Physics-Informed Explainable Machine Learning for Tight Sandstone Facies Prediction from Conventional Well Logs: A Blind-Well Comparative Study Krishna-Godavari Basin, INDIA

Profondément sous la surface de la Terre, dans les vastes bassins sédimentaires qui détiennent l'énergie du monde, les géologues sont confrontés à un défi persistant : trouver le pétrole et le gaz piégés dans des roches qui refusent de les laisser circuler. Pendant des décennies, l'exploration s'est concentrée sur des réservoirs poreux, semblables à des éponges, où les fluides circulent facilement. Aujourd'hui, alors que ces cibles faciles s'amenuisent, l'industrie tourne son attention vers les réservoirs « serrés » (tight). Il s'agit de formations rocheuses dont les pores sont si petits et les connexions entre eux si étroites que le pétrole ou le gaz y est verrouillé, nécessitant des efforts d'ingénierie massifs pour l'extraire. L'identification de ces zones serrées est difficile car les outils utilisés pour observer le sous-sol — de longues chaînes de capteurs descendues dans les puits — donnent souvent des signaux confus. Une roche qui ressemble à un bon réservoir sur une lecture de capteur pourrait en réalité être un bloc dense et imperméable, et vice versa. Cette ambiguïté rend difficile de savoir où forer ou où dépenser des millions de dollars pour fracturer la roche et libérer l'énergie.

Dans le bassin de Krishna-Godavari, sur la côte est de l'Inde, un chercheur a abordé ce problème en apprenant aux ordinateurs à voir ce que les experts humains peinent à distinguer. Ils se sont concentrés sur un type spécifique de roche appelé grès serré, qui se trouve profondément sous terre et est composé de mélange de schiste, de siltite et de sable propre. L'objectif était de créer un système capable d'analyser les données de capteurs standards d'un puits et de prédire avec précision quel type de roche il traversait. Pour ce faire, ils n'ont pas seulement alimenté l'ordinateur avec les chiffres bruts des capteurs. Au lieu de cela, ils ont d'abord utilisé les lois de la physique pour transformer ces chiffres bruts en nouvelles descriptions plus significatives du comportement de la roche, telles que sa rigidité ou sa résistance à la compression. Ils ont ensuite entraîné plusieurs types d'algorithmes d'apprentissage pour reconnaître les motifs de ces types de roches et ont testé le système sur des puits qu'il n'avait jamais vus auparavant, afin de s'assurer qu'il ne se contentait pas de mémoriser les réponses.

Le chercheur a travaillé avec les données de cinq puits du bassin, dont trois avaient été soigneusement étiquetés par des géologues qui connaissaient exactement le type de roche présent à chaque profondeur. Les deux autres puits ont été gardés cachés, servant de test à l'aveugle pour voir si l'ordinateur pouvait appliquer ce qu'il avait appris à un nouvel emplacement. Le chercheur a comparé deux approches. La première approche utilisait uniquement les mesures standards, telles que la radioactivité naturelle de la roche, sa résistance électrique et la vitesse à laquelle les ondes sonores la traversent. La seconde approche utilisait ces mêmes mesures et y ajoutait une couche de propriétés calculées dérivées de la physique, comme la capacité de la roche à stocker de l'énergie ou sa résistance à la rupture. Ils ont testé quatre modèles d'apprentissage automatique différents, incluant des méthodes qui construisent de nombreux arbres de décision et d'autres qui apprennent en corrigeant leurs propres erreurs, pour voir quelle combinaison fonctionnait le mieux.

Les résultats ont montré une différence claire entre les deux approches. Lorsque les modèles reposaient uniquement sur les lectures de capteurs standards, ils pouvaient identifier les types de roches avec un succès modéré, atteignant une précision moyenne d'environ 66 à 68 pour cent. Ils étaient souvent confus par des roches qui semblaient similaires sur les capteurs mais qui étaient en réalité différentes. Cependant, lorsque les modèles recevaient les descriptions physiques supplémentaires, leurs performances bondissaient de manière significative. L'exactitude moyenne est passée entre 81 et 84 pour cent. Plus important encore, la capacité à identifier correctement les zones spécifiques de « grès serré », qui sont les plus critiques et les plus difficiles à trouver, s'est améliorée de façon spectaculaire. Dans les meilleurs cas, les modèles identifiaient ces zones serrées presque à chaque fois, avec un taux de réussite dépassant 97 pour cent. Cette amélioration n'était pas un coup de chance ; des tests statistiques ont confirmé que le gain était réel et constant, l'amélioration de la performance étant si importante qu'il était hautement improbable qu'elle soit due au hasard.

Pour comprendre pourquoi l'approche basée sur la physique fonctionnait si bien, le chercheur a utilisé une technique qui agit comme un projecteur, révélant quels indices spécifiques l'ordinateur utilisait pour prendre ses décisions. Il a découvert que les lectures de capteurs standards seules étaient souvent ambiguës, mais que les propriétés calculées fournissaient une image plus claire de la structure interne de la roche. Par exemple, la rigidité de la roche et sa réponse à la pression permettaient de distinguer un grès serré et dense d'un grès propre et poreux, même lorsque leurs lectures de base sur les capteurs étaient presque identiques. L'étude a également développé un moyen de mesurer la confiance de l'ordinateur dans chaque prédiction. Lorsque les différents modèles n'étaient pas d'accord ou lorsque leur confiance était faible, le système signalait ces sections pour un examen humain. Cela crée un filet de sécurité, garantissant que les géologues concentrent leur attention sur les parties les plus incertaines du puits plutôt que de faire confiance aveuglément à un ordinateur.

Ce travail démontre que la combinaison des données de capteurs traditionnelles avec des calculs basés sur la physique crée une carte beaucoup plus fiable du monde souterrain. Cela suggère que la clé pour débloquer ces réservoirs difficiles ne réside pas seulement dans de meilleurs capteurs, mais dans de meilleures façons d'interpréter les données que ces capteurs fournissent. En apprenant aux machines à comprendre les propriétés physiques de la roche, plutôt qu'à simplement traiter les chiffres bruts, l'industrie peut faire des prédictions plus précises sur l'endroit où le pétrole et le gaz sont piégés. L'étude conclut que cette méthode est un outil puissant pour caractériser ces réservoirs complexes, à condition que les modèles soient testés rigoureusement sur de nouveaux puits pour s'assurer qu'ils apprennent réellement la géologie et ne font pas que mémoriser les données. Les conclusions offrent une voie claire pour l'exploration des formations profondes et serrées qui alimenteront probablement les besoins énergétiques des décennies à venir.