A Petrel-Based Reproducible Workflow for Integrated Static Reservoir Characterization Using Synthetic Seismic and Well-Log Data

Profondément sous la surface de la terre, les sociétés pétrolières et gazières s'appuient sur des cartes tridimensionnelles pour comprendre où se cachent les ressources. Ces cartes ne sont pas des photographies prises avec un appareil photo ; ce sont des hypothèses complexes construites à partir d'indices épars. Un ensemble d'indices provient des données sismiques, qui utilisent des ondes sonores pour créer une image large et floue des couches rocheuses sur une zone étendue. Un autre ensemble provient des diagraphies de puits, qui sont des mesures détaillées prises dans de minces trous forés dans le sol, offrant des informations à haute résolution mais seulement le long d'une seule ligne verticale. Pour donner du sens à l'espace situé entre ces mesures éparses, les géologues utilisent des concepts géologiques pour combler les lacunes. Le résultat est un modèle de réservoir statique, une représentation numérique de la roche souterraine qui aide les ingénieurs à estimer la quantité de pétrole ou de gaz existante, à planifier les prochains forages et à prédire comment les fluides se déplaceront. Cependant, la construction de ces modèles implique d'innombrables décisions humaines, de l'interprétation d'une ligne ondulée sur un écran à l'adoucissement de données brutes. Lorsque ces choix ne sont pas documentés clairement, la carte finale devient difficile à vérifier ou à reproduire, laissant la science vulnérable à des erreurs cachées et rendant difficile l'apprentissage des autres à partir de ce travail.

Dans une étude récente, le chercheur Innocent J. Aluka, de l'Université Prairie View A&M, aborde ce problème en introduisant une nouvelle façon d'organiser la création de ces cartes souterraines. L'étude n'invente pas une nouvelle façon de calculer les propriétés des roches ou ne découvre pas un nouveau type de réservoir de pétrole. Au lieu de cela, elle propose un cadre structuré et par étapes appelé Workflow de Modélisation de Réservoir Intégré Reproductible, ou RIRMW (Reproducible Integrated Reservoir Modeling Workflow). Ce cadre traite la création d'un modèle de réservoir non pas comme une collection lâche de clics de logiciels, mais comme une chaîne stricte d'étapes auditables. Chaque étape de la chaîne nécessite des entrées spécifiques, suit une règle de transformation claire, enregistre chaque paramètre utilisé, passe un contrôle de qualité et produit une sortie versionnée avant de passer à l'étape suivante. Le but est de rendre l'ensemble du processus transparent, en veillant à ce que chaque décision et chaque réglage soient documentés afin qu'un autre expert puisse suivre le même chemin et arriver au même résultat.

Pour tester cette idée sans utiliser de données confidentielles provenant de vrais champs pétroliers, le chercheur a construit un ensemble de données synthétiques complet. Cet environnement artificiel imite une formation rocheuse faillée et stratifiée contenant du grès, du grès argileux et du schiste. L'équipe a généré de fausses images sismiques, des cartes d'attributs qui mettent en évidence les limites rocheuses, et des diagraphies de puits détaillées simulant ce qu'un forage rencontrerait. En utilisant ces données contrôlées, ils ont fait passer le nouveau workflow à travers six modules distincts. Premièrement, ils ont interprété les données sismiques et de puits pour identifier les couches rocheuses et les failles. Deuxièmement, ils ont construit une grille structurale, un squelette numérique qui maintient les couches rocheuses en place tout en respectant les failles qui les traversent. Troisièmement, ils ont simulé la distribution des types de roches, décidant où le grès et le schiste apparaissent dans l'espace 3D. Quatrièmement, ils ont modélisé des propriétés continues comme la porosité, qui mesure l'espace vide existant dans la roche pour contenir des fluides, et la perméabilité, qui mesure la facilité avec laquelle le fluide circule. Cinquièmement, ils ont intégré tous ces éléments en un seul modèle 3D cohérent. Enfin, ils ont évalué l'incertitude en exécutant le processus plusieurs fois avec différentes graines aléatoires (random seeds) pour voir à quel point les résultats pourraient varier.

