dans cette
corrélation (i.e., la zone pour laquelle on dispose de données).
L'étape suivante consiste à considérer une série type ET provenant de la
même origine que la série Balazucl (origine marine), en vue de compléter
l'évolution de la série Balazucl dans la zone immature ainsi que dans la zone
de
début de maturité. En suivant l'étape décrite, on obtient l'évolution complète
EB
de la série Balazucl (voir figure 21b).
Enfin, en vue d'estimer les taux de transformation de la matière organique
en fonction de la profondeur, on établit la variation de l'IH en fonction de
la
profondeur, en suivant la démarche ci-dessus.
Afin de montrer plus clairement les avantages de la présente invention, on
décrit ensuite une étude détaillée d'un forage pétrolier qui a été effectué
dans le
CA 02290870 1999-11-26
32
bassin SM, aux Etats-Unis. On étudie ensuite l'évolution de la matière
organique tout au long de ce puits. Enfin, il est montré sur un autre puits
comment il est possible de retrouver l'évolution initiale d'une série
géologique
très évoluée.
Avant de commencer l'interprétation des données de pyrolyse proprement
dite, la méthode fournit un ensemble d'informations générales concernant les
échantillons du bassin, notamment le nombre d'échantillons, éventuellement la
liste des échantillons qui ont été éliminés de l'étude, et la cause de leur
élimination.
Une analyse est composée des caractéristiques essentielles de la matière
organique qû on peut déduire des paramètres Rock-Eval et qui peuvent aider
dans l'exploration pétrolière. Ces caractéristiques sont : le type de matière
organique, son degré de maturation, le potentiel pétrolier, et les
accumulations
d'hydrocarbures. La méthode informe également l'utilisateur au cas où la
matière organique aurait subi une altération, ou s'il y a eu des effets
importants
de matrice minérale. Les cas de contamination de la roche mère par des
hydrocarbures venus d'ailleurs sont également signalés.
Les figures 22 à 25 montrent les données relatives à quelques échantillons
du puits SM analysés par la méthode. La majorité des échantillons prélevés
dans ce puits renferment de la matière organique de type II. Le puits renferme
de la matière organique immature aussi bien que de la matière organique
mature. La figure 26 montre la distribution des échantillons suivant le type
et
la maturation de la matière organique.
L'utilisateur dispose d'un outil supplémentaire qui lui permet d'accéder à
des échantillons types (stockés au préalable dans une base d'échantillons
types),
qui sont les plus similaires, selon une fonction de similarité bien
déterminée,
chacun des échantillons qu'il vient d'analyser. L'utilisateur peut accéder aux
paramètres Rock-Eval et aux diagnostics détaillés de ces échantillons types,
en
vue de les comparer avec les échantillons qû il vient d'analyser.
L'échantillon de
la figure 27 est considéré comme étant l'échantillon de la base d'échantillons
types qui est le plus similaire à l'échantillon de la figure 24.
CA 02290870 1999-11-26
33
Comme on l'a remarqué précédemment, le puits SM contient des
échantillons qui proviennent des deux zones principales de maturation, à
savoir
la zone immature et la zone mature. On peut donc envisager une étude
évolutive de la série géologique composée par les échantillons du puits SM.
Mais, tout d'abord les échantillons atypiques, c'est-à-dire les échantillons
qui ne
sont pas du type dominant la série (le type II pour le puits SM), doivent être
éliminés. Une telle précaution est nécessaire, car les différents types de
matière
organique n'ont pas les mêmes caractéristiques évolutives. La détermination
des échantillons atypiques peut être réalisée automatiquement grâce à l'étude
détaillée des échantillons décrite au paragraphe précédent.
Corrélation Profondeur/IH
La description de l'évolution d'une série géologique est donnée par la mise
en corrélation des valeurs de l'index d'hydrogène observées tout au long du
forage avec les profondeurs auxquelles les échantillons ont été prélevés. La
corrélation obtenue pour la série du puits SM est montrée à la figure 28.
Cette
corrélation été obtenue à l'aide d'un réseau de neurones multi-couches. Le
calcul d'une telle corrélation est décrit plus haut.
Le taux de transformation
A partir des valeurs calculées de l'IH, données par la corrélation
Profondeur/IH, on calcule pour chaque échantillon le taux de transformation de
la matière organique, qui est une fonction de l'IH et de l'estimation du
potentiel
pétrolier initial. La variation des taux de transformation en fonction de la
profondeur pour le puits SM est montrée à la figure 29.
Etude d'une série très évoluée : Par série très évoluée, on entend une série
géologique pour laquelle on ne dispose que de données relatives à des
échantillons renfermant de la matière organique mature, voir très mature. Le
but de l'étude d'une telle série est de retrouver l'évolution complète de la
série,
c'est-à-dire, inclure également l'évolution de la matière organique pendant le
stade immature, ce qui permettra par la suite de donner une estimation du
potentiel pétrolier initial.
