Prédiction des Paramètres Physiques des Couches Pétrolifères par Analyse des Réseaux de Neurones et Analyse Faciologique.

Characterization of the shaly sand reservoirs by well log data is a practical way of reservoirdescriptions in the oil fields. During the last few years several studies were conducted in thefield of petroleum engineering by applying artificial intelligence. This work represents apetrophysical-based method that uses well loggings and core plug data to predict well log datarecorded at depth in shaly sand reservoir of the Triassic Formation in Hassi R’Mel field(Algerian Sahara). In the study of oil reservoirs, the prediction of absolute permeability is afundamental key in reservoir descriptions which has a direct impact on, amongst others,effective completion designs, successful water injection programs and more efficient reservoirmanagement. The Triassic Formations of the Hassi R’Mel field are composed of sandstonesand shaly sand with dolomite. Logs from the 10 wells are the starting point for the reservoircharacterization. This work presents a hybrid neuro-fuzzy model based on the use of well logdata in porosity and permeability estimation. A fuzzy logic approach is used to calibrate thecalculated permeability and core permeability and neural network was developed in thismodel based on data available in the field. Fuzzy analysis is based on fuzzy logic and is usedto get the best related well logs with core porosity and permeability data. Neural network isused as a nonlinear regression method to develop transformation between the selected welllogs and core measurements. Porosity and permeability are predicted in these wells using thelinear regression and multilayer perceptron models are constructed. Their reliabilities arecompared using regression coefficients for predictions in uncored sections. This method ofintelligent technique is used as a powerful tool for reservoir properties estimation from welllogs in oil and natural gas development projects.La caractérisation des réservoirs argilo-gréseux par les données de diagraphies est un moyenpratique de la description des réservoirs dans les champs pétroliers. Au cours des dernièresannées, plusieurs études ont été menées dans le domaine de l'ingénierie pétrolière enappliquant l'intelligence artificielle. Ce travail représente une méthode basée sur lapétrophysique qui utilise des diagraphies de puits et des données de modules de base pourprédire et enregistrer les données en profondeur dans les réservoirs argilo-gréseux de laformation du Trias dans le champ de Hassi R'Mel (Sahara algérien).Dans l'étude des gisements de pétrole, la prédiction de la perméabilité absolue et de laporosité est un élément fondamental dans les descriptions de réservoirs ayant un impact directsur les autres paramètres pétrophysiques, les programmes d'injection d'eau et la bonne gestionde réservoir d’une manière plus efficace. Les formations du Trias du champ de Hassi R’Melsont composées de grès et de sable schisteux avec de la dolomie. Les enregistrementsdiagraphiques de 10 puits de ce champ sont le point de départ pour la caractérisation de sonréservoir. Ce travail présente un modèle hybride "neuro-fuzzy" basé sur l'utilisation desdonnées de diagraphies pour l’estimation de la porosité et de la perméabilité. Une approche dela logique floue (fuzzy logic) est utilisée pour comparer la perméabilité carotte et laperméabilité calculée à partir des réseaux de neurones ainsi que celles de la porosité,développées dans ce modèle sur la base des données disponibles au niveau des puits. Lalogique floue est utilisée pour le choix des meilleurs rapports de forage associés à la porositéet la base de données de perméabilité. Le réseau neuronal est utilisé comme méthode derégression non linéaire pour développer une transformation entre diagraphies de puitssélectionnés et mesures de porosité et de perméabilité. Cette technique de méthodeintelligente est utilisée comme un outil puissant pour l’estimation des propriétés des réservoirsd’après les paramètres diagraphiques et dans les projets de développement pétrolier et de gaznature