Conditionnement des modèles de réseaux de fractures à des données géologiques et géophysiques pour la réduction des incertitudes dans les modèles d’écoulement et de transport

The identification of permeable fractures in the subsurface is critical for evaluating potential contaminant transport pathways from deep disposal sites. A common approach is to develop Discrete Fracture Network (DFN) models from field mapping (boreholes and outcrops) and hydraulic experiments. The work accomplished in this thesis attempts at conditioning DFN models to constraints offered by Ground Penetrating Radar (GPR) geophysical data. Two surface-based GPR experiments were first conducted in a tunnel located at 410 m depth in the Äspö Hard Rock Laboratory (Sweden) with the aim to identify very weakly transmissive fractures (≈ 10-9 – 10-10 m²/s) and associated flow paths between two boreholes solicited by a tracer test. We demonstrate that the surface-based GPR method is able to detect about 80% of open and sub-horizontal fractures with areas of 1-10 m² and to detect likely tracer pathways through GPR-inferred fracture-aperture variations caused by the high injection pressure. The 3-D geometrical information of the fractures and their connectivity were then used as conditioning constrains in stochastic local DFN models. We have established validation criteria for our models, based on the connectivity measured on the field, and we show that conditioning allow us to validate up to 40% more realizations than stochastic models. The main outcomes of this research are the demonstrated ability of the GPR method to identify open fractures in formations of very low overall permeability that are targeted to store canisters containing spent nuclear fuel and to provide the first results improving the predictive capacity of stochastic DFN models by conditioning to geophysical data at scales from a few to tens of meters.L’identification des fractures perméables dans le sous-sol est essentielle pour déterminer les voies potentielles du transport des contaminants provenant des sites d’enfouissement en profondeur. Une approche commune consiste à développer des modèles de réseaux de fractures discrètes (« Discrete Fracture Networks » - DFN) à partir de la cartographie de terrain (forages et affleurements) et d’expériences hydrauliques. Le travail réalisé dans cette thèse tente de conditionner les modèles DFN à des données géophysiques de radar à pénétration de sol (« Ground Penetrating Radar » - GPR). À cette fin, deux expériences de GPR de surface ont été menées dans un tunnel situé à 410 m de profondeur dans le laboratoire souterrain « Äspö Hard Rock Laboratory » (Suède). La première expérience avait pour but d’identifier les fractures de faible transmissivité (≈ 10-9 – 10-10 m²/s) et la deuxième, effectuée en parallèle d’un essai de traçage entre deux forages, a tenté de mettre en évidence les chemins d’écoulement associés à ces fractures. Les résultats de ces expériences nous permettent de démontrer que la méthode de surface GPR est capable de détecter environ 80% des fractures ouvertes, subhorizontales et dont la superficie est de 1 à 10 m², mais aussi de détecter les chemins d’écoulement qu’emprunte le traceur, suite aux variations d’ouverture des fractures induites par une forte pression d’injection. Les informations sur la géométrie des fractures et sur leur connectivité, acquises lors de ces expériences, ont ensuite été utilisées pour conditionner les modèles DFN stochastiques. Nous avons établi des critères de validation de nos modèles, basés sur la connectivité mesurée sur le terrain, et nous montrons que le conditionnement permet de valider jusqu'à 40% de réalisations supplémentaires aux modèles stochastiques. Deux principales conclusions ont abouti grâce à cette étude : premièrement avons démontré la capacité de la méthode GPR à identifier les fractures ouvertes, dans des formations très peu perméables et ciblées pour le stockage des barils de déchets nucléaires ; deuxièmement nous avons fourni les premiers résultats du conditionnement des DFN stochastiques aux données géophysiques, en améliorant leur capacité de prédiction sur des échelles allant de quelques mètres à une dizaine de mètres