Vous êtes sur la page 1sur 12

GEOSTATISTIQUE

Prof E. PIRARD
Assistant A. CALIFICE









MAMAN Maman Bachir

Anne 2010/2011
2











Sommaire
1 Introduction ............................................................................................................................ 3
2 Analyse Exploratoire ........................................................................................................................ 3
2.1 Analyse de la corrlation spatiale ............................................................................................ 4
2.2 Variogramme omnidirectionnel ............................................................................................... 5
2.3 Surface variographique ............................................................................................................ 5
3 Infrence probabiliste ...................................................................................................................... 6
3.1 Krigeages .................................................................................................................................. 6
4 Observations et conclusions ............................................................................................................ 7
5 Estimation avec variable secondaire ................................................................................................ 8
5.1 Analyse de la variable secondaire ............................................................................................ 8
5.2 Cokrigeage ................................................................................................................................ 8
6 Simulation ........................................................................................................................................ 9
6.1 Simulation multi-gaussienne .................................................................................................... 9
6.2 Simulation par indicatrice ........................................................................................................ 9
7 Comparaison des rsultats et conclusion ......................................................................................11
Bibliographie..12
Annexes.13

3

1 Introduction
Ce projet sinscrit dans le cadre de lapplication pratique du cours de gostatistique.
Ltude concerne un rservoir ptrolier turbidique pour lequel il est demand destimer et
simuler les volumes de ptrole rcuprable en connaissant le CAPEX, lOPEX et les
diffrentes taxes relatives aux royalties.
Ce rservoir est subdivis en 13000 cellules (100x130 cellules) suivant respectivement les
axes x et y, chaque cellule fait 25 m de ct et 30 m dpaisseur soit une superficie totale de
8,125

(25mx25mx13000). On considre que tous ces pores sont saturs dhuiles.


On dispose galement de 150 donnes de permabilit intrinsque (k) (fig.1) exprimes
en [milliDarcy] mesures en 150 points du champ et dune interprtation gologique en tout
point du rservoir (fig.2).
2 Analyse Exploratoire
Les 150 donnes de permabilit sont reprsentes sous forme dun histogramme (fig.3)
comprenant 12 classes ( ). Lhistogramme de la figure 1 permet de faire les
observations suivantes :
Une distribution asymtrique de type semi logarithmique.
La prsence dun outlier de coordonnes *88 ; 5+ affichant une valeur de permabilit
gale 1356,46 milliDarcy trs nettement suprieure au reste des donnes. On peut
supposer que cette valeur de permabilit a t male enregistre. Pour des mesures
de scurit nous allons supprimer cette valeur car elle peut fortement influencer la
moyenne.
La suite du travail sera ralise sur 149 donnes de permabilit (fig.4 et 5). Le tableau
suivant reprenant les caractristiques statistiques de lchantillon.
Valeurs Statistiques de K
[milliDarcy]
Donnes brutes Donnes sans outlier
Moyenne 110,102 101 ,737
Variance 36584,2 26265
Maximum 1356,46 834 ,221
P75 132,156 132 ,155
Mdiane 18,5732 18,5732
P25 6,22819 6,22619
Minimum 0,467684 0,467684

Etant donne la distribution asymtrique de lhistogramme de la figure 4 nous
pouvons utiliser une chelle semi logarithmique (fig.6). Ainsi, on constate que lhistogramme
4

obtenu est bimodal ce qui nous pousse priori de poser lhypothse selon laquelle le champ
prsente deux populations distinctes de lithologies diffrentes.
Pour sparer ces deux populations on utilise une valeur de coupure prise gale 41
milliDarcy. On peut aussi utiliser la loi empirique suivante qui donne la porosit en fonction
de la permabilit.


En reprsentant les valeurs de porosits (fig.7), on remarque quelle admet des
valeurs ngatives ce qui dun point de vue pratique est impossible de raliser.

Ainsi partir de lhistogramme de la figure 6 on obtient une premire population de
84 chantillons de faible permabilit (k<41milliDarcy) et une seconde population de
permabilit leve (k41milliDarcy).
Les figures 8 et 9 montrent les rpartitions de chacune des deux populations. On
remarque que les chantillons de la population 1, de faibles valeurs de permabilit, sont
principalement situs dans l'encaissant alors que les donnes de la population 2, de
permabilit plus leve, sont localises dans les chenaux. Ainsi l'hypothse de stationnarit
par laquelle deux paires de points espacs d'un mme vecteur h possdent des
caractristiques semblables, n'est pas vrifie pour tout le champ.
Le tableau suivant reprend les caractristiques statistiques des deux populations.