Les résultats de cette démonstration ont montré que le workflow a réussi à produire un modèle cohérent et interne cohérent du réservoir synthétique. La carte finale montrait des corps de grès connectés d'une manière qui correspondait aux concepts géologiques, avec une porosité et une perméabilité élevées concentrées dans les zones de roche de meilleure qualité. Crucialement, le processus a préservé un enregistrement complet de chaque décision prise. Par exemple, l'étude a enregistré que la porosité effective variait de zéro à quarante pour cent, avec une moyenne de 17,6 pour cent à travers les différents scénarios simulés. La perméabilité horizontale, une mesure de flux, variait de 0,1 à 1 000 millidarcies, une unité utilisée pour décrire la facilité avec laquelle les fluides se déplacent à travers la roche. La saturation en eau, qui indique quelle proportion de l'espace poreux est remplie d'eau plutôt que de pétrole, a été modélisée entre zéro et un. En exécutant plusieurs simulations, l'équipe a pu montrer que, bien que l'arrangement exact de la roche variait légèrement à chaque fois, les statistiques globales restaient stables, avec une porosité médiane de 17,3 pour cent.

Une conclusion clé de l'étude est que cette approche n'élimine pas le besoin de jugement d'expert ; elle le rend plutôt visible. Dans les projets traditionnels, un géologue peut faire un choix sur la façon de connecter deux points de données, mais ce choix reste souvent une note mentale ou un croquis rapide. Dans ce nouveau cadre, ce choix est enregistré comme un paramètre spécifique dans un registre. Si le modélisateur décide d'utiliser une règle mathématique particulière pour estimer la perméabilité basée sur la porosité, cette règle est inscrite avec les chiffres spécifiques utilisés. Cela permet à quiconque révise le travail de voir exactement comment le modèle a été construit et de comprendre pourquoi il ressemble à ce qu'il est. L'étude note explicitement que, puisque le logiciel utilisé est propriétaire, il est impossible de garantir que deux ordinateurs différents produiront exactement le même nombre pour chaque cellule de la grille. Cependant, le cadre garantit que le processus est reproductible et que la logique derrière les résultats est claire.

La recherche souligne également l'importance de l'incertitude. Parce que les données provenant du sol sont éparses, il n'existe pas de carte unique « correcte » du sous-sol. De nombreux arrangements différents de roches pourraient correspondre aux mêmes données. Le workflow traite cela en générant un ensemble de plusieurs modèles possibles, ou réalisations, plutôt qu'un seul. Cela permet aux scientifiques de voir l'éventail des possibilités, du scénario le plus optimiste au plus pessimiste. Dans le test synthétique, les chercheurs ont montré que, bien que l'emplacement spécifique d'un chenal de grès puisse changer entre différentes exécutions, le volume global et la connectivité de la roche restaient dans une plage prévisible. Cela aide les décideurs à comprendre les risques encourus, en sachant que le modèle représente un spectre de possibilités plutôt qu'une vérité unique et potentiellement trompeuse.

Enfin, ce travail sert de pont entre le monde complexe et souvent opaque de la modélisation de réservoirs industriels et les principes de la science ouverte et reproductible. Il démontre que même lorsque l'on utilise des logiciels commerciaux dont les rouages internes sont cachés, le processus de construction d'un modèle peut être rendu transparent. En formalisant les étapes et en enregistrant chaque décision, le cadre permet à la communauté scientifique d'auditer, d'apprendre de et de construire sur le travail des autres. L'étude conclut que, bien que les chiffres spécifiques générés dans ce test soient basés sur des données artificielles et ne puissent pas être utilisés pour prédire les réserves de pétrole réelles, la méthode elle-même est robuste. Elle fournit un moyen pratique de garantir que les modèles numériques complexes utilisés pour explorer les ressources de la Terre sont construits sur une base de logique claire et de preuves documentées, rendant la science derrière les cartes aussi fiable que les données qui les alimentent.