Population 1 Population 2
Moyenne 10.0215 240.656
Minimum 0.467684 41.8902
P25 3.7686 113.08
Mdiane 7.88053 172.806
P75 12.7844 278.24
Maximum 38.7357 835.221


2.1 Analyse de la corrlation spatiale
Pour estimer la permabilit en tout point du champ dtude, on procdera
linterpolation des valeurs mesures en diffrents points. Daprs Pirard (cours de
gostatistique 2010) la valeur de permabilit en un point x peut tre exprime comme une
combinaison linaire des mesures aux points avoisinants et il y a corrlation spatiale, un
chantillon plus proche doit avoir une plus grande importance qu'un chantillon plus
loign.
5

Les tapes qui suivent permettent de faire la corrlation spatiale.
2.2 Variogramme omnidirectionnel

Pour calculer le variogramme omnidirectionnel (Fig. 10) nous avons utilis 10 intervalles
de 6,5 mailles, de sorte ne pas dpasser la moiti de la plus grande dimension du champ
(i.e. 65 intervalles). Nous utilisons galement une tolrance de 3,25 intervalles.

Nous avons reprsent les nuages des tous les couples de points qui ont permis de
construire le variogramme omnidirectionnel.
On remarque que :
a) la distribution de ces couples de points sloigne de l'ellipse thorique,
b) un nombre important des points sont situs prs des axes.

Alors on justifie la prsence des couples de points autour des axes par la non
vrification des hypothses de stationnarit et d'ergodicit du champ puisque l'on a
pralablement reprer deux populations diffrentes.
Le model de Variogramme obtenu est repris a la figure 11.
Lquation du model est :
()



Il possde un effet ppite de 4320, un palier 12960 et une porte de 22,75.

2.3 Surface variographique

La surface variographique est reprsente la figure 11. Elle permet de dceler la
prsence dventuelles anisotropies et de donner une information qualitative sur leurs
directions.

Ainsi, la figure 11 montre la prsence de deux directions de plus grande continuit. Ces
directions sont schmatises par deux traits rouge sur la figure. Pour quantifier la valeur de
l'anisotropie, nous avons calcul un variogramme directionnel tous les 20 partir de la
direction 30
0
(chelle trigonomtrique) en admettant une tolrance angulaire de 30 de part
et d'autre de la direction. Ces directions sont : 0
0
, 30
0
, 50
0
, 70
0
, 90
0
, 110
0
, 130
0
, 150
0
et 170
0
.

Ainsi, ces directions de plus grande continuit sont dceles aux environs de 30 et 150.
Les variogramme correspondants ces directions sont reprsents par les figures 12a et 12b
et leurs modlisations par les figures 13a et 13b.

6

3 Infrence probabiliste
Pour estimer les revenus de production, on va raliser des krigeages simple et
ordinaire.

3.1 Krigeages
Pour chaque krigeage, nous utilisons le modle variographique omnidirectionnel
dtermin plus haut. Les rsultats des krigeages et leurs variances sont donns aux figures
14, 15, 16 et 17
Le volume de ptrole contenu dans la roche sobtient en multipliant, sur tout le
champ, la porosit estime sur une maille par le volume de roche unitaire :

( )


Une loi empirique relie la permabilit au taux de rcupration du ptrole dans la
roche :




Les revenus de production dpendent alors du prix du baril. Celui-ci cotait 88,02 $ au
17/12/2010 12h00.
Les revenus de production comprennent les taxes, le CAPEX (cot dinvestissement),
lOPEX (cot dopration), les royalties et le profit. Le CAPEX, lOPEX et les royalties sont
respectivement de 6, 10 et 16 % des revenus de production. Si lon sait que le pays dans
lequel se trouve le rservoir prlve 60% de la rente ptrolire du gisement, on peut calculer
la part des taxes :

( )

Les bnfices sont alors de ( ) 33,6% des revenus
de production.
Les revenus de production sont repris par le tableau ci-aprs :






7





Krigeage Simple Krigeage Ordinaire
Volume de Ptrole rcupr en m
3
50757902,89
(5,07x10
7
)
49288246,16
(4,93x10
7
)
Revenu de production en
(US $)
4467710613
(4,47x10
9
)

4338351427
(4,34x10
9
)

Bnfices de la socit ptrolire (US $)
17054655,37
(1,7x10
7
)

16560850,71
(1,66x10
7
)

4 Observations et conclusions

On constate que les valeurs de permabilit gnres partir des krigeages sur le champ
ne sont pas toujours positives. Dans certaines zones des valeurs ngatives sont obtenues, on
peut qualifier cela comme un artefact du krigeage. En effet, lorsque les proches voisins du
point considr ont un poids lev, les voisins plus loigns sont affects d'un poids ngatif
pour compenser les poids forts et selon Pirard (cours de Gostatistique 2010), il s'agit d'un
effet d'cran qui est plus ou moins important tant donn que l'effet ppite est faible.

On remarque que le volume de ptrole rcupr par les deux mthodes nest pas le
mme :
En effet, le krigeage simple a considr un champ uniforme sur lequel la moyenne
tait constante alors que le krigeage ordinaire a t ralis en considrant une moyenne
localement valable. Aussi on constate que la variance de krigeage simple est plus petite que
celle de krigeage ordinaire mais dans tous les cas la variance est dans les zones
dchantillonnages.
Enfin, on peut dduire que le krigeage ordinaire est mieux adapt dans notre cas
puisqu'on a deux grands types de lithologie (les chenaux avec des trs fortes permabilits
et les encaissants avec des basses permabilits). En effet, considrer une moyenne
constante sur tout le champ ne reflte par la ralit car elle ne reproduit pas la variation de
la permabilit dans le rservoir. De plus, le krigeage ordinaire a l'air de simposer puisqu'on
a choisi de ne pas diviser le set selon les hautes et les basses permabilits. Si on regarde de
plus prs les revenus de production, on remarque qu'ils sont du mme ordre de grandeur.

8

5 Estimation avec variable secondaire
5.1 Analyse de la variable secondaire

A ce point nous utiliserons les variables secondaires pour amliorer notre estimation des
permabilits et raliser un cokrigeage. La prsence de deux grandes familles de
permabilits (les chenaux et les encaissants) peut tre confirme par l'tude et la
reprsentation de la variable secondaire qui est ici la lithologie du rservoir prsente sous
forme de facis et est connue en tout point du rservoir. La distribution des 149 valeurs de
permabilits sur les facis est reprsente sur la figure 17.

5.2 Cokrigeage

Pour davantage affiner nos estimations nous allons procder au cokrigeage en
utilisations les 149 valeurs de permabilits comme variables principales et la lithologie du
rservoir connue en tout comme variables secondaires.

Pour raliser le cokrigeage, nous devons standardiser les donnes car celles-ci ont des ordres
de grandeur diffrents. Pour ce faire, nous utilisons la formule :


En fait, le cokrigeage tient compte du comportement spatial des permabilits et
celui des variables secondaires ainsi que leur corrlation croise dans le but d'estimer les
permabilits partir des mesures de Permabilits dont on dispose et des donnes de la
variable secondaire. Ainsi le variogramme crois nous permettra de quantifier la corrlation
spatiale entre les permabilits et la lithologie sur lentiret du rservoir.
On attribuera 0 aux facis de basses permabilits (encaissants) et 1 aux points de
mesures des hautes permabilits (chenaux) figure 18. Seul les points ou les deux variables
sont connues contribuerons lestimation du variogramme crois Pirard (cours de
Gostatistique 2010).
Alors on dcide de choisir un full coking qui utilise les donnes suivantes :
les paramtres issus de la modlisation du variogramme crois partir des 149
donnes standardises et la lithologie binarise,
les paramtres issus de la modlisation du variogramme de l'information lithologique
binarise,
lchantillon de 50 donnes tirs alatoirement.



9

Les rsultats sont repris par le tableau suivant :
Cokrigeage Simple Cokrigeage
Ordinaire
Volume de Ptrole rcupr en m
3
1144,04x10
6
948,02x10
6
Revenu de production en
(US $)
10067,61x10
7
8342,61 x10
7


Bnfices de la socit ptrolire (US $)
3382,7X10
7
280,375x10
7

On constate que ces deux mthodes donnent des rsultats semblables. Le krigeage
ordinaire a produit le plus petit bnfice semble reprsenter la ralit dans lestimation,
tant donn que lhypothse de la moyenne constante utilise par le krigeage simple est loin
de caractriser lhtrognit du champ. Les deux populations gologiques (chenaux et
encaissants) ont des valeurs moyennes diffrentes.
Alors nous pouvons conclure que le cokrigeage produit une estimation beaucoup plus
raliste des autres mthodes krigeages.
6 Simulation
Etant donn que linvestissement pour lexploitation des rservoirs ptrolifres est
norme, il est important dtudier tous les risques financiers qui y sont associs. Lutilisation
de la simulation permet de rpondre cette inquitude
Ainsi l'utilisation des simulations permettra de rpondre deux besoins. Le premier
consiste envisager des ralisations spatiales "plus extrmes". Le second est le fait qu'il
faudrait tenir compte de l'incertitude spatiale.
6.1 Simulation multi-gaussienne
Pour raliser ces simulations multi gaussiennes, il faut tout d'abord normaliser les
donnes comme on l'a fait prcdemment. Ensuite, aprs avoir calcul et modlis le
variogramme des valeurs normalises, on effectue les simulations. Le nombre de ralisation
est fix 50. En effet, puisqu'on souhaite dterminer des paramtres statistiques qui soient
les plus robustes et les plus reprsentatifs possibles, il faut au minimum 30 50 ralisations.
On reprsente aux figures 19 et 20 les histogrammes des volumes de production issus
des simulations multi gaussiennes par krigeage ordinaire et krigeage simple.
6.2 Simulation par indicatrice
Cette mthode implique le choix de plusieurs indicatrices que nous prendrons gales
aux diffrents percentiles (de p10 p90 avec un pas de 10). Nous binarisons ensuite le
10

champ de donnes primaires selon ces diffrents seuils dans le but de pouvoir calculer les
diffrents variogrammes qui leur sont associs. Voici les modles qui en dcoulent :
1) () (

)
2) () (

)
3) () (

)
4) () (

)
5) () (

)
6) () (

)
7) () (

)
8) () (

)
9) () (

)

L'avantage de la mthode des indicatrices est qu'elle permet de prendre en compte
une structuration spatiale diffrente selon le seuil (Pirard, 2010). Ainsi, on verra apparaitre
les chenaux pour des seuils appropries. Marcotte (2010) note que les variogrammes
d'indicatrices sont gnralement plus faciles a modliser car on na pas de problmes avec
les valeurs extrmes puisque les variables sont 0 ou 1. On a donc des variogrammes
robustes. De plus, on constante que la valeur du palier est approximativement gale a p. (1-
p) o p dsigne le percentile. Cependant, bien que la mthode soit assez sduisante, il
ncessite un certain cot des points de vue temps et calculs puisqu'il est ncessaire d'tudier
entre 5 et 15 seuils diffrents choisis rgulirement dans l'intervalle P10 a P90 pour faire
l'estimation (Pirard, 2010).

Les rsultats sont repris dans le tableau suivant :

Revenue total [million $] Benefice [million $]
Simulation Multi
gaussienne 7622,51 2561,16
Simulation indicatrice 8141,7 2735,61

Si on compare les deux types de simulation, on remarque quils produisent prs les
mmes valeurs de profit .La simulation par indicatrices assure une variation spatiale
spcifique selon que l'on se trouve dans les hautes ou dans les basses permabilits. On
11

note galement la figure 21 que les chenaux ne sont pas trs bien dfinis. On devine leur
allure mais il est impossible d'tablir la limite avec l'encaissant.
7 Comparaison des rsultats et conclusion
Pour conclure, rappelons tous dabord les hypothses qui ont t faite et ensuite
comparer les mthodes utilises en parlant des avantages et inconvnients des chacune
delles. Ainsi, on a suppos que la permabilit est constante en tout point et toute
profondeur du champ bien que la permabilit varie le plus souvent dun point lautre.
Nous avons aussi suppos que linformation lithologique utilise comme variable secondaire
est uniforme dans tout le rservoir ce qui nest peut tre juste a 100%.
Des mthodes de krigeages on constate que le krigeage (ordinaire et simple) non
seulement ne tient pas compte de lhtrognit du champ mais aussi surestime les
revenues de production par rapport au cokrigeage. Le cokrigeage avec variable secondaire
est une bonne alternative mais la qualit de lestimation repose sur les donnes relatives
linterprtation gologique.
Les simulations produisent plus dun rsultat par rapport au krigeage et cokrigeage. A
partir de 150 donnes chacune de ces ralisations est probable par rapport une autre.
Alors je pense que le cokrigeage simple et les simulations par indicatrices constituent
deux bonnes mthodes estimation.











12

Bibliographie
Pirard E., Note de cours de Gostatistique, sep 2010, Universit de Lige
Marcotte D., Gostatistique I, http://geo.polymtl.ca/-marcotte/, rcupr 25/12/2010
Remy Nicolas, Geostatistical Earth Modeling Software: Users Manual, may 2004 (SGeMS
Manual)

Vous aimerez peut-être aussi